Big Data-teknologier bruges nu overalt - i industri, medicin, forretning og underholdning. Uden at analysere big data vil store detailhandlere således ikke kunne fungere normalt, salget hos Amazon vil falde, og meteorologer vil ikke kunne forudsige vejret mange dage, uger og måneder i forvejen. Det er logisk, at der nu er stor efterspørgsel efter big data-specialister, og efterspørgslen vokser konstant.
GeekBrains træner repræsentanter for dette felt og forsøger at give eleverne både teoretisk viden og undervisning ved eksempler, som erfarne eksperter er involveret i. Dette år Big Data-analytikere fra online-universitetet GeekUniversity og den største forhandler i Den Russiske Føderation, X5 Retail Group, er blevet partnere. Virksomhedens specialister har med stor viden og erfaring været med til at skabe et branded kursus, hvor de studerende får både teoretisk træning og praktisk erfaring i løbet af uddannelsen.
Vi talte med Valery Babushkin, direktør for modellering og dataanalyse hos X5 Retail Group. Han er en af de data scientists i verden (30. i den globale rangliste over maskinlæringsspecialister). Sammen med andre lærere fortæller Valery GeekBrains-studerende om A/B-testning, den matematiske statistik, som disse metoder er baseret på, samt moderne praksis for beregninger og funktioner til implementering af A/B-test i offline detailhandel.
Hvorfor har vi overhovedet brug for A/B-tests?
Dette er en af de bedste metoder til at finde de bedste måder at forbedre konverteringer, økonomi og adfærdsfaktorer på. Der er andre metoder, men de er dyrere og mere komplekse. De vigtigste fordele ved A/B-tests er deres relativt lave pris og tilgængelighed for virksomheder af enhver størrelse.
Om A/B-tests kan vi sige, at dette er en af de vigtigste måder at søge og træffe beslutninger på i erhvervslivet, beslutninger som både profit og udvikling af forskellige produkter i enhver virksomhed afhænger af. Tests gør det muligt at træffe beslutninger baseret ikke kun på teorier og hypoteser, men også på praktisk viden om, hvordan specifikke ændringer ændrer kundeinteraktion med netværket.
Det er vigtigt at huske, at i detailhandlen skal du teste alt - marketingkampagner, sms-udsendelser, test af selve forsendelserne, placering af produkter på hylder og selve hylderne i salgsområder. Hvis vi taler om en onlinebutik, så kan du her teste arrangementet af elementer, design, påskrifter og tekster.
A/B-tests er et værktøj, der hjælper en virksomhed, for eksempel en forhandler, til altid at være konkurrencedygtig, mærke ændringer i tid og ændre sig selv. Dette gør det muligt for virksomheden at være så effektiv som muligt og maksimere overskuddet.
Hvad er nuancerne af disse metoder?
Hovedsagen er, at der skal være et mål eller et problem, som testning skal baseres på. For eksempel er problemet et lille antal kunder i en detailforretning eller onlinebutik. Målet er at øge tilgangen af kunder. Hypotese: Hvis produktkort i en netbutik gøres større og fotografier er lysere, så vil der være flere køb. Dernæst gennemføres en A/B-test, hvis resultat er en vurdering af ændringer. Efter at resultaterne af alle test er modtaget, kan du begynde at formulere en handlingsplan for at ændre webstedet.
Det anbefales ikke at udføre test med overlappende processer, ellers vil resultaterne være sværere at evaluere. Det anbefales at udføre test af de højest prioriterede mål og formulerede hypoteser først.
Testen skal vare længe nok til, at resultaterne kan anses for pålidelige. Hvor meget afhænger selvfølgelig af selve testen. Så nytårsaften stiger trafikken i de fleste netbutikker. Hvis designet af netbutikken blev ændret før, så vil en kortvarig test vise, at alt er i orden, ændringerne er vellykkede, og trafikken vokser. Men nej, uanset hvad du gør inden ferien, vil trafikken stige, testen kan ikke gennemføres før nytår eller umiddelbart efter det, den skal være lang nok til at identificere alle sammenhænge.
Vigtigheden af den korrekte sammenhæng mellem målet og den indikator, der måles. For eksempel ved at ændre designet på den samme netbutiks hjemmeside, ser virksomheden en stigning i antallet af besøgende eller kunder og er tilfreds med dette. Men faktisk kan den gennemsnitlige checkstørrelse være mindre end normalt, så din samlede indkomst vil være endnu lavere. Dette kan selvfølgelig ikke kaldes et positivt resultat. Problemet er, at virksomheden ikke samtidig tjekkede sammenhængen mellem en stigning i besøgende, en stigning i antallet af køb og dynamikken i størrelsen af den gennemsnitlige check.
Er test kun for onlinebutikker?
Slet ikke. En populær metode i offline detailhandel er implementeringen af en komplet pipeline til at teste hypoteser offline. Dette er opbygningen af en proces, hvor risikoen for forkert udvælgelse af grupper til forsøget reduceres, det optimale forhold mellem antallet af butikker, pilottid og størrelsen af den estimerede effekt udvælges. Det er også genbrug og løbende forbedring af metoder til analyse efter effekt. Metoden er nødvendig for at reducere sandsynligheden for falske acceptfejl og mistede effekter, samt for at øge følsomheden, fordi selv en lille effekt på skalaen af en stor virksomhed er af stor betydning. Derfor skal du kunne identificere selv de svageste ændringer og minimere risici, herunder forkerte konklusioner om forsøgets resultater.
Detailhandel, Big Data og real cases
Sidste år vurderede X5 Retail Group-eksperter dynamikken i salgsvolumen for de mest populære produkter blandt fans af verdensmesterskabet i 2018. Der var ingen overraskelser, men statistikken viste sig alligevel at være interessant.
Vand viste sig således at være "bestseller nr. 1." I de byer, der var vært for VM, steg vandsalget med cirka 46 %; førende var Sochi, hvor omsætningen steg med 87 %. På kampdage blev det maksimale tal registreret i Saransk - her steg salget med 160% i forhold til normale dage.
Ud over vand købte fans øl. Fra 14. juni til 15. juli steg ølomsætningen i de byer, hvor kampene fandt sted, med i gennemsnit 31,8 %. Sochi blev også førende - øl blev købt her 64% mere aktivt. Men i Sankt Petersborg var væksten lille - kun 5,6%. På kampdage i Saransk steg ølsalget med 128 %.
Der er også forsket i andre produkter. Data opnået på spidsbelastningsdage med fødevareforbrug giver os mulighed for mere præcist at forudsige efterspørgsel i fremtiden, idet der tages højde for begivenhedsfaktorer. En nøjagtig prognose gør det muligt at forudse kundernes forventninger.
Under testen brugte X5 Retail Group to metoder:
Bayesianske strukturelle tidsseriemodeller med kumulativ forskelsberegning;
Regressionsanalyse med vurdering af skiftet i fejlfordelingen før og under mesterskabet.
Hvad bruger detailhandlen ellers fra Big Data?
- Der er en hel del metoder og teknologier, fra hvad man umiddelbart kan navngive, er disse:
- Efterspørgselsprognose;
- Optimering af sortimentsmatrixen;
- Computersyn for at identificere hulrum på hylder og registrere en kødannelse;
- Promo prognose.
Mangel på specialister
Efterspørgslen efter Big Data-eksperter vokser konstant. I 2018 er antallet af ledige stillinger relateret til big data således steget 7 gange i forhold til 2015. I første halvdel af 2019 oversteg efterspørgslen efter specialister 65 % af efterspørgslen for hele 2018.
Store virksomheder har især brug for Big Data-analytikeres tjenester. For eksempel er de på Mail.ru Group nødvendige i ethvert projekt, hvor tekstdata, multimedieindhold behandles, talesyntese og analyse udføres (dette er først og fremmest cloud-tjenester, sociale netværk, spil osv.). Antallet af ledige stillinger i virksomheden er tredoblet i løbet af de seneste to år. I de første otte måneder af dette år hyrede Mail.ru det samme antal Big Data-specialister som i hele sidste år. Hos Ozon er Data Science-afdelingen tredoblet i løbet af de seneste to år. Situationen er den samme hos Megafon – teamet, der analyserer data, er vokset flere gange i løbet af de seneste 2,5 år.
Uden tvivl vil efterspørgslen efter repræsentanter for specialiteter relateret til Big Data i fremtiden vokse endnu mere. Så hvis du har en interesse i dette område, bør du prøve dig frem.
Kilde: www.habr.com