فناوری‌های کلان داده اکنون در همه جا - در صنعت، پزشکی، تجارت و سرگرمی استفاده می‌شوند. بنابراین، بدون تجزیه و تحلیل کلان داده ها، خرده فروشان بزرگ نمی توانند به طور عادی فعالیت کنند، فروش در آمازون کاهش می یابد و هواشناسان نمی توانند آب و هوا را برای چندین روز، هفته و ماه قبل پیش بینی کنند. منطقی است که متخصصان کلان داده اکنون تقاضای زیادی دارند و تقاضا دائماً در حال افزایش است.
GeekBrains نمایندگان این رشته را آموزش می دهد و سعی می کند دانش تئوری و آموزش را با مثال هایی در اختیار دانش آموزان قرار دهد که کارشناسان مجربی در این زمینه مشارکت دارند. امسال تحلیلگران Big Data از دانشگاه آنلاین GeekUniversity و بزرگترین خرده‌فروش در فدراسیون روسیه، X5 Retail Group، شریک شده‌اند. متخصصان این شرکت با داشتن دانش و تجربه گسترده به ایجاد دوره ای با نام تجاری کمک کردند که در آن دانش آموزان در طول دوره آموزشی هم آموزش تئوری و هم تجربه عملی را دریافت می کنند.
ما با والری بابوشکین، مدیر مدل سازی و تحلیل داده ها در گروه خرده فروشی X5 صحبت کردیم. او یکی از دانشمندان داده در جهان (سی ام در رتبه بندی جهانی متخصصان یادگیری ماشین). والری همراه با سایر معلمان به دانش آموزان GeekBrains در مورد تست A/B، آمار ریاضی که این روش ها بر اساس آن ها است، و همچنین روش های مدرن برای محاسبات و ویژگی های اجرای تست A/B در خرده فروشی آفلاین، می گوید.
اصلا چرا به تست A/B نیاز داریم؟
این یکی از بهترین روش‌ها برای یافتن بهترین راه‌ها برای بهبود تبدیل‌ها، عوامل اقتصادی و رفتاری است. روش های دیگری نیز وجود دارد، اما گران تر و پیچیده تر هستند. مزیت اصلی تست های A/B قیمت نسبتا پایین و در دسترس بودن آنها برای مشاغل با هر اندازه ای است.
در مورد تست های A/B می توان گفت که این یکی از مهم ترین راه های جستجو و تصمیم گیری در کسب و کار است، تصمیماتی که هم سود و هم توسعه محصولات مختلف هر شرکتی به آن بستگی دارد. آزمایش‌ها تصمیم‌گیری را نه تنها بر اساس نظریه‌ها و فرضیه‌ها، بلکه بر اساس دانش عملی در مورد اینکه چگونه تغییرات خاص تعاملات مشتری با شبکه را اصلاح می‌کنند، ممکن می‌سازد.
مهم است که به یاد داشته باشید که در خرده فروشی باید همه چیز را آزمایش کنید - کمپین های بازاریابی، پست های پیامکی، آزمایش های خود پست ها، قرار دادن محصولات در قفسه ها و خود قفسه ها در مناطق فروش. اگر در مورد یک فروشگاه آنلاین صحبت می کنیم، در اینجا می توانید ترتیب عناصر، طراحی، کتیبه ها و متون را آزمایش کنید.
تست های A/B ابزاری هستند که به یک شرکت، به عنوان مثال، یک خرده فروش کمک می کند تا همیشه رقابتی باشد، تغییرات در زمان را حس کند و خودش تغییر کند. این به کسب و کار اجازه می دهد تا حد ممکن کارآمد باشد و سود را به حداکثر برساند.
تفاوت های ظریف این روش ها چیست؟
نکته اصلی این است که باید هدف یا مشکلی وجود داشته باشد که آزمایش بر اساس آن انجام شود. به عنوان مثال، مشکل تعداد کمی از مشتریان در یک فروشگاه خرده فروشی یا فروشگاه آنلاین است. هدف افزایش هجوم مشتریان است. فرضیه: اگر کارت‌های محصول در یک فروشگاه آنلاین بزرگ‌تر شده و عکس‌ها روشن‌تر باشند، خریدهای بیشتری وجود خواهد داشت. سپس یک تست A/B انجام می شود که نتیجه آن ارزیابی تغییرات است. پس از دریافت نتایج تمام آزمایشات، می توانید شروع به تدوین یک برنامه اقدام برای تغییر سایت کنید.
انجام آزمایش هایی با فرآیندهای همپوشانی توصیه نمی شود، در غیر این صورت ارزیابی نتایج دشوارتر خواهد بود. توصیه می شود ابتدا آزمون هایی را بر روی اهداف با اولویت و فرضیه های تدوین شده انجام دهید.
آزمایش باید به اندازه کافی طول بکشد تا نتایج قابل اعتماد در نظر گرفته شود. البته چقدر به خود آزمون بستگی دارد. بنابراین، در شب سال نو، ترافیک اکثر فروشگاه های آنلاین افزایش می یابد. اگر طراحی فروشگاه آنلاین قبلا تغییر کرده باشد، یک آزمایش کوتاه مدت نشان می دهد که همه چیز خوب است، تغییرات موفقیت آمیز بوده و ترافیک در حال افزایش است. اما نه، مهم نیست که قبل از تعطیلات چه کاری انجام دهید، ترافیک افزایش می یابد، آزمایش را نمی توان قبل از سال نو یا بلافاصله بعد از آن کامل کرد، باید به اندازه کافی طولانی باشد تا همه همبستگی ها مشخص شود.
اهمیت ارتباط صحیح بین هدف و شاخص مورد سنجش. به عنوان مثال با تغییر طراحی همان وب سایت فروشگاه اینترنتی، این شرکت شاهد افزایش تعداد بازدیدکنندگان یا مشتریان خود بوده و از این امر راضی است. اما در واقع، متوسط اندازه چک ممکن است کوچکتر از حد معمول باشد، بنابراین درآمد کلی شما حتی کمتر خواهد بود. البته این را نمی توان نتیجه مثبت نامید. مشکل این است که شرکت به طور همزمان رابطه بین افزایش بازدیدکنندگان، افزایش تعداد خریدها و پویایی اندازه چک متوسط را بررسی نکرده است.
آیا تست فقط برای فروشگاه های اینترنتی است؟
اصلا. یک روش محبوب در خرده فروشی آفلاین، اجرای یک خط لوله کامل برای آزمایش فرضیه ها به صورت آفلاین است. این ساخت فرآیندی است که در آن خطرات انتخاب نادرست گروه‌ها برای آزمایش کاهش می‌یابد، نسبت بهینه تعداد فروشگاه‌ها، زمان آزمایشی و اندازه اثر برآورد شده انتخاب می‌شود. همچنین استفاده مجدد و بهبود مستمر روش‌های تحلیل پسافکت است. این روش برای کاهش احتمال خطاهای پذیرش نادرست و اثرات از دست رفته و همچنین برای افزایش حساسیت مورد نیاز است، زیرا حتی یک تأثیر کوچک در مقیاس یک تجارت بزرگ از اهمیت بالایی برخوردار است. بنابراین، شما باید بتوانید حتی ضعیف ترین تغییرات را شناسایی کنید و خطرات، از جمله نتیجه گیری نادرست در مورد نتایج آزمایش را به حداقل برسانید.
خرده فروشی، داده های بزرگ و موارد واقعی
سال گذشته، کارشناسان گروه خرده فروشی X5 پویایی حجم فروش محبوب ترین محصولات را در بین طرفداران جام جهانی 2018 ارزیابی کردند. هیچ شگفتی وجود نداشت، اما آمار همچنان جالب بود.
بنابراین، آب به عنوان «پرفروش‌ترین پرفروش‌ترین» تبدیل شد. در شهرهایی که میزبان جام جهانی بودند، فروش آب تقریباً 1 درصد افزایش یافت؛ سوچی پیشتاز بود که گردش مالی در آن 46 درصد افزایش یافت. در روزهای بازی، حداکثر رقم در سارانسک ثبت شد - در اینجا فروش 87٪ نسبت به روزهای عادی افزایش یافت.
علاوه بر آب، طرفداران آبجو خریدند. از 14 ژوئن تا 15 جولای، در شهرهایی که مسابقات برگزار شد، گردش مالی آبجو به طور متوسط 31,8٪ افزایش یافت. سوچی همچنین رهبر شد - آبجو در اینجا 64٪ فعالتر خریداری شد. اما در سن پترزبورگ رشد اندک بود - فقط 5,6٪. در روزهای بازی در سارانسک، فروش آبجو 128٪ افزایش یافت.
تحقیقات روی محصولات دیگر نیز انجام شده است. داده های به دست آمده در روزهای اوج مصرف مواد غذایی به ما امکان می دهد تا با در نظر گرفتن عوامل رویداد، تقاضا را در آینده با دقت بیشتری پیش بینی کنیم. یک پیش‌بینی دقیق، پیش‌بینی انتظارات مشتری را ممکن می‌سازد.
در طول آزمایش، گروه خرده فروشی X5 از دو روش استفاده کرد:
مدل‌های سری زمانی ساختاری بیزی با تخمین اختلاف تجمعی.
تحلیل رگرسیون با ارزیابی تغییر در توزیع خطا قبل و در طول مسابقات قهرمانی.
خرده فروشی چه چیز دیگری از Big Data استفاده می کند؟
- روش‌ها و فناوری‌های بسیار زیادی وجود دارد که از آن‌چه می‌توان نامشخص نام برد، عبارتند از:
- پیش بینی تقاضا؛
- بهینه سازی ماتریس مجموعه؛
- بینایی کامپیوتری برای شناسایی فضاهای خالی در قفسه ها و تشخیص تشکیل صف.
- پیش بینی تبلیغاتی
کمبود متخصص
تقاضا برای کارشناسان Big Data به طور مداوم در حال افزایش است. به این ترتیب در سال 2018 تعداد مشاغل خالی مربوط به کلان داده ها نسبت به سال 7 2015 برابر شده است. در نیمه اول سال 2019، تقاضا برای متخصصان از 65 درصد تقاضا برای کل سال 2018 فراتر رفت.
شرکت های بزرگ به ویژه به خدمات تحلیلگران Big Data نیاز دارند. به عنوان مثال، در گروه Mail.ru آنها در هر پروژه ای که داده های متنی، محتوای چند رسانه ای پردازش می شود، سنتز گفتار و تجزیه و تحلیل انجام می شود (این اول از همه خدمات ابری، شبکه های اجتماعی، بازی ها و غیره است) مورد نیاز است. تعداد مشاغل خالی در این شرکت طی دو سال گذشته سه برابر شده است. در هشت ماه اول سال جاری، Mail.ru همان تعداد متخصص Big Data را استخدام کرد که کل سال گذشته بود. در Ozon، بخش علوم داده طی دو سال گذشته سه برابر رشد کرده است. وضعیت در مگافون نیز مشابه است - تیمی که داده ها را تجزیه و تحلیل می کند در 2,5 سال گذشته چندین بار رشد کرده است.
بدون شک، در آینده تقاضا برای نمایندگان تخصص های مرتبط با داده های بزرگ حتی بیشتر خواهد شد. بنابراین اگر به این حوزه علاقه دارید، باید دست خود را امتحان کنید.
منبع: www.habr.com