فناوریهای کلانداده اکنون در همه جا - در صنعت، پزشکی، تجارت و سرگرمی - مورد استفاده قرار میگیرند. بدون تجزیه و تحلیل کلانداده، خردهفروشان بزرگ قادر به عملکرد صحیح نخواهند بود، فروش آمازون کاهش مییابد و هواشناسان قادر به پیشبینی آب و هوا در روزها، هفتهها و ماههای آینده نخواهند بود. منطقی است که متخصصان کلانداده تقاضای زیادی دارند و تقاضا به طور پیوسته در حال افزایش است.
GeekBrains متخصصانی را در این زمینه آموزش میدهد و با استفاده از متخصصان باتجربه، هم دانش نظری و هم تجربه عملی را در اختیار دانشجویان قرار میدهد. امسال تحلیلگران کلان داده از دانشگاه آنلاین GeekUniversity و گروه خردهفروشی X5، بزرگترین خردهفروش روسیه، با هم همکاری کردهاند. متخصصان این شرکت، با دانش و تجربه گسترده خود، به ایجاد یک دوره آموزشی برندسازی شده کمک کردند که هم آموزش نظری و هم تجربه عملی را در اختیار دانشجویان قرار میدهد.
ما با والری بابوشکین، مدیر مدلسازی و تحلیل دادهها در گروه خردهفروشی X5، صحبت کردیم. او یکی از... دانشمندان داده در سراسر جهان (رتبه 30 جهان در یادگیری ماشین). والری به همراه سایر مربیان، به دانشجویان GeekBrains در مورد تست A/B، آمار ریاضی زیربنایی این روشها، و همچنین شیوههای محاسبه مدرن و جزئیات اجرای تست A/B در خردهفروشی آفلاین آموزش میدهد.
اصلاً چرا به تست A/B نیاز داریم؟
این یکی از بهترین روشها برای یافتن راههای بهینه برای بهبود نرخ تبدیل، شاخصهای اقتصادی و عوامل رفتاری است. روشهای دیگری نیز وجود دارند، اما گرانتر و پیچیدهتر هستند. مزایای اصلی تست A/B هزینه نسبتاً پایین و دسترسی آسان آن برای مشاغل با هر اندازهای است.
تست A/B یکی از مهمترین روشها برای یافتن و تصمیمگیری در کسبوکار است - تصمیماتی که هم بر سود و هم بر توسعه محصولات مختلف هر شرکتی تأثیر میگذارند. تست اجازه میدهد تا تصمیمات نه تنها بر اساس نظریهها و فرضیهها، بلکه بر اساس دانش عملی از چگونگی تغییر تعاملات مشتری با شبکه توسط تغییرات خاص نیز گرفته شوند.
مهم است به یاد داشته باشید که در خرده فروشی، همه چیز باید آزمایش شود - کمپینهای بازاریابی، پیامهای SMS، آزمایش خود پیامرسانی، قرارگیری محصول در قفسهها و خود قفسهها در منطقه فروش. وقتی صحبت از فروشگاههای آنلاین میشود، میتوانید چیدمان عناصر، طراحی، متن و متن را آزمایش کنید.
تست A/B ابزاری است که به یک شرکت، مانند یک خردهفروش، کمک میکند تا در رقابت باقی بماند، تغییرات را به سرعت تشخیص دهد و متناسب با آن سازگار شود. این امر به کسبوکار اجازه میدهد تا حد امکان کارآمد باشد و سود را به حداکثر برساند.
ظرافتهای این روشها چیست؟
نکته کلیدی این است که یک هدف یا مشکل داشته باشید که به عنوان مبنایی برای آزمایش عمل کند. به عنوان مثال، مشکل ممکن است ترافیک کم مشتری در یک فروشگاه فیزیکی یا آنلاین باشد. هدف افزایش ترافیک مشتری است. فرضیه این است که اگر کارتهای محصول در فروشگاه آنلاین بزرگتر و عکسها روشنتر شوند، خریدهای بیشتری انجام خواهد شد. در مرحله بعد، یک آزمایش A/B انجام میشود که نتایج آن برای ارزیابی تغییرات استفاده میشود. پس از مشخص شدن نتایج همه آزمایشها، میتوان یک برنامه عملی برای اصلاحات وبسایت تدوین کرد.
انجام آزمایشهایی با فرآیندهای همپوشانی توصیه نمیشود، زیرا این امر ارزیابی نتایج را دشوارتر میکند. توصیه میشود ابتدا آزمایشهایی روی اهداف با بالاترین اولویت و فرضیههای بیان شده انجام شود.
این آزمایش باید به اندازه کافی طولانی باشد تا نتایج آن قابل اعتماد تلقی شوند. البته اینکه دقیقاً چه مدت طول میکشد، به خود آزمایش بستگی دارد. به عنوان مثال، در شب سال نو، ترافیک اکثر فروشگاههای آنلاین افزایش مییابد. اگر طراحی فروشگاه آنلاین از قبل تغییر کرده باشد، یک آزمایش کوتاه مدت نشان میدهد که همه چیز خوب است، تغییرات موفقیتآمیز بودهاند و ترافیک در حال افزایش است. اما مهم نیست قبل از تعطیلات چه کاری انجام میدهید، ترافیک افزایش خواهد یافت. آزمایش نباید قبل یا بلافاصله بعد از سال نو انجام شود؛ باید به اندازه کافی طولانی باشد تا همه همبستگیها را شناسایی کند.
اهمیت ارتباط واضح بین هدف و معیار مورد سنجش. به عنوان مثال، پس از طراحی مجدد وبسایت یک فروشگاه آنلاین، یک شرکت ممکن است شاهد افزایش بازدیدکنندگان یا مشتریان باشد و از نتیجه راضی باشد. با این حال، در واقعیت، میانگین ارزش سفارش ممکن است کمتر از حد معمول باشد و در نتیجه درآمد کلی حتی کمتر شود. البته، این را نمیتوان نتیجه مثبتی در نظر گرفت. مشکل این است که شرکت به طور همزمان رابطه بین افزایش بازدیدکنندگان، افزایش خرید و میانگین ارزش سفارش را اندازهگیری نکرده است.
آیا تست فقط برای فروشگاههای آنلاین است؟
اصلاً اینطور نیست. یک روش محبوب در خردهفروشی آفلاین، پیادهسازی یک خط لوله کامل برای آزمایش فرضیهها به صورت آفلاین است. این فرآیندی است که خطر انتخاب نادرست گروهها برای یک آزمایش را کاهش میدهد و تعادل بهینه بین تعداد فروشگاهها، زمان آزمایش و اندازه اثر مورد ارزیابی را پیدا میکند. همچنین شامل استفاده مجدد و بهبود مداوم روشهای پس از تجزیه و تحلیل برای اثرات است. این روش برای کاهش احتمال مثبت کاذب و اثرات از دست رفته و همچنین افزایش حساسیت ضروری است، زیرا حتی یک اثر کوچک میتواند در مقیاس یک کسبوکار بزرگ بسیار قابل توجه باشد. بنابراین، ضروری است که بتوانیم حتی کوچکترین تغییرات را شناسایی کنیم و خطرات، از جمله نتیجهگیریهای نادرست در مورد نتایج آزمایش را به حداقل برسانیم.
مطالعات موردی خردهفروشی، کلانداده و دنیای واقعی
سال گذشته، متخصصان گروه خردهفروشی X5 روند فروش محبوبترین محصولات در بین طرفداران جام جهانی ۲۰۱۸ را ارزیابی کردند. اگرچه هیچ شگفتی وجود نداشت، اما آمارها جالب بودند.
برای مثال، آب به عنوان «پرفروشترین کتاب شماره یک» ظاهر شد. در شهرهای میزبان جام جهانی، فروش آب تقریباً ۴۶ درصد افزایش یافت و سوچی با ۸۷ درصد افزایش فروش، در صدر این فهرست قرار گرفت. در روزهای مسابقه، بیشترین فروش در سارانسک ثبت شد که در مقایسه با روزهای عادی، فروش ۱۶۰ درصد افزایش یافت.
علاوه بر آب، هواداران آبجو نیز خریدند. از ۱۴ ژوئن تا ۱۵ ژوئیه، فروش آبجو در شهرهای میزبان مسابقات به طور متوسط ۳۱.۸ درصد افزایش یافت. سوچی نیز با افزایش ۶۴ درصدی فروش آبجو در آنجا، پیشتاز بود. با این حال، در سن پترزبورگ، این افزایش ناچیز بود - فقط ۵.۶ درصد. در روزهای مسابقه، فروش آبجو در سارانسک نیز ۱۲۸ درصد افزایش یافت.
تحقیقات روی سایر محصولات نیز انجام شد. دادههای بهدستآمده در روزهای اوج مصرف، با در نظر گرفتن عوامل رویداد، امکان پیشبینی دقیقتر تقاضا در آینده را فراهم میکند. یک پیشبینی دقیق، پیشبینی انتظارات مصرفکننده را ممکن میسازد.
در طول آزمایش، گروه خرده فروشی X5 از دو روش استفاده کرد:
مدلهای سری زمانی ساختاری بیزی با تخمین تفاضل تجمعی؛
تحلیل رگرسیون با ارزیابی سوگیری توزیع خطا قبل و در طول مسابقات قهرمانی.
خرده فروشی چه استفاده های دیگری از کلان داده دارد؟
- روشها و فناوریهای زیادی وجود دارد، اما به طور خلاصه، در اینجا چند مورد از آنها را ذکر میکنم:
- پیشبینی تقاضا؛
- بهینهسازی ماتریس محدوده محصول؛
- بینایی کامپیوتر برای شناسایی قفسههای خالی و تشخیص صفهای تشکیلشده؛
- پیش بینی تبلیغاتی
کمبود متخصص
تقاضا برای متخصصان کلانداده دائماً در حال افزایش است. در سال ۲۰۱۸، تعداد فرصتهای شغلی مرتبط با کلانداده در مقایسه با سال ۲۰۱۵، هفت برابر افزایش یافت. در نیمه اول سال ۲۰۱۹، تقاضا برای متخصصان از ۶۵ درصد تقاضا برای کل سال ۲۰۱۸ فراتر رفت.
شرکتهای بزرگ به طور خاص به تحلیلگران کلانداده نیاز دارند. به عنوان مثال، در گروه Mail.ru، آنها برای هر پروژهای که دادههای متنی، محتوای چندرسانهای و ترکیب و تحلیل گفتار (عمدتاً سرویسهای ابری، شبکههای اجتماعی، بازیها و غیره) را پردازش میکند، مورد نیاز هستند. تعداد موقعیتهای شغلی خالی این شرکت در طول دو سال گذشته سه برابر شده است. در هشت ماه اول امسال، Mail.ru به اندازه کل سال گذشته متخصص کلانداده استخدام کرده است. در Ozon، بخش علوم داده در طول دو سال گذشته سه برابر شده است. Megafon نیز وضعیت مشابهی را تجربه میکند: تیم مسئول تحلیل دادهها در طول دو سال و نیم گذشته چندین برابر شده است.
شکی نیست که تقاضا برای متخصصان کلان داده در آینده حتی بیشتر هم خواهد شد. بنابراین اگر به این زمینه علاقه دارید، ارزشش را دارد که امتحانش کنید.
منبع: www.habr.com
