As tecnoloxías de Big Data utilízanse agora en todas partes: na industria, na medicina, na empresa e no entretemento. Así, sen analizar o big data, as grandes venda polo miúdo non poderán operar con normalidade, as vendas en Amazon caerán e os meteorólogos non poderán prever o tempo con moitos días, semanas e meses de antelación. É lóxico que os especialistas en big data teñan agora unha gran demanda, e a demanda está en constante crecemento.
GeekBrains forma representantes deste campo, tratando de achegar aos estudantes tanto coñecementos teóricos como docencia mediante exemplos, para o que están implicados expertos experimentados. Este ano Analistas de Big Data da universidade en liña GeekUniversity e da maior venda polo miúdo da Federación Rusa, X5 Retail Group, convertéronse en socios. Os especialistas da empresa, con amplos coñecementos e experiencia, axudaron a crear un curso de marca, no que os estudantes reciben tanto formación teórica como experiencia práctica durante o curso de formación.
Falamos con Valery Babushkin, director de modelado e análise de datos de X5 Retail Group. El é un dos científicos de datos no mundo (30º no ranking global de especialistas en aprendizaxe automática). Xunto con outros profesores, Valery fala aos estudantes de GeekBrains sobre as probas A/B, as estatísticas matemáticas nas que se basean estes métodos, así como as prácticas modernas de cálculo e as funcións de implementación de probas A/B na venda polo miúdo sen conexión.
Por que necesitamos probas A/B?
Este é un dos mellores métodos para atopar as mellores formas de mellorar as conversións, a economía e os factores de comportamento. Hai outros métodos, pero son máis caros e complexos. As principais vantaxes das probas A/B son o seu prezo relativamente baixo e a súa dispoñibilidade para empresas de calquera tamaño.
Sobre as probas A/B, podemos dicir que esta é unha das formas máis importantes de buscar e tomar decisións nos negocios, decisións das que depende tanto o beneficio como o desenvolvemento de diversos produtos de calquera empresa. As probas permiten tomar decisións baseadas non só en teorías e hipóteses, senón tamén no coñecemento práctico de como cambios específicos modifican as interaccións dos clientes coa rede.
É importante lembrar que no comercio polo miúdo cómpre probar todo: campañas de mercadotecnia, envíos por SMS, probas dos propios envíos, a colocación dos produtos nos andeis e os propios estantes nas áreas de venda. Se falamos dunha tenda en liña, aquí podes probar a disposición dos elementos, o deseño, as inscricións e os textos.
As probas A/B son unha ferramenta que axuda a unha empresa, por exemplo, un comerciante polo miúdo, a ser sempre competitiva, a detectar os cambios no tempo e a cambiarse por si mesma. Isto permite que o negocio sexa o máis eficiente posible, maximizando os beneficios.
Cales son os matices destes métodos?
O principal é que debe haber un obxectivo ou problema no que se basearán as probas. Por exemplo, o problema é un pequeno número de clientes nun punto de venda ou tenda en liña. O obxectivo é aumentar a afluencia de clientes. Hipótese: se as fichas de produtos nunha tenda en liña fanse máis grandes e as fotografías son máis brillantes, haberá máis compras. A continuación, realízase unha proba A/B, cuxo resultado é unha valoración dos cambios. Despois de recibir os resultados de todas as probas, pode comezar a formular un plan de acción para cambiar o sitio.
Non se recomenda realizar probas con procesos superpostos, se non, os resultados serán máis difíciles de avaliar. Recoméndase realizar probas sobre os obxectivos prioritarios e formular hipóteses en primeiro lugar.
A proba debe durar o suficiente para que os resultados se consideren fiables. Canto depende exactamente, por suposto, da propia proba. Así, na véspera de Ano Novo aumenta o tráfico da maioría das tendas en liña. Se o deseño da tenda en liña cambiou antes, unha proba a curto prazo mostrará que todo está ben, que os cambios son exitosos e que o tráfico está crecendo. Pero non, non importa o que fagas antes das vacacións, o tráfico aumentará, a proba non se pode completar antes do ano ou inmediatamente despois, debe ser o suficientemente longa para identificar todas as correlacións.
A importancia da conexión correcta entre o obxectivo e o indicador que se mide. Por exemplo, ao cambiar o deseño da mesma páxina web da tenda en liña, a empresa ve un aumento no número de visitantes ou clientes e está satisfeita con isto. Pero, de feito, o tamaño medio do cheque pode ser máis pequeno do habitual, polo que os teus ingresos xerais serán aínda máis baixos. Isto, por suposto, non se pode chamar un resultado positivo. O problema é que a empresa non comprobou simultaneamente a relación entre un aumento de visitantes, un aumento do número de compras e a dinámica do tamaño do cheque medio.
As probas son só para tendas en liña?
De ningunha maneira. Un método popular na venda polo miúdo fóra de liña é a implementación dunha canalización completa para probar hipóteses fóra de liña. Trátase da construción dun proceso no que se reducen os riscos de selección incorrecta de grupos para o experimento, se selecciona a relación óptima entre o número de tendas, o tempo piloto e o tamaño do efecto estimado. Tamén é a reutilización e mellora continua das metodoloxías de análise post-efectos. O método é necesario para reducir a probabilidade de erros de aceptación falsos e efectos perdidos, así como para aumentar a sensibilidade, porque ata un pequeno efecto na escala dunha gran empresa é de gran importancia. Polo tanto, ten que ser capaz de identificar ata os cambios máis débiles e minimizar os riscos, incluíndo conclusións incorrectas sobre os resultados do experimento.
Retail, Big Data e casos reais
O ano pasado, os expertos do X5 Retail Group avaliaron a dinámica dos volumes de vendas dos produtos máis populares entre os fans da Copa do Mundo de 2018. Non houbo sorpresas, pero as estatísticas aínda resultaron interesantes.
Así, a auga resultou ser o "primeiro máis vendido". Nas cidades que acolleron o Mundial, as vendas de auga aumentaron aproximadamente un 1%; a líder foi Sochi, onde a facturación aumentou un 46%. Os días de partido, a cifra máxima rexistrouse en Saransk - aquí as vendas aumentaron un 87% en comparación cos días normais.
Ademais da auga, os afeccionados compraron cervexa. Do 14 de xuño ao 15 de xullo, nas cidades onde tiveron lugar os partidos, a facturación de cervexa aumentou de media un 31,8%. Sochi tamén se converteu no líder: aquí comprouse a cervexa un 64% máis activamente. Pero en San Petersburgo o crecemento foi pequeno: só o 5,6%. Os días de partido en Saransk, as vendas de cervexa aumentaron un 128%.
Tamén se realizou investigacións noutros produtos. Os datos obtidos nos días pico de consumo de alimentos permítennos prever con maior precisión a demanda no futuro, tendo en conta factores do evento. Unha previsión precisa permite anticipar as expectativas dos clientes.
Durante as probas, X5 Retail Group utilizou dous métodos:
Modelos de series temporais estruturais bayesianas con estimación de diferenzas acumuladas;
Análise de regresión con valoración do cambio na distribución de erros antes e durante o campionato.
Que máis usa a venda polo miúdo de Big Data?
- Hai bastantes métodos e tecnoloxías, a partir do que se pode chamar de xeito casual, estes son:
- Previsión de demanda;
- Optimización da matriz de surtidos;
- Visión por ordenador para identificar baleiros nos andeis e detectar a formación de filas;
- Previsión de promoción.
Falta de especialistas
A demanda de expertos en Big Data está en constante crecemento. Así, en 2018 o número de prazas relacionadas co big data aumentou 7 veces con respecto a 2015. No primeiro semestre de 2019, a demanda de especialistas superou o 65% da demanda en todo o 2018.
As grandes empresas necesitan especialmente os servizos de analistas de Big Data. Por exemplo, en Mail.ru Group son necesarios en calquera proxecto onde se procesan datos de texto, contido multimedia, se realice a síntese e análise de voz (isto é, en primeiro lugar, servizos na nube, redes sociais, xogos, etc.). O número de vacantes na empresa triplicouse nos últimos dous anos. Nos oito primeiros meses deste ano, Mail.ru contratou o mesmo número de especialistas en Big Data que en todo o ano pasado. En Ozon, o departamento de Ciencia de Datos triplicouse nos últimos dous anos. A situación é similar en Megafon: o equipo que analiza os datos creceu varias veces nos últimos 2,5 anos.
Sen dúbida, no futuro a demanda de representantes das especialidades relacionadas co Big Data crecerá aínda máis. Entón, se tes interese nesta área, deberías probar.
Fonte: www.habr.com