A/B પરીક્ષણ, પાઇપલાઇન અને છૂટક: GeekBrains અને X5 રિટેલ જૂથના મોટા ડેટા માટે બ્રાન્ડેડ ક્વાર્ટર

બિગ ડેટા ટેકનોલોજીનો ઉપયોગ હવે દરેક જગ્યાએ થાય છે - ઉદ્યોગ, દવા, વ્યવસાય અને મનોરંજનમાં. આમ, મોટા ડેટાનું વિશ્લેષણ કર્યા વિના, મોટા રિટેલર્સ સામાન્ય રીતે કામ કરી શકશે નહીં, એમેઝોન પર વેચાણ ઘટશે અને હવામાનશાસ્ત્રીઓ ઘણા દિવસો, અઠવાડિયા અને મહિનાઓ અગાઉથી હવામાનની આગાહી કરી શકશે નહીં. તે તાર્કિક છે કે મોટા ડેટા નિષ્ણાતોની હવે ખૂબ માંગ છે, અને માંગ સતત વધી રહી છે.

GeekBrains આ ક્ષેત્રના પ્રતિનિધિઓને તાલીમ આપે છે, વિદ્યાર્થીઓને સૈદ્ધાંતિક જ્ઞાન અને ઉદાહરણો દ્વારા શિક્ષણ બંને પ્રદાન કરવાનો પ્રયાસ કરે છે, જેમાં અનુભવી નિષ્ણાતો સામેલ છે. આ વર્ષ ફેકલ્ટી ઑનલાઇન યુનિવર્સિટી GeekUniversity ના બિગ ડેટા વિશ્લેષકો અને રશિયન ફેડરેશનના સૌથી મોટા રિટેલર, X5 રિટેલ ગ્રુપ, ભાગીદાર બન્યા છે. કંપનીના નિષ્ણાતો, વ્યાપક જ્ઞાન અને અનુભવ ધરાવતા, બ્રાન્ડેડ કોર્સ બનાવવામાં મદદ કરી, જેમાં વિદ્યાર્થીઓ તાલીમ દરમિયાન સૈદ્ધાંતિક તાલીમ અને વ્યવહારુ અનુભવ બંને મેળવે છે.

અમે X5 રિટેલ ગ્રૂપમાં મોડેલિંગ અને ડેટા વિશ્લેષણના ડિરેક્ટર, વેલેરી બાબુશકીન સાથે વાત કરી. તેમણે એક છે શ્રેષ્ઠ વિશ્વના ડેટા વૈજ્ઞાનિકો (મશીન લર્નિંગ નિષ્ણાતોની વૈશ્વિક રેન્કિંગમાં 30મું). અન્ય શિક્ષકો સાથે મળીને, વેલેરી ગીકબ્રેન્સના વિદ્યાર્થીઓને A/B પરીક્ષણ, ગાણિતિક આંકડા કે જેના પર આ પદ્ધતિઓ આધારિત છે, તેમજ ઑફલાઇન રિટેલમાં A/B પરીક્ષણના અમલીકરણની ગણતરીઓ અને વિશેષતાઓ માટેની આધુનિક પદ્ધતિઓ વિશે જણાવે છે.

શા માટે આપણને A/B ટેસ્ટની જરૂર છે?

રૂપાંતરણ, અર્થશાસ્ત્ર અને વર્તણૂકના પરિબળોને સુધારવાની શ્રેષ્ઠ રીતો શોધવા માટેની આ એક શ્રેષ્ઠ પદ્ધતિ છે. ત્યાં અન્ય પદ્ધતિઓ છે, પરંતુ તે વધુ ખર્ચાળ અને જટિલ છે. A/B પરીક્ષણોના મુખ્ય ફાયદાઓ તેમની પ્રમાણમાં ઓછી કિંમત અને કોઈપણ કદના વ્યવસાયો માટે ઉપલબ્ધતા છે.

A/B પરીક્ષણો વિશે, અમે કહી શકીએ કે આ વ્યવસાયમાં શોધવા અને નિર્ણયો લેવાની સૌથી મહત્વપૂર્ણ રીતોમાંની એક છે, નિર્ણયો જેના પર નફો અને કોઈપણ કંપનીના વિવિધ ઉત્પાદનોનો વિકાસ બંને આધાર રાખે છે. પરીક્ષણો માત્ર સિદ્ધાંતો અને પૂર્વધારણાઓના આધારે નિર્ણય લેવાનું શક્ય બનાવે છે, પરંતુ ચોક્કસ ફેરફારો નેટવર્ક સાથે ગ્રાહકની ક્રિયાપ્રતિક્રિયાઓને કેવી રીતે સંશોધિત કરે છે તેના વ્યવહારિક જ્ઞાનના આધારે પણ.

તે યાદ રાખવું અગત્યનું છે કે રિટેલમાં તમારે દરેક વસ્તુનું પરીક્ષણ કરવાની જરૂર છે - માર્કેટિંગ ઝુંબેશ, એસએમએસ મેઇલિંગ્સ, મેઇલિંગ્સના પરીક્ષણો, છાજલીઓ પર ઉત્પાદનોની પ્લેસમેન્ટ અને વેચાણ વિસ્તારોમાં છાજલીઓ. જો આપણે ઑનલાઇન સ્ટોર વિશે વાત કરીએ, તો અહીં તમે તત્વો, ડિઝાઇન, શિલાલેખો અને ગ્રંથોની ગોઠવણીનું પરીક્ષણ કરી શકો છો.

A/B પરીક્ષણો એ એક સાધન છે જે કંપનીને મદદ કરે છે, ઉદાહરણ તરીકે, રિટેલરને હંમેશા સ્પર્ધાત્મક રહેવા, સમયના ફેરફારોને સમજવામાં અને પોતાને બદલવામાં. આ વ્યવસાયને શક્ય તેટલું કાર્યક્ષમ બનવાની મંજૂરી આપે છે, મહત્તમ નફો મેળવી શકે છે.

આ પદ્ધતિઓની ઘોંઘાટ શું છે?

મુખ્ય વસ્તુ એ છે કે ત્યાં કોઈ ધ્યેય અથવા સમસ્યા હોવી જોઈએ કે જેના પર પરીક્ષણ આધારિત હશે. ઉદાહરણ તરીકે, સમસ્યા એ રિટેલ આઉટલેટ અથવા ઓનલાઈન સ્ટોર પર ઓછી સંખ્યામાં ગ્રાહકો છે. ધ્યેય ગ્રાહકોનો ધસારો વધારવાનો છે. પૂર્વધારણા: જો ઓનલાઈન સ્ટોરમાં પ્રોડક્ટ કાર્ડ્સ મોટા બનાવવામાં આવે અને ફોટોગ્રાફ્સ વધુ તેજસ્વી હોય, તો ત્યાં વધુ ખરીદી થશે. આગળ, A/B પરીક્ષણ હાથ ધરવામાં આવે છે, જેનું પરિણામ ફેરફારોનું મૂલ્યાંકન છે. બધા પરીક્ષણોના પરિણામો પ્રાપ્ત થયા પછી, તમે સાઇટ બદલવા માટે એક ક્રિયા યોજના ઘડવાનું શરૂ કરી શકો છો.

ઓવરલેપિંગ પ્રક્રિયાઓ સાથે પરીક્ષણો હાથ ધરવાની ભલામણ કરવામાં આવતી નથી, અન્યથા પરિણામોનું મૂલ્યાંકન કરવું વધુ મુશ્કેલ હશે. સર્વોચ્ચ અગ્રતાના લક્ષ્યો અને ઘડવામાં આવેલી પૂર્વધારણાઓ પર પરીક્ષણો હાથ ધરવાની ભલામણ કરવામાં આવે છે.

પરિણામોને વિશ્વસનીય ગણવામાં આવે તે માટે પરીક્ષણ લાંબા સમય સુધી ચાલવું જોઈએ. અલબત્ત, પરીક્ષણ પર જ કેટલું બરાબર આધાર રાખે છે. તેથી, નવા વર્ષની પૂર્વસંધ્યાએ, મોટાભાગના ઑનલાઇન સ્ટોર્સનો ટ્રાફિક વધે છે. જો ઑનલાઇન સ્ટોરની ડિઝાઇન પહેલા બદલાઈ ગઈ હોય, તો ટૂંકા ગાળાની કસોટી બતાવશે કે બધું સારું છે, ફેરફારો સફળ છે અને ટ્રાફિક વધી રહ્યો છે. પરંતુ ના, ભલે તમે રજાઓ પહેલાં શું કરો, ટ્રાફિક વધશે, પરીક્ષણ નવા વર્ષ પહેલાં અથવા તેના પછી તરત જ પૂર્ણ કરી શકાતું નથી, તે બધા સહસંબંધોને ઓળખવા માટે પૂરતું લાંબું હોવું જોઈએ.

ધ્યેય અને માપવામાં આવતા સૂચક વચ્ચેના સાચા જોડાણનું મહત્વ. ઉદાહરણ તરીકે, સમાન ઑનલાઇન સ્ટોર વેબસાઇટની ડિઝાઇનમાં ફેરફાર કરીને, કંપની મુલાકાતીઓ અથવા ગ્રાહકોની સંખ્યામાં વધારો જુએ છે અને તેનાથી સંતુષ્ટ છે. પરંતુ વાસ્તવમાં, સરેરાશ ચેકનું કદ સામાન્ય કરતાં નાનું હોઈ શકે છે, તેથી તમારી એકંદર આવક પણ ઓછી હશે. આ, અલબત્ત, સકારાત્મક પરિણામ કહી શકાય નહીં. સમસ્યા એ છે કે કંપનીએ વારાફરતી મુલાકાતીઓમાં વધારો, ખરીદીની સંખ્યામાં વધારો અને સરેરાશ ચેકના કદની ગતિશીલતા વચ્ચેના સંબંધની તપાસ કરી નથી.

શું પરીક્ષણ ફક્ત ઑનલાઇન સ્ટોર્સ માટે જ છે?

જરાય નહિ. ઑફલાઇન રિટેલમાં લોકપ્રિય પદ્ધતિ એ ઑફલાઇન પૂર્વધારણાના પરીક્ષણ માટે સંપૂર્ણ પાઇપલાઇનનો અમલ છે. આ એક પ્રક્રિયાનું નિર્માણ છે જેમાં પ્રયોગ માટે જૂથોની ખોટી પસંદગીના જોખમો ઘટાડવામાં આવે છે, સ્ટોર્સની સંખ્યા, પાયલોટ સમય અને અંદાજિત અસરના કદનો શ્રેષ્ઠ ગુણોત્તર પસંદ કરવામાં આવે છે. તે પોસ્ટ-ઇફેક્ટ વિશ્લેષણ પદ્ધતિઓનો પુનઃઉપયોગ અને સતત સુધારણા પણ છે. ખોટી સ્વીકૃતિની ભૂલો અને ચૂકી ગયેલી અસરોની સંભાવનાને ઘટાડવા તેમજ સંવેદનશીલતા વધારવા માટે પદ્ધતિની જરૂર છે, કારણ કે મોટા વ્યવસાયના સ્કેલ પર નાની અસર પણ ખૂબ મહત્વ ધરાવે છે. તેથી, તમારે પ્રયોગના પરિણામો વિશે ખોટા તારણો સહિત, સૌથી નબળા ફેરફારોને પણ ઓળખવા અને જોખમો ઘટાડવા માટે સક્ષમ બનવાની જરૂર છે.

છૂટક, મોટા ડેટા અને વાસ્તવિક કેસ

ગયા વર્ષે, X5 રિટેલ ગ્રૂપના નિષ્ણાતોએ 2018 વર્લ્ડ કપના ચાહકોમાં સૌથી વધુ લોકપ્રિય ઉત્પાદનોના વેચાણની ગતિશીલતાનું મૂલ્યાંકન કર્યું હતું. ત્યાં કોઈ આશ્ચર્ય નહોતું, પરંતુ આંકડા હજુ પણ રસપ્રદ હોવાનું બહાર આવ્યું છે.

આમ, પાણી "નં. 1 બેસ્ટ સેલર" બન્યું. વિશ્વ કપની યજમાની કરનારા શહેરોમાં, પાણીના વેચાણમાં આશરે 46% નો વધારો થયો હતો; અગ્રેસર સોચી હતું, જ્યાં ટર્નઓવર 87% વધ્યો હતો. મેચના દિવસોમાં, સરાંસ્કમાં મહત્તમ આંકડો નોંધવામાં આવ્યો હતો - અહીં સામાન્ય દિવસોની તુલનામાં વેચાણ 160% વધ્યું હતું.

પાણી ઉપરાંત ચાહકોએ બીયર પણ ખરીદી હતી. 14 જૂનથી 15 જુલાઈ સુધી, જે શહેરોમાં મેચો યોજાઈ હતી, ત્યાં બિયર ટર્નઓવરમાં સરેરાશ 31,8% નો વધારો થયો હતો. સોચી પણ નેતા બન્યા - બીયર અહીં 64% વધુ સક્રિય રીતે ખરીદવામાં આવ્યું હતું. પરંતુ સેન્ટ પીટર્સબર્ગમાં વૃદ્ધિ નાની હતી - માત્ર 5,6%. સારાંસ્કમાં મેચના દિવસોમાં, બીયરનું વેચાણ 128% વધ્યું.

અન્ય ઉત્પાદનો પર પણ સંશોધન હાથ ધરવામાં આવ્યું છે. ખાદ્ય વપરાશના ટોચના દિવસોમાં મેળવેલ ડેટા અમને ઘટનાના પરિબળોને ધ્યાનમાં રાખીને ભવિષ્યમાં માંગની વધુ ચોક્કસ આગાહી કરવા દે છે. સચોટ આગાહી ગ્રાહકની અપેક્ષાઓનું અનુમાન કરવાનું શક્ય બનાવે છે.

પરીક્ષણ દરમિયાન, X5 રિટેલ જૂથે બે પદ્ધતિઓનો ઉપયોગ કર્યો:
સંચિત તફાવત અંદાજ સાથે બાયસિયન માળખાકીય સમય શ્રેણીના મોડલ;
ચેમ્પિયનશિપ પહેલાં અને દરમિયાન ભૂલ વિતરણમાં શિફ્ટના મૂલ્યાંકન સાથે રીગ્રેસન વિશ્લેષણ.

બિગ ડેટામાંથી રિટેલ બીજું શું વાપરે છે?

• ત્યાં ઘણી બધી પદ્ધતિઓ અને તકનીકો છે, જેમાંથી બહારથી નામ આપી શકાય છે, આ છે:
• માંગની આગાહી;
• વર્ગીકરણ મેટ્રિક્સનું ઑપ્ટિમાઇઝેશન;
• છાજલીઓ પર ખાલી જગ્યાઓ ઓળખવા અને કતાર રચાતી શોધવા માટે કમ્પ્યુટર વિઝન;
• પ્રોમો આગાહી.

નિષ્ણાતોનો અભાવ

બિગ ડેટા નિષ્ણાતોની માંગ સતત વધી રહી છે. આમ, 2018ની સરખામણીએ 7માં બિગ ડેટા સંબંધિત ખાલી જગ્યાઓની સંખ્યામાં 2015 ગણો વધારો થયો છે. 2019 ના પ્રથમ અર્ધવાર્ષિક ગાળામાં, નિષ્ણાતોની માંગ સમગ્ર 65 ની માંગના 2018% કરતાં વધી ગઈ છે.

મોટી કંપનીઓને ખાસ કરીને બિગ ડેટા વિશ્લેષકોની સેવાઓની જરૂર હોય છે. ઉદાહરણ તરીકે, Mail.ru ગ્રુપમાં તેઓ કોઈપણ પ્રોજેક્ટમાં જરૂરી છે જ્યાં ટેક્સ્ટ ડેટા, મલ્ટીમીડિયા સામગ્રી પર પ્રક્રિયા કરવામાં આવે છે, ભાષણ સંશ્લેષણ અને વિશ્લેષણ કરવામાં આવે છે (આ, સૌ પ્રથમ, ક્લાઉડ સેવાઓ, સામાજિક નેટવર્ક્સ, રમતો, વગેરે). છેલ્લા બે વર્ષમાં કંપનીમાં ખાલી જગ્યાઓની સંખ્યામાં ત્રણ ગણો વધારો થયો છે. આ વર્ષના પ્રથમ આઠ મહિનામાં, Mail.ru એ ગયા વર્ષ જેટલા જ બિગ ડેટા નિષ્ણાતોની ભરતી કરી હતી. ઓઝોનમાં, ડેટા સાયન્સ વિભાગ છેલ્લા બે વર્ષમાં ત્રણ ગણો વધ્યો છે. મેગાફોન પર પણ પરિસ્થિતિ સમાન છે - ડેટાનું વિશ્લેષણ કરતી ટીમ છેલ્લા 2,5 વર્ષોમાં ઘણી વખત વધી છે.

કોઈ શંકા વિના, ભવિષ્યમાં બિગ ડેટા સંબંધિત વિશેષતાઓના પ્રતિનિધિઓની માંગ વધુ વધશે. તેથી જો તમને આ ક્ષેત્રમાં રસ હોય, તો તમારે તમારો હાથ અજમાવવો જોઈએ.

સોર્સ: www.habr.com