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. બિગ ડેટા વિશ્લેષણ વિના, મોટા રિટેલર્સ યોગ્ય રીતે કામ કરી શકશે નહીં, એમેઝોનનું વેચાણ ઘટશે, અને હવામાનશાસ્ત્રીઓ હવામાનના દિવસો, અઠવાડિયા અને મહિનાઓ અગાઉથી આગાહી કરી શકશે નહીં. તે તાર્કિક છે કે બિગ ડેટા નિષ્ણાતોની માંગ વધુ છે, માંગ સતત વધી રહી છે.

ગીકબ્રેન્સ આ ક્ષેત્રમાં વ્યાવસાયિકોને તાલીમ આપે છે, અનુભવી નિષ્ણાતોનો ઉપયોગ કરીને વિદ્યાર્થીઓને સૈદ્ધાંતિક જ્ઞાન અને વ્યવહારુ અનુભવ બંને પ્રદાન કરે છે. આ વર્ષે ફેકલ્ટી ઓનલાઈન યુનિવર્સિટી ગીકયુનિવર્સિટી અને રશિયાના સૌથી મોટા રિટેલર X5 રિટેલ ગ્રુપના બિગ ડેટા વિશ્લેષકોએ ભાગીદારી કરી છે. કંપનીના નિષ્ણાતોએ તેમના વ્યાપક જ્ઞાન અને અનુભવ સાથે, એક બ્રાન્ડેડ કોર્સ બનાવવામાં મદદ કરી છે જે વિદ્યાર્થીઓને સૈદ્ધાંતિક તાલીમ અને વ્યવહારુ અનુભવ બંને પ્રદાન કરે છે.

અમે X5 રિટેલ ગ્રુપના ડેટા મોડેલિંગ અને વિશ્લેષણના ડિરેક્ટર વેલેરી બાબુશકિન સાથે વાત કરી. તેઓ તેમાંથી એક છે શ્રેષ્ઠ વિશ્વભરના ડેટા વૈજ્ઞાનિકો (મશીન લર્નિંગમાં વિશ્વમાં 30મા ક્રમે). અન્ય પ્રશિક્ષકો સાથે, વેલેરી ગીકબ્રેઇન્સના વિદ્યાર્થીઓને A/B પરીક્ષણ, આ પદ્ધતિઓ અંતર્ગત ગાણિતિક આંકડા, તેમજ આધુનિક ગણતરી પદ્ધતિઓ અને ઑફલાઇન રિટેલમાં A/B પરીક્ષણ લાગુ કરવાની વિશિષ્ટતાઓ વિશે શીખવે છે.

આપણને A/B પરીક્ષણની બિલકુલ જરૂર કેમ છે?

રૂપાંતર દર, આર્થિક સૂચકાંકો અને વર્તણૂકીય પરિબળોને સુધારવા માટે શ્રેષ્ઠ રીતો શોધવા માટેની આ એક શ્રેષ્ઠ પદ્ધતિ છે. અન્ય પદ્ધતિઓ અસ્તિત્વમાં છે, પરંતુ તે વધુ ખર્ચાળ અને જટિલ છે. A/B પરીક્ષણના મુખ્ય ફાયદા તેની પ્રમાણમાં ઓછી કિંમત અને કોઈપણ કદના વ્યવસાયો માટે સુલભતા છે.

વ્યવસાયિક નિર્ણયો શોધવા અને લેવા માટે A/B પરીક્ષણ એ સૌથી મહત્વપૂર્ણ પદ્ધતિઓમાંની એક છે - એવા નિર્ણયો જે નફા અને કોઈપણ કંપનીના વિવિધ ઉત્પાદનોના વિકાસ બંનેને અસર કરે છે. પરીક્ષણ ફક્ત સિદ્ધાંતો અને પૂર્વધારણાઓના આધારે જ નહીં, પરંતુ ચોક્કસ ફેરફારો નેટવર્ક સાથે ગ્રાહકની ક્રિયાપ્રતિક્રિયાઓને કેવી રીતે બદલી નાખે છે તેના વ્યવહારુ જ્ઞાનના આધારે પણ નિર્ણયો લેવાની મંજૂરી આપે છે.

એ યાદ રાખવું અગત્યનું છે કે રિટેલમાં, દરેક વસ્તુનું પરીક્ષણ કરવાની જરૂર છે - માર્કેટિંગ ઝુંબેશ, SMS મેસેજિંગ, મેસેજિંગના જ પરીક્ષણો, છાજલીઓ પર ઉત્પાદન પ્લેસમેન્ટ અને વેચાણ ક્ષેત્રમાં છાજલીઓ. જ્યારે ઓનલાઈન સ્ટોર્સની વાત આવે છે, ત્યારે તમે તત્વોના લેઆઉટ, ડિઝાઇન, ટેક્સ્ટ અને નકલનું પરીક્ષણ કરી શકો છો.

A/B પરીક્ષણ એ એક સાધન છે જે રિટેલર જેવી કંપનીને સ્પર્ધાત્મક રહેવામાં, ફેરફારોને તાત્કાલિક ઓળખવામાં અને તે મુજબ અનુકૂલન કરવામાં મદદ કરે છે. આનાથી વ્યવસાય શક્ય તેટલો કાર્યક્ષમ બની શકે છે, નફો મહત્તમ કરી શકે છે.

આ પદ્ધતિઓની ઘોંઘાટ શું છે?

મુખ્ય બાબત એ છે કે એક ધ્યેય અથવા સમસ્યા હોવી જોઈએ જે પરીક્ષણ માટે આધાર તરીકે સેવા આપશે. ઉદાહરણ તરીકે, સમસ્યા ઈંટ-અને-મોર્ટાર અથવા ઓનલાઈન સ્ટોર પર ગ્રાહક ટ્રાફિક ઓછો હોઈ શકે છે. ધ્યેય ગ્રાહક ટ્રાફિક વધારવાનો છે. પૂર્વધારણા એ છે કે જો ઓનલાઈન સ્ટોરમાં પ્રોડક્ટ કાર્ડ મોટા અને ફોટા તેજસ્વી બનાવવામાં આવે, તો વધુ ખરીદી કરવામાં આવશે. આગળ, A/B પરીક્ષણ હાથ ધરવામાં આવે છે, જેના પરિણામોનો ઉપયોગ ફેરફારોનું મૂલ્યાંકન કરવા માટે થાય છે. એકવાર બધા પરીક્ષણોના પરિણામો આવી જાય, પછી વેબસાઇટમાં ફેરફાર માટે એક કાર્ય યોજના વિકસાવી શકાય છે.

ઓવરલેપિંગ પ્રક્રિયાઓ સાથે પરીક્ષણો હાથ ધરવાની ભલામણ કરવામાં આવતી નથી, કારણ કે આનાથી પરિણામોનું મૂલ્યાંકન કરવું વધુ મુશ્કેલ બનશે. પહેલા ઉચ્ચતમ-પ્રાથમિકતા લક્ષ્યો અને જણાવેલ પૂર્વધારણાઓ પર પરીક્ષણો હાથ ધરવાની ભલામણ કરવામાં આવે છે.

પરિણામો વિશ્વસનીય ગણાય તે માટે પરીક્ષણ પૂરતું લાંબું ચાલવું જોઈએ. અલબત્ત, કેટલો સમય ચોક્કસ પરીક્ષણ પર આધાર રાખે છે. ઉદાહરણ તરીકે, નવા વર્ષની પૂર્વ સંધ્યાએ, મોટાભાગના ઑનલાઇન સ્ટોર્સ પર ટ્રાફિક વધે છે. જો ઑનલાઇન સ્ટોરની ડિઝાઇન અગાઉથી બદલવામાં આવી હોય, તો ટૂંકા ગાળાના પરીક્ષણ બતાવશે કે બધું બરાબર છે, ફેરફારો સફળ થયા છે, અને ટ્રાફિક વધી રહ્યો છે. પરંતુ રજાઓ પહેલાં તમે ગમે તે કરો, ટ્રાફિક વધશે. પરીક્ષણ નવા વર્ષ પહેલાં અથવા પછી તરત જ પૂર્ણ થવું જોઈએ નહીં; તે બધા સહસંબંધોને ઓળખવા માટે પૂરતું લાંબું હોવું જોઈએ.

ધ્યેય અને માપવામાં આવતા મેટ્રિક વચ્ચે સ્પષ્ટ જોડાણનું મહત્વ. ઉદાહરણ તરીકે, ઓનલાઈન સ્ટોર વેબસાઇટને ફરીથી ડિઝાઇન કર્યા પછી, કંપની મુલાકાતીઓ અથવા ગ્રાહકોમાં વધારો જોઈ શકે છે અને પરિણામથી સંતુષ્ટ થઈ શકે છે. જો કે, વાસ્તવમાં, સરેરાશ ઓર્ડર મૂલ્ય સામાન્ય કરતાં ઓછું હોઈ શકે છે, જેના પરિણામે એકંદર આવક પણ ઓછી થઈ શકે છે. આ, અલબત્ત, સકારાત્મક પરિણામ ગણી શકાય નહીં. સમસ્યા એ છે કે કંપનીએ વધેલા મુલાકાતીઓ, વધેલી ખરીદી અને સરેરાશ ઓર્ડર મૂલ્ય વચ્ચેના સંબંધને એકસાથે માપ્યો નથી.

શું પરીક્ષણ ફક્ત ઓનલાઈન સ્ટોર્સ માટે જ છે?

બિલકુલ નહીં. ઑફલાઇન રિટેલમાં એક લોકપ્રિય પદ્ધતિ પૂર્વધારણાઓનું ઑફલાઇન પરીક્ષણ કરવા માટે સંપૂર્ણ પાઇપલાઇન લાગુ કરી રહી છે. આ એક એવી પ્રક્રિયા છે જે પ્રયોગ માટે ખોટી રીતે જૂથો પસંદ કરવાનું જોખમ ઘટાડે છે, સ્ટોર્સની સંખ્યા, પાયલોટ સમય અને મૂલ્યાંકન કરવામાં આવતી અસરના કદ વચ્ચે શ્રેષ્ઠ સંતુલન શોધે છે. તેમાં અસરો માટે વિશ્લેષણ પછીની પદ્ધતિઓનો ફરીથી ઉપયોગ અને સતત સુધારો કરવાનો પણ સમાવેશ થાય છે. ખોટા હકારાત્મક અને ચૂકી ગયેલી અસરોની શક્યતા ઘટાડવા તેમજ સંવેદનશીલતા વધારવા માટે આ પદ્ધતિ જરૂરી છે, કારણ કે મોટા વ્યવસાયના સ્કેલ પર નાની અસર પણ અત્યંત મહત્વપૂર્ણ હોઈ શકે છે. તેથી, નાનામાં નાના ફેરફારોને પણ ઓળખવામાં અને જોખમો ઘટાડવામાં સક્ષમ બનવું જરૂરી છે, જેમાં પ્રાયોગિક પરિણામો વિશે ખોટા તારણો કાઢવાનો સમાવેશ થાય છે.

રિટેલ, બિગ ડેટા અને રીઅલ-વર્લ્ડ કેસ સ્ટડીઝ

ગયા વર્ષે, X5 રિટેલ ગ્રુપના નિષ્ણાતોએ 2018 વર્લ્ડ કપના ચાહકોમાં સૌથી વધુ લોકપ્રિય ઉત્પાદનોના વેચાણ વલણોનું મૂલ્યાંકન કર્યું હતું. જ્યારે કોઈ આશ્ચર્ય નહોતું, તેમ છતાં આંકડા રસપ્રદ હતા.

ઉદાહરણ તરીકે, પાણી "નંબર વન બેસ્ટસેલર" તરીકે ઉભરી આવ્યું. વર્લ્ડ કપનું આયોજન કરનારા શહેરોમાં, પાણીના વેચાણમાં આશરે 46% નો વધારો થયો, જેમાં સોચી અગ્રણી સ્થાને રહ્યું, જેમાં વેચાણમાં 87% નો વધારો થયો. મેચના દિવસોમાં, સૌથી વધુ વેચાણ સારાંસ્કમાં નોંધાયું, જ્યાં નિયમિત દિવસોની તુલનામાં વેચાણમાં 160% નો વધારો થયો.

પાણી ઉપરાંત, ચાહકોએ બીયર પણ ખરીદ્યું. ૧૪ જૂનથી ૧૫ જુલાઈ સુધી, મેચોનું આયોજન કરતા શહેરોમાં બીયરના વેચાણમાં સરેરાશ ૩૧.૮% નો વધારો થયો. સોચી પણ આ બાબતમાં આગળ રહ્યું, ત્યાં બીયરના વેચાણમાં ૬૪% નો વધારો થયો. જોકે, સેન્ટ પીટર્સબર્ગમાં, વધારો સામાન્ય હતો - ફક્ત ૫.૬%. મેચના દિવસોમાં, સારાંસ્કમાં બીયરના વેચાણમાં પણ ૧૨૮% નો વધારો થયો.

અન્ય ઉત્પાદનો પર પણ સંશોધન કરવામાં આવ્યું હતું. પીક વપરાશના દિવસોમાં મેળવેલ ડેટા ભવિષ્યમાં વધુ સચોટ માંગ આગાહીઓ માટે પરવાનગી આપે છે, જેમાં ઘટના પરિબળોને ધ્યાનમાં લેવામાં આવે છે. સચોટ આગાહી ગ્રાહક અપેક્ષાઓનો અંદાજ લગાવવાનું શક્ય બનાવે છે.

પરીક્ષણ દરમિયાન, X5 રિટેલ ગ્રુપે બે પદ્ધતિઓનો ઉપયોગ કર્યો:
સંચિત તફાવત અંદાજ સાથે બેયેશિયન માળખાકીય સમય શ્રેણી મોડેલો;
ચેમ્પિયનશિપ પહેલા અને દરમિયાન ભૂલ વિતરણના પૂર્વગ્રહના મૂલ્યાંકન સાથે રીગ્રેશન વિશ્લેષણ.

બિગ ડેટામાંથી રિટેલ બીજું શું વાપરે છે?

• ઘણી બધી પદ્ધતિઓ અને ટેકનોલોજીઓ છે, પણ મને સમજાતું નથી, અહીં કેટલીક છે:
• માંગ આગાહી;
• ઉત્પાદન શ્રેણી મેટ્રિક્સનું ઑપ્ટિમાઇઝેશન;
• ખાલી છાજલીઓ ઓળખવા અને કતારોમાં ઉભી રહેલી વસ્તુઓ શોધવા માટે કમ્પ્યુટર વિઝન;
• પ્રોમો આગાહી.

નિષ્ણાતોનો અભાવ

બિગ ડેટા નિષ્ણાતોની માંગ સતત વધી રહી છે. 2018 માં, 2015 ની તુલનામાં 2018 માં મોટા ડેટા સંબંધિત નોકરીઓની સંખ્યામાં સાત ગણો વધારો થયો. 2019 ના પ્રથમ છ મહિનામાં, નિષ્ણાતોની માંગ સમગ્ર 7 ની માંગના 65% થી વધુ થઈ ગઈ.

મોટી કંપનીઓને ખાસ કરીને બિગ ડેટા વિશ્લેષકોની જરૂર છે. ઉદાહરણ તરીકે, Mail.ru ગ્રુપમાં, ટેક્સ્ટ ડેટા, મલ્ટીમીડિયા સામગ્રી અને સ્પીચ સિન્થેસિસ અને વિશ્લેષણ (મુખ્યત્વે ક્લાઉડ સેવાઓ, સોશિયલ નેટવર્ક્સ, ગેમ્સ, વગેરે) પર પ્રક્રિયા કરતા કોઈપણ પ્રોજેક્ટ માટે તેમની જરૂર પડે છે. કંપનીમાં છેલ્લા બે વર્ષમાં ખાલી જગ્યાઓની સંખ્યા ત્રણ ગણી વધી ગઈ છે. આ વર્ષના પ્રથમ આઠ મહિનામાં, Mail.ru એ પાછલા વર્ષ જેટલા જ બિગ ડેટા નિષ્ણાતોને નોકરી પર રાખ્યા છે. ઓઝોન ખાતે, ડેટા સાયન્સ વિભાગ છેલ્લા બે વર્ષમાં કદમાં ત્રણ ગણો વધારો થયો છે. મેગાફોન પણ આવી જ પરિસ્થિતિનો અનુભવ કરી રહ્યું છે: ડેટા વિશ્લેષણ માટે જવાબદાર ટીમ છેલ્લા અઢી વર્ષમાં અનેક ગણી વધી છે.

ભવિષ્યમાં બિગ ડેટા પ્રોફેશનલ્સની માંગ વધુ વધશે તેમાં કોઈ શંકા નથી. તેથી જો તમને આ ક્ષેત્રમાં રસ હોય, તો તેને અજમાવવા યોગ્ય છે.

સોર્સ: www.habr.com