A / B Testen, Pipeline a Retail: Marke Quartier fir Big Data vu GeekBrains an X5 Retail Group

Big Data Technologien ginn elo iwwerall benotzt - an der Industrie, Medizin, Geschäfter, an Ënnerhalung. Also, ouni grouss Daten ze analyséieren, kënnen grouss Händler net normal funktionnéieren, de Verkaf bei Amazon falen, an d'Meteorologe kënnen d'Wieder fir vill Deeg, Wochen a Méint am Viraus net viraussoen. Et ass logesch datt Big Data Spezialisten elo grouss Nofro sinn, an d'Demande wiisst konstant.

GeekBrains trainéiert Vertrieder vun dësem Beräich, probéiert de Studenten souwuel theoretescht Wëssen a Léier ze bidden duerch Beispiller, fir déi erfuerene Experten involvéiert sinn. Dëst Joer Fakultéit Big Data Analysten vun der Online Uni GeekUniversity an dem gréissten Händler an der russescher Federatioun, X5 Retail Group, sinn Partner ginn. D'Spezialisten vun der Firma, déi extensiv Wëssen an Erfarung hunn, hunn gehollef e Markecours ze kreéieren, an deem d'Schüler souwuel theoretesch Ausbildung wéi och praktesch Erfahrung am Laf vum Training kréien.

Mir hu mam Valery Babushkin geschwat, Direkter vun der Modelléierung an der Datenanalyse bei X5 Retail Group. Hien ass ee vun de déi bescht daten Wëssenschaftler an der Welt (30. am globale Ranking vun Maschinn Léieren Spezialisten). Zesumme mat aneren Enseignanten erzielt Valery GeekBrains Studenten iwwer A/B Testen, déi mathematesch Statistiken op deenen dës Methoden baséieren, souwéi modern Praxis fir Berechnungen an Features fir A/B Testen am offline Retail ëmzesetzen.

Firwat brauche mir iwwerhaapt A/B Tester?

Dëst ass eng vun de beschte Methoden fir déi bescht Weeër ze fannen fir Konversiounen, Wirtschaft a Verhalensfaktoren ze verbesseren. Et ginn aner Methoden, awer si si méi deier a komplex. D'Haaptvirdeeler vun A / B Tester sinn hire relativ niddrege Präis an Disponibilitéit fir Geschäfter vun all Gréisst.

Iwwer A / B Tester kënne mir soen datt dëst ee vun de wichtegste Weeër ass fir ze sichen an Entscheedungen am Geschäft ze treffen, Entscheedungen op déi souwuel Gewënn wéi och d'Entwécklung vu verschiddene Produkter vun all Firma hänken. Tester maachen et méiglech Entscheedungen ze baséieren net nëmmen op Theorien an Hypothesen, awer och op praktescht Wëssen iwwer wéi spezifesch Ännerungen d'Clientinteraktioune mam Netz änneren.

Et ass wichteg ze erënneren datt am Retail Dir alles muss testen - Marketingkampagnen, SMS Mailings, Tester vun de Mailings selwer, d'Placement vun de Produkter op Regaler an d'Regaler selwer an de Verkafsberäicher. Wa mir iwwer en Online-Geschäft schwätzen, da kënnt Dir d'Arrangement vun Elementer, Design, Inskriptiounen an Texter testen.

A/B Tester sinn e Tool dat eng Firma hëlleft, zum Beispill, engem Händler, ëmmer kompetitiv ze sinn, Ännerungen an der Zäit ze spieren a sech selwer z'änneren. Dëst erlaabt d'Geschäft esou effizient wéi méiglech ze sinn, maximal Gewënn.

Wat sinn d'Nuancen vun dëse Methoden?

Den Haapt Saach ass datt et e Goal oder Problem muss sinn op deem d'Test baséiert. Zum Beispill ass de Problem eng kleng Zuel vu Clienten an engem Retail Outlet oder Online Store. D'Zil ass et den Afloss vu Clienten ze erhéijen. Hypothes: Wann d'Produktkaarten an engem Online-Geschäft méi grouss ginn an d'Fotoe méi hell sinn, da ginn et méi Akeef. Als nächst gëtt en A/B Test duerchgefouert, d'Resultat vun deem eng Bewäertung vun Ännerungen ass. Nodeems d'Resultater vun all Tester kritt sinn, kënnt Dir ufänken en Aktiounsplang ze formuléieren fir de Site z'änneren.

Et ass net recommandéiert Tester mat iwwerlappende Prozesser ze maachen, soss wäerten d'Resultater méi schwéier ze evaluéieren. Et ass recommandéiert Tester op déi héchst Prioritéit Ziler auszeféieren an als éischt Hypothesen formuléiert.

Den Test muss laang genuch daueren fir datt d'Resultater als zouverlässeg ugesi ginn. Wéi vill genee hänkt natierlech vum Test selwer of. Also, op Silvester klëmmt de Traffic vun de meeschte Online Geschäfter. Wann den Design vum Online-Geschäft virdru geännert gouf, da wäert e kuerzfristeg Test weisen datt alles gutt ass, d'Ännerungen erfollegräich sinn an de Traffic wiisst. Awer nee, egal wat Dir virun der Vakanz maacht, de Traffic wäert eropgoen, den Test kann net virum Neie Joer oder direkt duerno ofgeschloss ginn, et muss laang genuch sinn fir all d'Korrelatiounen z'identifizéieren.

D'Wichtegkeet vun der korrekter Verbindung tëscht dem Zil an dem Indikator deen gemooss gëtt. Zum Beispill, andeems Dir den Design vun der selwechter Online Store Websäit ännert, gesäit d'Firma eng Erhéijung vun der Zuel vun de Besucher oder Clienten an ass zefridden mat dësem. Awer tatsächlech kann déi duerchschnëttlech Scheckgréisst méi kleng sinn wéi soss, sou datt Äert Gesamtakommes nach méi niddereg ass. Dëst, natierlech, kann net e positiven Resultat genannt ginn. De Problem ass datt d'Firma net gläichzäiteg d'Relatioun tëscht enger Erhéijung vun de Visiteuren, enger Erhéijung vun der Unzuel vun Akeef an der Dynamik vun der Gréisst vun der Moyenne Scheck iwwerpréift.

Ass Testen nëmme fir Online Geschäfter?

Guer net. Eng populär Method am offline Retail ass d'Ëmsetzung vun enger kompletter Pipeline fir Hypothesen offline ze testen. Dëst ass d'Konstruktioun vun engem Prozess, an deem d'Risiken vun enger falscher Auswiel vu Gruppen fir d'Experiment reduzéiert ginn, den optimale Verhältnis vun der Zuel vun de Geschäfter, d'Pilotzäit an d'Gréisst vum geschätzte Effekt ausgewielt gëtt. Et ass och d'Wiederbenotzen a kontinuéierlech Verbesserung vu Post-Effekt Analyse Methodologien. D'Method ass néideg fir d'Wahrscheinlechkeet vu falschen Akzeptanzfehler a vermësste Effekter ze reduzéieren, wéi och d'Sensibilitéit ze erhéijen, well souguer e klengen Effekt op d'Skala vun engem grousse Geschäft vu grousser Bedeitung ass. Dofir musst Dir fäeg sinn och déi schwaachsten Ännerungen z'identifizéieren an d'Risiken ze minimiséieren, och falsch Conclusiounen iwwer d'Resultater vum Experiment.

Retail, Big Data an real Fäll

D'lescht Joer hunn X5 Retail Group Experten d'Dynamik vun de Verkafsvolumen vun de populäersten Produkter ënner de Fans vun der 2018 Weltmeeschterschaft bewäert. Et goufe keng Iwwerraschungen, mee d'Statistiken hunn sech awer interessant gewisen.

Sou huet d'Waasser sech als "Nummer 1 Bestseller" erausgestallt. An de Stied, déi d'Weltmeeschterschaft organiséiert hunn, ass de Waasserverkaaf ëm ongeféier 46% eropgaang, de Leader war Sotschi, wou den Ëmsaz ëm 87% eropgaang ass. Op Spilldeeg gouf zu Saransk déi maximal Zuel opgeholl - hei ass de Verkaf ëm 160% am Verglach zu normalen Deeg eropgaang.

Zousätzlech zum Waasser hunn d'Fans Béier kaaft. Vum 14. Juni bis de 15. Juli, an de Stied, wou d'Matcher stattfonnt hunn, ass de Béierverkéier ëm an der Moyenne ëm 31,8% geklommen. Sotchi gouf och de Leader - Béier gouf hei 64% méi aktiv kaaft. Awer zu St Petersburg war de Wuesstum kleng - nëmmen 5,6%. Op Spilldeeg zu Saransk ass de Béierverkaf ëm 128% eropgaang.

Fuerschung gouf och iwwer aner Produkter gemaach. D'Donnéeën, déi op Spëtzdeeg vum Liewensmëttelverbrauch kritt goufen, erlaben eis d'Nofro an Zukunft méi präzis virauszesoen, andeems Eventfaktoren berücksichtegt ginn. Eng korrekt Prognose mécht et méiglech d'Erwaardunge vun de Clienten virauszesoen.

Wärend dem Test huet X5 Retail Group zwou Methoden benotzt:
Bayesian strukturell Zäit Serie Modeller mat kumulativen Ënnerscheed Schätzung;
Regressiounsanalyse mat Bewäertung vun der Verréckelung vun der Feelerverdeelung virun a während dem Championnat.

Wat soss benotzt den Handel vu Big Data?

• Et gi zimmlech vill Methoden an Technologien, vu wat kann direkt genannt ginn, dës sinn:
• Nofro Prognosen;
• Optimisatioun vun der Sortiment Matrix;
• Computer Visioun fir Voids op Regaler z'identifizéieren an eng Schlaang ze entdecken;
• Promo Prognosen.

Mangel u Spezialisten

D'Nofro fir Big Data Experten wiisst konstant. Sou ass 2018 d'Zuel vun de Vakanzen am Zesummenhang mat Big Data 7 Mol am Verglach zum 2015 eropgaang. An der éischter Halschent vum 2019 ass d'Demande fir Spezialisten 65% vun der Nofro fir dat ganzt 2018 iwwerschratt.

Grouss Firmen brauche besonnesch d'Servicer vu Big Data Analysten. Zum Beispill, bei Mail.ru Group sinn se an all Projet néideg wou Text Daten, Multimedia Inhalt veraarbecht ginn, Ried Synthes an Analyse duerchgefouert (dëst ass, éischt vun all, Cloud Servicer, sozialen Netzwierker, Spiller, etc.). D'Zuel vun de Vakanzen an der Firma ass an de leschten zwee Joer verdräifacht. An den éischten aacht Méint vun dësem Joer huet Mail.ru déiselwecht Zuel vu Big Data Spezialisten agestallt wéi am ganze leschte Joer. Bei Ozon ass den Data Science Departement an de leschten zwee Joer dräimol gewuess. D'Situatioun ass ähnlech bei Megafon - d'Team dat Daten analyséiert ass e puer Mol an de leschten 2,5 Joer gewuess.

Ouni Zweiwel, an Zukunft wäert d'Nofro fir Vertrieder vu Spezialitéiten am Zesummenhang mat Big Data nach méi wuessen. Also wann Dir en Interessi an dësem Beräich hutt, sollt Dir Är Hand probéieren.

Source: will.com