A/B चाचणी, पाइपलाइन आणि किरकोळ: GeekBrains आणि X5 रिटेल ग्रुपकडून बिग डेटासाठी ब्रँडेड तिमाही

बिग डेटा तंत्रज्ञान आता सर्वत्र वापरले जाते - उद्योग, औषध, व्यवसाय आणि मनोरंजन. अशा प्रकारे, मोठ्या डेटाचे विश्लेषण केल्याशिवाय, मोठे किरकोळ विक्रेते सामान्यपणे कार्य करू शकणार नाहीत, Amazon वरील विक्री कमी होईल आणि हवामानशास्त्रज्ञ अनेक दिवस, आठवडे आणि महिने आधीच हवामानाचा अंदाज लावू शकणार नाहीत. हे तार्किक आहे की मोठ्या डेटा तज्ञांना आता मोठी मागणी आहे आणि मागणी सतत वाढत आहे.

GeekBrains या क्षेत्रातील प्रतिनिधींना प्रशिक्षण देतात, विद्यार्थ्यांना सैद्धांतिक ज्ञान आणि उदाहरणांद्वारे शिकवण्याचा प्रयत्न करतात, ज्यासाठी अनुभवी तज्ञांचा सहभाग असतो. या वर्षी विद्याशाखा ऑनलाइन युनिव्हर्सिटी GeekUniversity मधील बिग डेटा विश्लेषक आणि रशियन फेडरेशनमधील सर्वात मोठा रिटेलर, X5 रिटेल ग्रुप, भागीदार बनले आहेत. कंपनीच्या तज्ञांना, ज्यांना विस्तृत ज्ञान आणि अनुभव आहे, त्यांनी एक ब्रँडेड कोर्स तयार करण्यात मदत केली, ज्यामध्ये विद्यार्थ्यांना प्रशिक्षणादरम्यान सैद्धांतिक प्रशिक्षण आणि व्यावहारिक अनुभव दोन्ही मिळतात.

आम्ही X5 रिटेल ग्रुपमधील मॉडेलिंग आणि डेटा विश्लेषण संचालक व्हॅलेरी बाबुश्किन यांच्याशी बोललो. तो एक आहे उत्तम जगातील डेटा सायंटिस्ट (मशीन लर्निंग तज्ञांच्या जागतिक क्रमवारीत ३० वे). इतर शिक्षकांसह, व्हॅलेरी GeekBrains विद्यार्थ्यांना A/B चाचणी, गणितीय आकडेवारी ज्यावर या पद्धती आधारित आहेत, तसेच ऑफलाइन रिटेलमध्ये A/B चाचणी लागू करण्याच्या आधुनिक पद्धती आणि गणनांसाठी आधुनिक पद्धती सांगते.

आम्हाला A/B चाचण्यांची अजिबात गरज का आहे?

रूपांतरणे, अर्थशास्त्र आणि वर्तणूक घटक सुधारण्यासाठी सर्वोत्तम मार्ग शोधण्यासाठी ही एक उत्तम पद्धत आहे. इतर पद्धती आहेत, परंतु त्या अधिक महाग आणि जटिल आहेत. A/B चाचण्यांचे मुख्य फायदे म्हणजे त्यांची तुलनेने कमी किंमत आणि कोणत्याही आकाराच्या व्यवसायांसाठी उपलब्धता.

A/B चाचण्यांबद्दल, आम्ही असे म्हणू शकतो की व्यवसायात शोध घेण्याचा आणि निर्णय घेण्याचा हा सर्वात महत्त्वाचा मार्ग आहे, असे निर्णय ज्यावर नफा आणि कोणत्याही कंपनीच्या विविध उत्पादनांचा विकास अवलंबून असतो. चाचण्यांमुळे केवळ सिद्धांत आणि गृहितकांवर आधारित निर्णय घेणे शक्य होते, परंतु विशिष्ट बदल नेटवर्कशी ग्राहकांच्या परस्परसंवादात कसे बदल करतात याच्या व्यावहारिक ज्ञानावर देखील आधारित असतात.

हे लक्षात ठेवणे महत्त्वाचे आहे की किरकोळ क्षेत्रात आपल्याला प्रत्येक गोष्टीची चाचणी करणे आवश्यक आहे - विपणन मोहिम, एसएमएस मेलिंग, मेलिंगच्या स्वतःच्या चाचण्या, शेल्फ् 'चे अव रुप आणि विक्री क्षेत्रामध्ये शेल्फ् 'चे अव रुप. जर आपण ऑनलाइन स्टोअरबद्दल बोललो तर येथे आपण घटक, डिझाइन, शिलालेख आणि मजकूर यांच्या व्यवस्थेची चाचणी घेऊ शकता.

A/B चाचण्या हे एक साधन आहे जे एखाद्या कंपनीला, उदाहरणार्थ, किरकोळ विक्रेत्याला नेहमी स्पर्धात्मक राहण्यास, वेळेत बदल जाणवण्यास आणि स्वतःमध्ये बदल करण्यास मदत करते. हे व्यवसायाला शक्य तितक्या कार्यक्षमतेने, जास्तीत जास्त नफा मिळविण्यास अनुमती देते.

या पद्धतींचे बारकावे काय आहेत?

मुख्य गोष्ट अशी आहे की एक ध्येय किंवा समस्या असणे आवश्यक आहे ज्यावर चाचणी आधारित असेल. उदाहरणार्थ, समस्या किरकोळ आउटलेट किंवा ऑनलाइन स्टोअरमध्ये ग्राहकांची संख्या कमी आहे. ग्राहकांचा ओघ वाढवण्याचे उद्दिष्ट आहे. गृहीतक: जर ऑनलाइन स्टोअरमधील उत्पादन कार्ड मोठे केले गेले आणि छायाचित्रे उजळ असतील तर अधिक खरेदी होतील. पुढे, A/B चाचणी केली जाते, ज्याचा परिणाम बदलांचे मूल्यांकन आहे. सर्व चाचण्यांचे निकाल प्राप्त झाल्यानंतर, आपण साइट बदलण्यासाठी कृती योजना तयार करण्यास प्रारंभ करू शकता.

ओव्हरलॅपिंग प्रक्रियेसह चाचण्या घेण्याची शिफारस केलेली नाही, अन्यथा परिणामांचे मूल्यांकन करणे अधिक कठीण होईल. प्रथम सर्वोच्च प्राधान्य असलेल्या उद्दिष्टांवर आणि तयार केलेल्या गृहितकांवर चाचण्या करण्याची शिफारस केली जाते.

परिणाम विश्वासार्ह मानले जाण्यासाठी चाचणी दीर्घकाळ टिकली पाहिजे. नक्की किती हे अर्थातच चाचणीवर अवलंबून असते. तर, नवीन वर्षाच्या पूर्वसंध्येला, बहुतेक ऑनलाइन स्टोअरची रहदारी वाढते. जर ऑनलाइन स्टोअरचे डिझाइन आधी बदलले असेल, तर अल्पकालीन चाचणी दर्शवेल की सर्व काही ठीक आहे, बदल यशस्वी झाले आहेत आणि रहदारी वाढत आहे. पण नाही, सुट्टीच्या आधी तुम्ही काहीही केले तरी रहदारी वाढेल, नवीन वर्षाच्या आधी किंवा त्यानंतर लगेचच चाचणी पूर्ण होऊ शकत नाही, सर्व परस्परसंबंध ओळखण्यासाठी ते पुरेसे लांब असणे आवश्यक आहे.

ध्येय आणि मोजले जाणारे निर्देशक यांच्यातील योग्य कनेक्शनचे महत्त्व. उदाहरणार्थ, त्याच ऑनलाइन स्टोअर वेबसाइटच्या डिझाइनमध्ये बदल करून, कंपनीला अभ्यागत किंवा ग्राहकांच्या संख्येत वाढ दिसते आणि ती याबद्दल समाधानी आहे. पण खरं तर, चेकचा सरासरी आकार नेहमीपेक्षा लहान असू शकतो, त्यामुळे तुमचे एकूण उत्पन्न आणखी कमी असेल. याला अर्थातच सकारात्मक परिणाम म्हणता येणार नाही. समस्या अशी आहे की कंपनीने एकाच वेळी अभ्यागतांची वाढ, खरेदीची संख्या वाढवणे आणि सरासरी चेकच्या आकाराची गतिशीलता यांच्यातील संबंध तपासले नाहीत.

चाचणी फक्त ऑनलाइन स्टोअरसाठी आहे का?

अजिबात नाही. ऑफलाइन रिटेलमधील एक लोकप्रिय पद्धत म्हणजे परिकल्पना ऑफलाइन चाचणी करण्यासाठी संपूर्ण पाइपलाइनची अंमलबजावणी. हे अशा प्रक्रियेचे बांधकाम आहे ज्यामध्ये प्रयोगासाठी गटांच्या चुकीच्या निवडीचे धोके कमी केले जातात, स्टोअरची संख्या, पायलट वेळ आणि अंदाजे परिणामाचा आकार यांचे इष्टतम गुणोत्तर निवडले जाते. हे पोस्ट-इफेक्ट विश्लेषण पद्धतींचा पुनर्वापर आणि सतत सुधारणा देखील आहे. चुकीच्या स्वीकृती त्रुटी आणि चुकलेल्या प्रभावांची शक्यता कमी करण्यासाठी तसेच संवेदनशीलता वाढवण्यासाठी ही पद्धत आवश्यक आहे, कारण मोठ्या व्यवसायाच्या स्केलवर अगदी लहान प्रभाव देखील खूप महत्वाचा असतो. म्हणून, तुम्ही अगदी कमकुवत बदल ओळखण्यास आणि प्रयोगाच्या परिणामांबद्दल चुकीच्या निष्कर्षांसह जोखीम कमी करण्यास सक्षम असणे आवश्यक आहे.

किरकोळ, बिग डेटा आणि वास्तविक प्रकरणे

गेल्या वर्षी, X5 रिटेल ग्रुपच्या तज्ञांनी 2018 च्या विश्वचषकाच्या चाहत्यांमध्ये सर्वाधिक लोकप्रिय उत्पादनांच्या विक्रीच्या गतीचे मूल्यमापन केले. तेथे कोणतेही आश्चर्य नव्हते, परंतु आकडेवारी अद्याप मनोरंजक असल्याचे दिसून आले.

अशा प्रकारे, पाणी "नंबर 1 बेस्टसेलर" ठरले. विश्वचषक आयोजित केलेल्या शहरांमध्ये, पाण्याची विक्री अंदाजे 46% वाढली; नेता सोची होता, जिथे उलाढाल 87% वाढली. सामन्याच्या दिवशी, सरांस्कमध्ये कमाल आकडा नोंदविला गेला - येथे विक्री सामान्य दिवसांच्या तुलनेत 160% वाढली.

पाण्याव्यतिरिक्त, चाहत्यांनी बिअर खरेदी केली. 14 जून ते 15 जुलै या कालावधीत, ज्या शहरांमध्ये सामने झाले, तेथे बिअरची उलाढाल सरासरी 31,8% ने वाढली. सोची देखील नेता बनली - येथे 64% अधिक सक्रियपणे बिअर खरेदी केली गेली. परंतु सेंट पीटर्सबर्गमध्ये वाढ लहान होती - फक्त 5,6%. सरांस्कमधील सामन्यांच्या दिवशी, बिअरची विक्री 128% वाढली.

इतर उत्पादनांवरही संशोधन झाले आहे. अन्न सेवनाच्या उच्च दिवसांवर प्राप्त केलेला डेटा आम्हाला घटना घटक लक्षात घेऊन भविष्यातील मागणीचा अधिक अचूकपणे अंदाज लावू देतो. अचूक अंदाज ग्राहकांच्या अपेक्षांची अपेक्षा करणे शक्य करते.

चाचणी दरम्यान, X5 रिटेल ग्रुपने दोन पद्धती वापरल्या:
संचयी फरक अंदाजासह बायेसियन संरचनात्मक वेळ मालिका मॉडेल;
चॅम्पियनशिपपूर्वी आणि दरम्यान त्रुटी वितरणातील शिफ्टच्या मूल्यांकनासह प्रतिगमन विश्लेषण.

बिग डेटामधून रिटेल आणखी काय वापरते?

• बर्‍याच पद्धती आणि तंत्रज्ञान आहेत, ज्यांना अप्रत्यक्ष नाव दिले जाऊ शकते, ते आहेतः
• मागणीचा अंदाज;
• वर्गीकरण मॅट्रिक्सचे ऑप्टिमायझेशन;
• शेल्फ् 'चे अव रुप ओळखण्यासाठी आणि एक रांग शोधण्यासाठी संगणक दृष्टी;
• प्रोमो अंदाज.

तज्ञांची कमतरता

बिग डेटा तज्ञांची मागणी सतत वाढत आहे. अशा प्रकारे, 2018 च्या तुलनेत 7 मध्ये, बिग डेटाशी संबंधित रिक्त पदांच्या संख्येत 2015 पट वाढ झाली आहे. 2019 च्या पहिल्या सहामाहीत, तज्ञांची मागणी संपूर्ण 65 च्या मागणीच्या 2018% पेक्षा जास्त होती.

मोठ्या कंपन्यांना विशेषत: बिग डेटा विश्लेषकांच्या सेवांची आवश्यकता असते. उदाहरणार्थ, Mail.ru ग्रुपवर मजकूर डेटा, मल्टीमीडिया सामग्रीवर प्रक्रिया केली जाते, भाषण संश्लेषण आणि विश्लेषण केले जाते (हे सर्व प्रथम, क्लाउड सेवा, सोशल नेटवर्क्स, गेम्स इ.) कोणत्याही प्रकल्पात आवश्यक आहे. गेल्या दोन वर्षांत कंपनीतील रिक्त पदांची संख्या तिपटीने वाढली आहे. या वर्षाच्या पहिल्या आठ महिन्यांत, Mail.ru ने मागच्या वर्षी इतक्‍याच बिग डेटा तज्ञांची नियुक्ती केली. ओझोन येथे, डेटा सायन्स विभाग गेल्या दोन वर्षांत तिप्पट वाढला आहे. मेगाफोनमध्येही अशीच परिस्थिती आहे - डेटाचे विश्लेषण करणारी टीम गेल्या 2,5 वर्षांत अनेक वेळा वाढली आहे.

निःसंशयपणे, भविष्यात बिग डेटाशी संबंधित वैशिष्ट्यांच्या प्रतिनिधींची मागणी आणखी वाढेल. त्यामुळे तुम्हाला या क्षेत्रात रस असेल तर तुम्ही हात आजमावून पहा.

स्त्रोत: www.habr.com