Teknologi Big Data kini digunakan di mana-mana - dalam industri, perubatan, perniagaan dan hiburan. Oleh itu, tanpa menganalisis data besar, peruncit besar tidak akan dapat beroperasi seperti biasa, jualan di Amazon akan jatuh, dan ahli meteorologi tidak akan dapat meramalkan cuaca untuk beberapa hari, minggu dan bulan lebih awal. Adalah logik bahawa pakar data besar kini mendapat permintaan yang tinggi, dan permintaan itu sentiasa meningkat.
GeekBrains melatih wakil bidang ini, cuba menyediakan pelajar dengan kedua-dua pengetahuan teori dan pengajaran melalui contoh, yang mana pakar berpengalaman terlibat. Tahun ini Penganalisis Data Besar dari universiti dalam talian GeekUniversity dan peruncit terbesar di Persekutuan Rusia, X5 Retail Group, telah menjadi rakan kongsi. Pakar syarikat, yang mempunyai pengetahuan dan pengalaman yang luas, membantu mencipta kursus berjenama, di mana pelajar menerima kedua-dua latihan teori dan pengalaman praktikal semasa kursus latihan.
Kami bercakap dengan Valery Babushkin, pengarah pemodelan dan analisis data di X5 Retail Group. Dia salah seorang saintis data di dunia (ke-30 dalam ranking global pakar pembelajaran mesin). Bersama-sama dengan guru lain, Valery memberitahu pelajar GeekBrains tentang ujian A/B, statistik matematik yang menjadi asas kaedah ini, serta amalan moden untuk pengiraan dan ciri pelaksanaan ujian A/B dalam runcit luar talian.
Mengapa kita memerlukan ujian A/B sama sekali?
Ini ialah salah satu kaedah terbaik untuk mencari cara terbaik untuk meningkatkan penukaran, ekonomi dan faktor tingkah laku. Terdapat kaedah lain, tetapi ia lebih mahal dan kompleks. Kelebihan utama ujian A/B ialah harga dan ketersediaannya yang agak rendah untuk perniagaan dalam sebarang saiz.
Mengenai ujian A/B, kita boleh katakan bahawa ini adalah salah satu cara paling penting untuk mencari dan membuat keputusan dalam perniagaan, keputusan yang bergantung kepada kedua-dua keuntungan dan pembangunan pelbagai produk mana-mana syarikat. Ujian memungkinkan untuk membuat keputusan berdasarkan bukan sahaja pada teori dan hipotesis, tetapi juga pada pengetahuan praktikal tentang cara perubahan khusus mengubah suai interaksi pelanggan dengan rangkaian.
Adalah penting untuk diingat bahawa dalam runcit anda perlu menguji segala-galanya - kempen pemasaran, mel SMS, ujian mel itu sendiri, penempatan produk di rak dan rak itu sendiri di kawasan jualan. Jika kita bercakap tentang kedai dalam talian, maka di sini anda boleh menguji susunan elemen, reka bentuk, inskripsi dan teks.
Ujian A/B ialah alat yang membantu syarikat, contohnya, peruncit, untuk sentiasa berdaya saing, merasakan perubahan masa dan mengubah dirinya sendiri. Ini membolehkan perniagaan menjadi seefisien mungkin, memaksimumkan keuntungan.
Apakah nuansa kaedah ini?
Perkara utama ialah mesti ada matlamat atau masalah yang akan menjadi asas ujian. Sebagai contoh, masalahnya ialah sebilangan kecil pelanggan di kedai runcit atau kedai dalam talian. Matlamatnya adalah untuk meningkatkan kemasukan pelanggan. Hipotesis: jika kad produk dalam kedai dalam talian dibuat lebih besar dan gambar lebih terang, maka akan terdapat lebih banyak pembelian. Seterusnya, ujian A/B dijalankan, yang hasilnya adalah penilaian perubahan. Selepas keputusan semua ujian diterima, anda boleh mula merangka pelan tindakan untuk menukar tapak.
Ia tidak disyorkan untuk menjalankan ujian dengan proses bertindih, jika tidak, keputusan akan menjadi lebih sukar untuk dinilai. Adalah disyorkan untuk menjalankan ujian ke atas matlamat keutamaan tertinggi dan merumuskan hipotesis terlebih dahulu.
Ujian mesti bertahan cukup lama untuk keputusan dianggap boleh dipercayai. Berapa banyak sebenarnya bergantung, tentu saja, pada ujian itu sendiri. Jadi, pada Malam Tahun Baru, trafik kebanyakan kedai dalam talian meningkat. Jika reka bentuk kedai dalam talian telah diubah sebelum ini, maka ujian jangka pendek akan menunjukkan bahawa semuanya baik-baik saja, perubahan berjaya, dan trafik semakin meningkat. Tetapi tidak, tidak kira apa yang anda lakukan sebelum cuti, trafik akan meningkat, ujian tidak dapat diselesaikan sebelum Tahun Baru atau sejurus selepas itu, ia mesti cukup lama untuk mengenal pasti semua korelasi.
Kepentingan sambungan yang betul antara matlamat dan penunjuk yang diukur. Sebagai contoh, dengan menukar reka bentuk laman web kedai dalam talian yang sama, syarikat melihat peningkatan dalam bilangan pelawat atau pelanggan dan berpuas hati dengan ini. Tetapi sebenarnya, saiz cek purata mungkin lebih kecil daripada biasa, jadi pendapatan keseluruhan anda akan menjadi lebih rendah. Ini, tentu saja, tidak boleh dipanggil hasil yang positif. Masalahnya ialah syarikat itu tidak secara serentak menyemak hubungan antara peningkatan pelawat, peningkatan bilangan pembelian, dan dinamik saiz cek purata.
Adakah ujian hanya untuk kedai dalam talian?
Tidak sama sekali. Kaedah popular dalam runcit luar talian ialah pelaksanaan saluran paip lengkap untuk menguji hipotesis di luar talian. Ini ialah pembinaan proses di mana risiko pemilihan kumpulan yang salah untuk eksperimen dikurangkan, nisbah optimum bilangan stor, masa perintis dan saiz kesan yang dianggarkan dipilih. Ia juga merupakan penggunaan semula dan penambahbaikan berterusan metodologi analisis pasca kesan. Kaedah ini diperlukan untuk mengurangkan kemungkinan kesilapan penerimaan palsu dan kesan terlepas, serta meningkatkan kepekaan, kerana walaupun kesan kecil pada skala perniagaan besar adalah sangat penting. Oleh itu, anda perlu dapat mengenal pasti perubahan yang paling lemah dan meminimumkan risiko, termasuk kesimpulan yang salah tentang keputusan eksperimen.
Runcit, Data Besar dan kes sebenar
Tahun lepas, pakar Kumpulan Peruncitan X5 menilai dinamik jumlah jualan produk paling popular di kalangan peminat Piala Dunia 2018. Tidak ada kejutan, tetapi statistik masih ternyata menarik.
Oleh itu, air ternyata "terlaris No. 1." Di bandar-bandar yang menjadi tuan rumah Piala Dunia, jualan air meningkat kira-kira 46%; pemimpinnya ialah Sochi, di mana perolehan meningkat sebanyak 87%. Pada hari perlawanan, angka maksimum dicatatkan di Saransk - di sini jualan meningkat sebanyak 160% berbanding hari biasa.
Selain air, peminat membeli bir. Dari 14 Jun hingga 15 Julai, di bandar-bandar tempat perlawanan berlangsung, perolehan bir meningkat secara purata sebanyak 31,8%. Sochi juga menjadi peneraju - bir dibeli di sini 64% lebih aktif. Tetapi di St. Petersburg pertumbuhan adalah kecil - hanya 5,6%. Pada hari perlawanan di Saransk, jualan bir meningkat sebanyak 128%.
Penyelidikan juga telah dijalankan ke atas produk lain. Data yang diperoleh pada hari puncak penggunaan makanan membolehkan kami meramalkan permintaan dengan lebih tepat pada masa hadapan, dengan mengambil kira faktor peristiwa. Ramalan yang tepat memungkinkan untuk menjangka jangkaan pelanggan.
Semasa ujian, Kumpulan Runcit X5 menggunakan dua kaedah:
Model siri masa struktur Bayesian dengan anggaran perbezaan kumulatif;
Analisis regresi dengan penilaian anjakan dalam taburan ralat sebelum dan semasa kejohanan.
Apa lagi yang digunakan oleh runcit daripada Big Data?
- Terdapat banyak kaedah dan teknologi, dari apa yang boleh dinamakan begitu sahaja, ini adalah:
- Ramalan permintaan;
- Pengoptimuman matriks pelbagai;
- Penglihatan komputer untuk mengenal pasti lompang di rak dan mengesan baris gilir;
- Ramalan promosi.
Kekurangan pakar
Permintaan untuk pakar Data Besar sentiasa meningkat. Justeru, pada tahun 2018, bilangan kekosongan jawatan berkaitan big data meningkat 7 kali ganda berbanding tahun 2015. Pada separuh pertama 2019, permintaan untuk pakar melebihi 65% daripada permintaan untuk keseluruhan 2018.
Syarikat-syarikat besar amat memerlukan perkhidmatan penganalisis Data Besar. Sebagai contoh, di Mail.ru Group mereka diperlukan dalam mana-mana projek di mana data teks, kandungan multimedia diproses, sintesis pertuturan dan analisis dilakukan (ini, pertama sekali, perkhidmatan awan, rangkaian sosial, permainan, dll.). Bilangan kekosongan jawatan dalam syarikat itu meningkat tiga kali ganda sejak dua tahun lalu. Dalam lapan bulan pertama tahun ini, Mail.ru mengupah bilangan pakar Data Besar yang sama seperti pada keseluruhan tahun lepas. Di Ozon, jabatan Sains Data telah berkembang tiga kali ganda sejak dua tahun lalu. Keadaannya sama di Megafon - pasukan yang menganalisis data telah berkembang beberapa kali dalam tempoh 2,5 tahun yang lalu.
Tidak dinafikan, pada masa hadapan permintaan untuk wakil kepakaran yang berkaitan dengan Big Data akan meningkat dengan lebih banyak lagi. Jadi jika anda mempunyai minat dalam bidang ini, anda harus mencuba tangan anda.
Sumber: www.habr.com