Big Data-teknologier brukes nå overalt – i industri, medisin, forretninger og underholdning. Uten å analysere store data vil dermed store forhandlere ikke kunne operere normalt, salget hos Amazon vil falle, og meteorologer vil ikke kunne forutsi været mange dager, uker og måneder i forveien. Det er logisk at stordataspesialister nå er etterspurt, og etterspørselen vokser stadig.
GeekBrains trener representanter for dette feltet, og prøver å gi studentene både teoretisk kunnskap og undervisning ved eksempler, som erfarne eksperter er involvert for. I år Big Data-analytikere fra nettuniversitetet GeekUniversity og den største forhandleren i Russland, X5 Retail Group, har blitt partnere. Selskapets spesialister, med omfattende kunnskap og erfaring, bidro til å lage et merkekurs, der studentene får både teoretisk opplæring og praktisk erfaring i løpet av opplæringen.
Vi snakket med Valery Babushkin, direktør for modellering og dataanalyse hos X5 Retail Group. Han er en av de dataforskere i verden (30. plass i den globale rangeringen av maskinlæringsspesialister). Sammen med andre lærere forteller Valery GeekBrains-studenter om A/B-testing, den matematiske statistikken som disse metodene er basert på, samt moderne praksis for beregninger og funksjoner for implementering av A/B-testing i offline detaljhandel.
Hvorfor trenger vi i det hele tatt A/B-tester?
Dette er en av de beste metodene for å finne de beste måtene å forbedre konverteringer, økonomi og atferdsfaktorer på. Det finnes andre metoder, men de er dyrere og mer komplekse. De viktigste fordelene med A/B-tester er deres relativt lave pris og tilgjengelighet for bedrifter av alle størrelser.
Om A/B-tester kan vi si at dette er en av de viktigste måtene å søke og ta beslutninger på i virksomheten, beslutninger som både profitt og utviklingen av ulike produkter til enhver bedrift er avhengig av. Tester gjør det mulig å ta beslutninger basert ikke bare på teorier og hypoteser, men også på praktisk kunnskap om hvordan spesifikke endringer endrer kundeinteraksjoner med nettverket.
Det er viktig å huske at i detaljhandelen må du teste alt - markedsføringskampanjer, SMS-utsendelser, tester av selve utsendelsene, plassering av produkter i hyller og selve hyllene i salgsområder. Hvis vi snakker om en nettbutikk, kan du her teste arrangementet av elementer, design, inskripsjoner og tekster.
A/B-tester er et verktøy som hjelper en bedrift, for eksempel en forhandler, til alltid å være konkurransedyktig, føle endringer i tid og endre seg selv. Dette gjør at virksomheten kan være så effektiv som mulig, og maksimere fortjenesten.
Hva er nyansene til disse metodene?
Hovedsaken er at det må være et mål eller problem som testingen skal baseres på. For eksempel er problemet et lite antall kunder i et utsalgssted eller nettbutikk. Målet er å øke kundetilstrømningen. Hypotese: Hvis produktkort i en nettbutikk gjøres større og fotografier er lysere, vil det bli flere kjøp. Deretter gjennomføres en A/B-test, som resulterer i en vurdering av endringer. Etter at resultatene av alle testene er mottatt, kan du begynne å formulere en handlingsplan for å endre nettstedet.
Det anbefales ikke å gjennomføre tester med overlappende prosesser, ellers vil resultatene være vanskeligere å evaluere. Det anbefales å gjennomføre tester på de høyest prioriterte målene og formulerte hypoteser først.
Testen må vare lenge nok til at resultatene anses som pålitelige. Hvor mye avhenger selvfølgelig av selve testen. Så på nyttårsaften øker trafikken til de fleste nettbutikker. Hvis utformingen av nettbutikken ble endret før, vil en korttidstest vise at alt er bra, endringene er vellykkede og trafikken øker. Men nei, uansett hva du gjør før ferien vil trafikken øke, testen kan ikke gjennomføres før nyttår eller rett etter den, den må være lang nok til å identifisere alle sammenhengene.
Viktigheten av riktig sammenheng mellom målet og indikatoren som måles. For eksempel ved å endre utformingen av samme nettbutikknettside, ser bedriften en økning i antall besøkende eller kunder og er fornøyd med dette. Men faktisk kan den gjennomsnittlige sjekkestørrelsen være mindre enn vanlig, så den totale inntekten din vil være enda lavere. Dette kan selvfølgelig ikke kalles et positivt resultat. Problemet er at selskapet ikke samtidig sjekket sammenhengen mellom en økning i besøkende, en økning i antall kjøp og dynamikken i størrelsen på gjennomsnittssjekken.
Er testing kun for nettbutikker?
Ikke i det hele tatt. En populær metode i offline detaljhandel er implementering av en komplett pipeline for testing av hypoteser offline. Dette er konstruksjonen av en prosess der risikoen for feil utvalg av grupper for eksperimentet reduseres, det optimale forholdet mellom antall butikker, pilottid og størrelsen på den estimerte effekten velges. Det er også gjenbruk og kontinuerlig forbedring av metoder for ettervirkningsanalyse. Metoden er nødvendig for å redusere sannsynligheten for falske akseptfeil og tapte effekter, samt for å øke sensitiviteten, fordi selv en liten effekt på skalaen til en stor virksomhet er av stor betydning. Derfor må du være i stand til å identifisere selv de svakeste endringene og minimere risiko, inkludert feil konklusjoner om resultatene av eksperimentet.
Detaljhandel, Big Data og reelle saker
I fjor vurderte X5 Retail Group-eksperter dynamikken i salgsvolumet til de mest populære produktene blant fans av verdensmesterskapet i 2018. Det var ingen overraskelser, men statistikken viste seg likevel å være interessant.
Dermed viste vann seg å være "nr. 1 bestselger." I byene som var vertskap for verdensmesterskapet, økte vannsalget med omtrent 46 % Sotsji, hvor omsetningen økte med 87 %; På kampdager ble makstallet registrert i Saransk – her økte salget med 160 % sammenlignet med vanlige dager.
I tillegg til vann kjøpte fansen øl. Fra 14. juni til 15. juli, i byene der kampene fant sted, økte ølomsetningen med gjennomsnittlig 31,8 %. Sotsji ble også lederen - øl ble kjøpt her 64% mer aktivt. Men i St. Petersburg var veksten liten – bare 5,6 %. På kampdager i Saransk økte ølsalget med 128 %.
Det er også forsket på andre produkter. Data innhentet på toppdager med matforbruk gjør at vi kan forutsi etterspørselen i fremtiden mer nøyaktig, og tar hensyn til hendelsesfaktorer. En nøyaktig prognose gjør det mulig å forutse kundenes forventninger.
Under testing brukte X5 Retail Group to metoder:
Bayesianske strukturelle tidsseriemodeller med kumulativ differanseestimering;
Regresjonsanalyse med vurdering av skiftet i feilfordelingen før og under mesterskapet.
Hva annet bruker detaljhandel fra Big Data?
- Det er ganske mange metoder og teknologier, fra det som umiddelbart kan kalles, er disse:
- Etterspørselsprognose;
- Optimalisering av sortimentsmatrisen;
- Datasyn for å identifisere tomrom på hyller og oppdage at det dannes kø;
- Kampanjeprognose.
Mangel på spesialister
Etterspørselen etter Big Data-eksperter vokser stadig. I 2018 økte dermed antall ledige stillinger knyttet til big data 7 ganger sammenlignet med 2015. I første halvdel av 2019 oversteg etterspørselen etter spesialister 65 % av etterspørselen for hele 2018.
Store selskaper har spesielt behov for tjenester fra Big Data-analytikere. For eksempel, på Mail.ru Group er de nødvendige i ethvert prosjekt der tekstdata, multimedieinnhold behandles, talesyntese og analyse utføres (dette er først og fremst skytjenester, sosiale nettverk, spill, etc.). Antall ledige stillinger i selskapet er tredoblet de siste to årene. I de første åtte månedene i år ansatte Mail.ru samme antall Big Data-spesialister som i hele fjor. Hos Ozon har Data Science-avdelingen vokst tredoblet de siste to årene. Situasjonen er lik hos Megafon – teamet som analyserer data har vokst flere ganger de siste 2,5 årene.
Uten tvil vil etterspørselen etter representanter for spesialiteter knyttet til Big Data i fremtiden vokse enda mer. Så hvis du har interesse for dette området, bør du prøve deg frem.
Kilde: www.habr.com