Big Data-teknik används nu överallt - inom industri, medicin, affärer och underhållning. Utan att analysera big data kommer alltså stora återförsäljare inte att kunna fungera normalt, försäljningen på Amazon kommer att minska och meteorologer kommer inte att kunna förutsäga vädret många dagar, veckor och månader i förväg. Det är logiskt att big data-specialister nu är mycket efterfrågade, och efterfrågan växer hela tiden.
GeekBrains utbildar representanter för detta område och försöker ge studenterna både teoretisk kunskap och undervisning genom exempel, för vilka erfarna experter är involverade. Det här året Big Data-analytiker från onlineuniversitetet GeekUniversity och den största återförsäljaren i Ryska federationen, X5 Retail Group, har blivit partners. Företagets specialister, med stor kunskap och erfarenhet, hjälpte till att skapa en varumärkeskurs, där studenterna får både teoretisk utbildning och praktisk erfarenhet under utbildningens gång.
Vi pratade med Valery Babushkin, chef för modellering och dataanalys på X5 Retail Group. Han är en av de datavetare i världen (30:a i den globala rankningen av maskininlärningsspecialister). Tillsammans med andra lärare berättar Valery för GeekBrains-studenter om A/B-testning, den matematiska statistiken som dessa metoder baseras på, samt modern praxis för beräkningar och funktioner för att implementera A/B-testning i offlinehandel.
Varför behöver vi överhuvudtaget A/B-tester?
Detta är en av de bästa metoderna för att hitta de bästa sätten att förbättra konverteringar, ekonomi och beteendefaktorer. Det finns andra metoder, men de är dyrare och mer komplexa. De främsta fördelarna med A/B-tester är deras relativt låga pris och tillgänglighet för företag av alla storlekar.
Om A/B-tester kan vi säga att detta är ett av de viktigaste sätten att söka och fatta beslut i affärer, beslut som både vinst och utvecklingen av olika produkter hos något företag beror på. Tester gör det möjligt att fatta beslut baserade inte bara på teorier och hypoteser, utan också på praktisk kunskap om hur specifika förändringar förändrar kundinteraktioner med nätverket.
Det är viktigt att komma ihåg att i detaljhandeln måste du testa allt - marknadsföringskampanjer, sms-utskick, tester av själva utskicket, placering av produkter på hyllor och själva hyllorna i försäljningsområden. Om vi pratar om en onlinebutik kan du här testa arrangemanget av element, design, inskriptioner och texter.
A/B-tester är ett verktyg som hjälper ett företag, till exempel en återförsäljare, att alltid vara konkurrenskraftig, känna av förändringar i tid och förändra sig själv. Detta gör att verksamheten kan vara så effektiv som möjligt och maximera vinsten.
Vilka är nyanserna i dessa metoder?
Huvudsaken är att det måste finnas ett mål eller problem som testningen kommer att baseras på. Till exempel är problemet ett litet antal kunder i en butik eller onlinebutik. Målet är att öka kundtillströmningen. Hypotes: om produktkort i en webbutik görs större och fotografier är ljusare, så blir det fler köp. Därefter genomförs ett A/B-test, vars resultat är en bedömning av förändringar. Efter att resultaten av alla tester har mottagits kan du börja utarbeta en handlingsplan för att ändra webbplatsen.
Det rekommenderas inte att utföra tester med överlappande processer, annars blir resultaten svårare att utvärdera. Det rekommenderas att utföra tester på de högst prioriterade målen och formulerade hypoteser först.
Testet måste pågå tillräckligt länge för att resultaten ska anses tillförlitliga. Hur mycket beror förstås på själva testet. Så på nyårsafton ökar trafiken i de flesta nätbutiker. Om designen av onlinebutiken ändrades tidigare, kommer ett korttidstest att visa att allt är bra, förändringarna är framgångsrika och trafiken växer. Men nej, oavsett vad du gör innan semestern kommer trafiken att öka, testet kan inte genomföras före nyår eller direkt efter det, det måste vara tillräckligt långt för att identifiera alla samband.
Vikten av korrekt koppling mellan målet och den indikator som mäts. Genom att till exempel ändra designen på samma webbbutikswebbplats ser företaget en ökning av antalet besökare eller kunder och är nöjda med detta. Men i själva verket kan den genomsnittliga checkstorleken vara mindre än vanligt, så din totala inkomst blir ännu lägre. Detta kan naturligtvis inte kallas ett positivt resultat. Problemet är att företaget inte samtidigt kontrollerade sambandet mellan en ökning av besökare, en ökning av antalet köp och dynamiken i storleken på den genomsnittliga checken.
Är testning endast för nätbutiker?
Inte alls. En populär metod inom offlinehandel är implementeringen av en komplett pipeline för att testa hypoteser offline. Detta är konstruktionen av en process där riskerna för felaktigt urval av grupper för experimentet minskas, det optimala förhållandet mellan antalet butiker, pilottid och storleken på den uppskattade effekten väljs. Det är också återanvändning och kontinuerlig förbättring av metoder för analys efter effekter. Metoden behövs för att minska sannolikheten för falska acceptansfel och missade effekter, samt för att öka känsligheten, eftersom även en liten effekt på omfattningen av en stor verksamhet är av stor betydelse. Därför måste du kunna identifiera även de svagaste förändringarna och minimera risker, inklusive felaktiga slutsatser om experimentets resultat.
Detaljhandel, Big Data och riktiga fall
Förra året bedömde X5 Retail Groups experter dynamiken i försäljningsvolymerna för de mest populära produkterna bland fans av VM 2018. Det var inga överraskningar, men statistiken visade sig ändå vara intressant.
Vatten visade sig vara "bästsäljaren nr 1." I de städer som var värd för världscupen ökade vattenförsäljningen med cirka 46 %, ledande var Sotji, där omsättningen ökade med 87 %. På matchdagar noterades maxsiffran i Saransk – här ökade försäljningen med 160 % jämfört med vanliga dagar.
Förutom vatten köpte fansen öl. Från 14 juni till 15 juli, i de städer där matcherna ägde rum, ökade ölomsättningen med i genomsnitt 31,8 %. Sochi blev också ledaren - öl köptes här 64% mer aktivt. Men i S:t Petersburg var tillväxten liten - endast 5,6%. På matchdagar i Saransk ökade ölförsäljningen med 128 %.
Forskning har även bedrivits på andra produkter. Data som erhålls om toppdagar av matkonsumtion gör att vi kan förutsäga efterfrågan i framtiden mer exakt, med hänsyn till händelsefaktorer. En korrekt prognos gör det möjligt att förutse kundernas förväntningar.
Under testerna använde X5 Retail Group två metoder:
Bayesianska strukturella tidsseriemodeller med kumulativ skillnadsuppskattning;
Regressionsanalys med bedömning av förskjutningen i felfördelningen före och under mästerskapet.
Vad mer använder detaljhandeln från Big Data?
- Det finns en hel del metoder och tekniker, från vad som direkt kan benämnas är dessa:
- Efterfrågeprognos;
- Optimering av sortimentsmatrisen;
- Datorseende för att identifiera tomrum på hyllor och upptäcka att en kö bildas;
- Kampanjprognos.
Brist på specialister
Efterfrågan på Big Data-experter växer ständigt. Under 2018 ökade således antalet lediga jobb relaterade till big data 7 gånger jämfört med 2015. Under första halvåret 2019 översteg efterfrågan på specialister 65 % av efterfrågan för hela 2018.
Stora företag är särskilt i behov av Big Data-analytikers tjänster. Till exempel, på Mail.ru Group behövs de i alla projekt där textdata, multimediainnehåll bearbetas, talsyntes och analys utförs (detta är först och främst molntjänster, sociala nätverk, spel, etc.). Antalet vakanser i företaget har tredubblats under de senaste två åren. Under de första åtta månaderna i år anställde Mail.ru samma antal Big Data-specialister som under hela förra året. På Ozon har Data Science-avdelningen tredubblats under de senaste två åren. Situationen är liknande hos Megafon – teamet som analyserar data har vuxit flera gånger under de senaste 2,5 åren.
Utan tvekan kommer efterfrågan på representanter för specialiteter relaterade till Big Data i framtiden att växa ännu mer. Så om du har ett intresse för detta område bör du prova dig fram.
Källa: will.com