ปัจจุบันเทคโนโลยีบิ๊กดาต้าถูกนำมาใช้อย่างแพร่หลาย ทั้งในภาคอุตสาหกรรม การแพทย์ ธุรกิจ และความบันเทิง หากไม่มีการวิเคราะห์บิ๊กดาต้า ผู้ค้าปลีกขนาดใหญ่จะไม่สามารถดำเนินงานได้อย่างเหมาะสม ยอดขายบน Amazon จะลดลง และนักอุตุนิยมวิทยาจะไม่สามารถพยากรณ์อากาศล่วงหน้าได้หลายวัน หลายสัปดาห์ และหลายเดือน ผู้เชี่ยวชาญด้านบิ๊กดาต้าจึงเป็นที่ต้องการอย่างมาก และความต้องการยังคงเพิ่มขึ้นอย่างต่อเนื่อง
GeekBrains ฝึกอบรมผู้เชี่ยวชาญในสาขานี้ โดยให้ทั้งความรู้เชิงทฤษฎีและประสบการณ์จริงแก่นักศึกษา โดยใช้ผู้เชี่ยวชาญที่มีประสบการณ์ ในปีนี้ นักวิเคราะห์ข้อมูลขนาดใหญ่จากมหาวิทยาลัยออนไลน์ GeekUniversity และ X5 Retail Group ผู้ค้าปลีกรายใหญ่ที่สุดของรัสเซีย ได้ร่วมมือกัน ผู้เชี่ยวชาญของบริษัทที่มีความรู้และประสบการณ์อันกว้างขวาง ได้ร่วมกันสร้างสรรค์หลักสูตรที่มีเอกลักษณ์เฉพาะตัว มอบทั้งการฝึกอบรมเชิงทฤษฎีและประสบการณ์จริงให้แก่นักศึกษา
เราได้พูดคุยกับวาเลรี บาบุชกิน ผู้อำนวยการฝ่ายการสร้างแบบจำลองและวิเคราะห์ข้อมูลของ X5 Retail Group เขาเป็นหนึ่งใน นักวิทยาศาสตร์ข้อมูลระดับโลก (อันดับที่ 30 ของโลกในด้านการเรียนรู้ของเครื่อง) วาเลรีและอาจารย์ท่านอื่นๆ ร่วมกันสอนนักเรียน GeekBrains เกี่ยวกับการทดสอบ A/B สถิติทางคณิตศาสตร์ที่เป็นพื้นฐานของวิธีการเหล่านี้ รวมถึงแนวปฏิบัติการคำนวณสมัยใหม่ และรายละเอียดเฉพาะของการนำการทดสอบ A/B ไปใช้ในธุรกิจค้าปลีกแบบออฟไลน์
เหตุใดเราจึงต้องทดสอบ A/B?
นี่เป็นหนึ่งในวิธีที่ดีที่สุดในการค้นหาวิธีการที่เหมาะสมที่สุดในการปรับปรุงอัตราการแปลงลูกค้า ตัวชี้วัดทางเศรษฐกิจ และปัจจัยด้านพฤติกรรม แม้จะมีวิธีการอื่นๆ อยู่บ้าง แต่มีราคาแพงและซับซ้อนกว่า ข้อดีหลักของการทดสอบ A/B คือต้นทุนที่ค่อนข้างต่ำและเข้าถึงได้ง่ายสำหรับธุรกิจทุกขนาด
การทดสอบ A/B เป็นหนึ่งในวิธีการที่สำคัญที่สุดในการค้นหาและตัดสินใจทางธุรกิจ ซึ่งเป็นการตัดสินใจที่ส่งผลกระทบต่อทั้งผลกำไรและการพัฒนาผลิตภัณฑ์ต่างๆ ของบริษัท การทดสอบช่วยให้สามารถตัดสินใจได้ไม่เพียงแต่โดยอาศัยทฤษฎีและสมมติฐานเท่านั้น แต่ยังรวมถึงความรู้เชิงปฏิบัติเกี่ยวกับการเปลี่ยนแปลงเฉพาะเจาะจงที่ส่งผลต่อปฏิสัมพันธ์ของลูกค้ากับเครือข่ายด้วย
สิ่งสำคัญที่ต้องจำไว้คือ ในการค้าปลีก ทุกอย่างต้องได้รับการทดสอบ ไม่ว่าจะเป็นแคมเปญการตลาด การส่งข้อความ SMS การทดสอบตัวข้อความเอง การจัดวางสินค้าบนชั้นวางสินค้า และตัวชั้นวางสินค้าในพื้นที่ขาย สำหรับร้านค้าออนไลน์ คุณสามารถทดสอบการจัดวางองค์ประกอบ การออกแบบ ข้อความ และข้อความโฆษณาได้
การทดสอบ A/B เป็นเครื่องมือที่ช่วยให้บริษัท เช่น ผู้ค้าปลีก สามารถแข่งขันได้ รับรู้การเปลี่ยนแปลงได้อย่างรวดเร็ว และปรับตัวตาม ซึ่งช่วยให้ธุรกิจมีประสิทธิภาพสูงสุดและเพิ่มผลกำไรสูงสุด
วิธีการเหล่านี้มีรายละเอียดปลีกย่อยอะไรบ้าง?
กุญแจสำคัญคือการมีเป้าหมายหรือปัญหาที่จะใช้เป็นพื้นฐานสำหรับการทดสอบ ตัวอย่างเช่น ปัญหาอาจเกิดจากปริมาณลูกค้าที่ลดลงทั้งที่ร้านค้าจริงและร้านค้าออนไลน์ เป้าหมายคือการเพิ่มปริมาณลูกค้า สมมติฐานคือ หากการ์ดสินค้าในร้านค้าออนไลน์มีขนาดใหญ่ขึ้นและรูปภาพมีความสว่างขึ้น จะทำให้เกิดการซื้อมากขึ้น ขั้นต่อไปคือการทดสอบ A/B ซึ่งผลลัพธ์จะถูกนำไปใช้ประเมินการเปลี่ยนแปลง เมื่อผลการทดสอบทั้งหมดออกมาแล้ว จะสามารถพัฒนาแผนปฏิบัติการสำหรับการปรับปรุงเว็บไซต์ได้
ไม่แนะนำให้ทำการทดสอบที่มีกระบวนการซ้ำซ้อนกัน เพราะจะทำให้ประเมินผลได้ยากขึ้น ขอแนะนำให้ทำการทดสอบกับเป้าหมายที่มีลำดับความสำคัญสูงสุดและสมมติฐานที่กำหนดไว้ก่อน
การทดสอบต้องใช้เวลานานเพียงพอเพื่อให้ผลลัพธ์มีความน่าเชื่อถือ ระยะเวลาที่แน่นอนขึ้นอยู่กับตัวการทดสอบเอง ตัวอย่างเช่น ในวันส่งท้ายปีเก่า ปริมาณการเข้าชมร้านค้าออนไลน์ส่วนใหญ่จะเพิ่มขึ้น หากมีการเปลี่ยนแปลงการออกแบบร้านค้าออนไลน์ก่อนหน้านี้ การทดสอบระยะสั้นจะแสดงให้เห็นว่าทุกอย่างเรียบร้อยดี การเปลี่ยนแปลงประสบความสำเร็จ และปริมาณการเข้าชมเพิ่มขึ้น แต่ไม่ว่าคุณจะทำอะไรก่อนวันหยุด ปริมาณการเข้าชมก็จะเพิ่มขึ้น การทดสอบไม่ควรเสร็จสิ้นก่อนหรือหลังปีใหม่ทันที แต่ควรใช้เวลานานพอที่จะระบุความสัมพันธ์ทั้งหมดได้
ความสำคัญของการเชื่อมโยงเป้าหมายและตัวชี้วัดที่ชัดเจน ตัวอย่างเช่น หลังจากออกแบบเว็บไซต์ร้านค้าออนไลน์ใหม่ บริษัทอาจเห็นจำนวนผู้เข้าชมหรือลูกค้าเพิ่มขึ้นและพอใจกับผลลัพธ์ อย่างไรก็ตาม ในความเป็นจริง มูลค่าคำสั่งซื้อเฉลี่ยอาจต่ำกว่าปกติ ส่งผลให้รายได้โดยรวมลดลง ซึ่งแน่นอนว่าไม่ถือเป็นผลลัพธ์เชิงบวก ปัญหาคือบริษัทไม่ได้วัดความสัมพันธ์ระหว่างจำนวนผู้เข้าชมที่เพิ่มขึ้น ยอดขายที่เพิ่มขึ้น และมูลค่าคำสั่งซื้อเฉลี่ยไปพร้อมๆ กัน
การทดสอบมีเฉพาะร้านค้าออนไลน์เท่านั้นใช่ไหม?
ไม่เลย วิธีที่ได้รับความนิยมในการค้าปลีกแบบออฟไลน์คือการนำระบบทดสอบสมมติฐานแบบเต็มรูปแบบมาใช้แบบออฟไลน์ ซึ่งเป็นกระบวนการที่ช่วยลดความเสี่ยงในการเลือกกลุ่มสำหรับการทดลองที่ไม่ถูกต้อง การหาสมดุลที่เหมาะสมที่สุดระหว่างจำนวนร้านค้า เวลานำร่อง และขนาดของผลกระทบที่กำลังประเมิน นอกจากนี้ยังเกี่ยวข้องกับการนำวิธีการวิเคราะห์ผลกระทบหลังการวิเคราะห์มาใช้ซ้ำและปรับปรุงอย่างต่อเนื่อง วิธีนี้จำเป็นต่อการลดโอกาสเกิดผลบวกลวงและผลกระทบที่พลาดไป รวมถึงเพิ่มความไว เนื่องจากแม้แต่ผลกระทบเพียงเล็กน้อยก็มีความสำคัญอย่างยิ่งต่อธุรกิจขนาดใหญ่ ดังนั้น การระบุการเปลี่ยนแปลงแม้เพียงเล็กน้อยและลดความเสี่ยงให้น้อยที่สุด รวมถึงการสรุปผลการทดลองที่ไม่ถูกต้องจึงเป็นสิ่งสำคัญ
การค้าปลีก บิ๊กดาต้า และกรณีศึกษาในโลกแห่งความเป็นจริง
ปีที่แล้ว ผู้เชี่ยวชาญของ X5 Retail Group ได้ประเมินแนวโน้มยอดขายสินค้ายอดนิยมในหมู่แฟนบอลฟุตบอลโลกปี 2018 แม้จะไม่มีอะไรน่าประหลาดใจ แต่สถิติก็ยังคงน่าสนใจ
ยกตัวอย่างเช่น น้ำกลายเป็น "สินค้าขายดีอันดับหนึ่ง" ในเมืองที่จัดการแข่งขันฟุตบอลโลก ยอดขายน้ำเพิ่มขึ้นประมาณ 46% โดยโซชิเป็นผู้นำด้วยยอดขายที่เพิ่มขึ้นถึง 87% ในวันแข่งขัน ซารันสค์เป็นเมืองที่มียอดขายสูงสุด โดยมียอดขายเพิ่มขึ้น 160% เมื่อเทียบกับวันปกติ
นอกจากน้ำเปล่าแล้ว แฟนบอลยังซื้อเบียร์อีกด้วย ระหว่างวันที่ 14 มิถุนายน ถึง 15 กรกฎาคม ยอดขายเบียร์ในเมืองที่จัดการแข่งขันเพิ่มขึ้นเฉลี่ย 31,8% โดยโซชิก็เป็นผู้นำเช่นกัน ด้วยยอดขายเบียร์เพิ่มขึ้น 64% อย่างไรก็ตาม ในเซนต์ปีเตอร์สเบิร์ก ยอดขายเพิ่มขึ้นเพียงเล็กน้อย เพียง 5,6% ในวันแข่งขัน ยอดขายเบียร์ในซารันสค์ก็เพิ่มขึ้น 128% เช่นกัน
นอกจากนี้ยังมีการวิจัยเกี่ยวกับผลิตภัณฑ์อื่นๆ ด้วย ข้อมูลที่ได้รับในช่วงวันที่มีการบริโภคสูงสุดช่วยให้สามารถคาดการณ์ความต้องการในอนาคตได้อย่างแม่นยำยิ่งขึ้น โดยพิจารณาปัจจัยต่างๆ ที่เกิดขึ้น การคาดการณ์ที่แม่นยำช่วยให้สามารถคาดการณ์ความคาดหวังของผู้บริโภคได้
ในระหว่างการทดสอบ X5 Retail Group ใช้สองวิธี:
แบบจำลองอนุกรมเวลาเชิงโครงสร้างแบบเบย์เซียนที่มีการประมาณความแตกต่างสะสม
การวิเคราะห์การถดถอยพร้อมการประเมินความลำเอียงของการกระจายข้อผิดพลาดก่อนและระหว่างการแข่งขัน
การค้าปลีกนำ Big Data มาใช้ทำอะไรอีกบ้าง?
- มีวิธีการและเทคโนโลยีอยู่มากมาย แต่เท่าที่นึกออก ขอยกตัวอย่างดังนี้:
- การคาดการณ์ความต้องการ;
- การเพิ่มประสิทธิภาพของเมทริกซ์กลุ่มผลิตภัณฑ์
- คอมพิวเตอร์วิชันเพื่อระบุชั้นวางว่างและตรวจจับคิวที่กำลังก่อตัว
- โปรโมชั่นพยากรณ์
ขาดผู้เชี่ยวชาญ
ความต้องการผู้เชี่ยวชาญด้านบิ๊กดาต้าเติบโตอย่างต่อเนื่อง ในปี 2561 จำนวนตำแหน่งงานว่างที่เกี่ยวข้องกับบิ๊กดาต้าเพิ่มขึ้นเจ็ดเท่าเมื่อเทียบกับปี 2558 โดยในช่วงครึ่งแรกของปี 2562 ความต้องการผู้เชี่ยวชาญเฉพาะด้านมีมากกว่า 65% ของความต้องการตลอดปี 2561
บริษัทขนาดใหญ่ต้องการนักวิเคราะห์ข้อมูลขนาดใหญ่เป็นพิเศษ ยกตัวอย่างเช่น ที่ Mail.ru Group พวกเขาเป็นที่ต้องการสำหรับโครงการใดๆ ที่ประมวลผลข้อมูลข้อความ เนื้อหามัลติมีเดีย และการสังเคราะห์และวิเคราะห์เสียงพูด (โดยเฉพาะอย่างยิ่งบริการคลาวด์ โซเชียลเน็ตเวิร์ก เกม ฯลฯ) จำนวนตำแหน่งงานว่างของบริษัทเพิ่มขึ้นสามเท่าในช่วงสองปีที่ผ่านมา ในช่วงแปดเดือนแรกของปีนี้ Mail.ru ได้จ้างผู้เชี่ยวชาญด้านข้อมูลขนาดใหญ่เท่ากับจำนวนตลอดทั้งปีที่ผ่านมา ที่ Ozon แผนกวิทยาศาสตร์ข้อมูลมีขนาดใหญ่ขึ้นสามเท่าในช่วงสองปีที่ผ่านมา Megafon ก็กำลังประสบปัญหาที่คล้ายคลึงกัน นั่นคือ ทีมที่รับผิดชอบการวิเคราะห์ข้อมูลเติบโตขึ้นหลายเท่าในช่วงสองปีครึ่งที่ผ่านมา
ไม่ต้องสงสัยเลยว่าความต้องการผู้เชี่ยวชาญด้าน Big Data จะเพิ่มมากขึ้นในอนาคต ดังนั้น หากคุณสนใจในสาขานี้ ก็คุ้มค่าที่จะลอง
ที่มา: will.com
