ปัจจุบันเทคโนโลยี Big Data ถูกนำมาใช้ทุกที่ ทั้งในอุตสาหกรรม การแพทย์ ธุรกิจ และความบันเทิง ดังนั้น หากปราศจากการวิเคราะห์ Big Data ผู้ค้าปลีกรายใหญ่จะไม่สามารถดำเนินการได้ตามปกติ ยอดขายใน Amazon จะลดลง และนักอุตุนิยมวิทยาจะไม่สามารถคาดการณ์สภาพอากาศล่วงหน้าหลายวัน สัปดาห์ และเดือนได้ เป็นเรื่องที่สมเหตุสมผลที่ขณะนี้ผู้เชี่ยวชาญด้านข้อมูลขนาดใหญ่เป็นที่ต้องการอย่างมาก และความต้องการก็เพิ่มขึ้นอย่างต่อเนื่อง
GeekBrains ฝึกอบรมตัวแทนในสาขานี้ โดยพยายามให้ความรู้ทางทฤษฎีและการสอนโดยใช้ตัวอย่างแก่นักเรียน โดยมีผู้เชี่ยวชาญที่มีประสบการณ์เข้าร่วมด้วย ปีนี้ นักวิเคราะห์ Big Data จากมหาวิทยาลัยออนไลน์ GeekUniversity และผู้ค้าปลีกรายใหญ่ที่สุดในสหพันธรัฐรัสเซีย X5 Retail Group ได้กลายเป็นพันธมิตรกัน ผู้เชี่ยวชาญของบริษัทซึ่งมีความรู้และประสบการณ์กว้างขวางได้ช่วยสร้างหลักสูตรที่มีแบรนด์ ซึ่งนักศึกษาจะได้รับทั้งการฝึกอบรมภาคทฤษฎีและประสบการณ์ภาคปฏิบัติในระหว่างหลักสูตรการฝึกอบรม
เราได้พูดคุยกับ Valery Babushkin ผู้อำนวยการฝ่ายการสร้างแบบจำลองและการวิเคราะห์ข้อมูลที่ X5 Retail Group เขาเป็นหนึ่งใน นักวิทยาศาสตร์ข้อมูลในโลก (อันดับที่ 30 ในการจัดอันดับผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องทั่วโลก) Valery ร่วมกับครูคนอื่นๆ บอกกับนักเรียน GeekBrains เกี่ยวกับการทดสอบ A/B สถิติทางคณิตศาสตร์ที่ใช้วิธีเหล่านี้ ตลอดจนแนวทางปฏิบัติสมัยใหม่สำหรับการคำนวณและคุณลักษณะของการนำการทดสอบ A/B ไปใช้ในการขายปลีกแบบออฟไลน์
เหตุใดเราจึงต้องมีการทดสอบ A/B เลย?
นี่เป็นหนึ่งในวิธีที่ดีที่สุดในการค้นหาวิธีที่ดีที่สุดในการปรับปรุง Conversion เศรษฐศาสตร์ และปัจจัยด้านพฤติกรรม มีวิธีอื่น แต่มีราคาแพงและซับซ้อนกว่า ข้อได้เปรียบหลักของการทดสอบ A/B คือราคาที่ค่อนข้างต่ำและความพร้อมใช้งานสำหรับธุรกิจทุกขนาด
เกี่ยวกับการทดสอบ A/B เราสามารถพูดได้ว่านี่เป็นหนึ่งในวิธีที่สำคัญที่สุดในการค้นหาและการตัดสินใจในธุรกิจ ซึ่งเป็นการตัดสินใจที่ทั้งผลกำไรและการพัฒนาผลิตภัณฑ์ต่างๆ ของบริษัทต่างๆ ขึ้นอยู่กับ การทดสอบทำให้สามารถตัดสินใจได้ไม่เพียงแต่ตามทฤษฎีและสมมติฐานเท่านั้น แต่ยังรวมถึงความรู้เชิงปฏิบัติว่าการเปลี่ยนแปลงเฉพาะเจาะจงปรับเปลี่ยนการโต้ตอบของลูกค้ากับเครือข่ายอย่างไร
สิ่งสำคัญคือต้องจำไว้ว่าในการค้าปลีกคุณต้องทดสอบทุกอย่าง - แคมเปญการตลาด, การส่ง SMS, การทดสอบการส่งไปรษณีย์, การจัดวางผลิตภัณฑ์บนชั้นวางและชั้นวางในพื้นที่ขาย หากเราพูดถึงร้านค้าออนไลน์ คุณสามารถทดสอบการจัดองค์ประกอบ การออกแบบ คำจารึก และข้อความได้ที่นี่
การทดสอบ A/B เป็นเครื่องมือที่ช่วยให้บริษัท เช่น ผู้ค้าปลีก สามารถแข่งขันได้ตลอดเวลา รับรู้การเปลี่ยนแปลงของเวลา และเปลี่ยนแปลงตัวเองได้ สิ่งนี้ช่วยให้ธุรกิจมีประสิทธิภาพมากที่สุดเท่าที่จะเป็นไปได้และเพิ่มผลกำไรสูงสุด
ความแตกต่างของวิธีการเหล่านี้คืออะไร?
สิ่งสำคัญคือจะต้องมีเป้าหมายหรือปัญหาในการทดสอบ ตัวอย่างเช่น ปัญหาอยู่ที่ลูกค้าจำนวนเล็กน้อยที่ร้านค้าปลีกหรือร้านค้าออนไลน์ เป้าหมายคือเพื่อเพิ่มการไหลเข้าของลูกค้า สมมติฐาน: หากการ์ดผลิตภัณฑ์ในร้านค้าออนไลน์มีขนาดใหญ่ขึ้นและรูปถ่ายสว่างขึ้น ก็จะมีการซื้อเพิ่มขึ้น ถัดไป การทดสอบ A/B จะดำเนินการ ซึ่งผลลัพธ์คือการประเมินการเปลี่ยนแปลง หลังจากได้รับผลการทดสอบทั้งหมดแล้ว คุณสามารถเริ่มกำหนดแผนปฏิบัติการเพื่อเปลี่ยนแปลงไซต์ได้
ไม่แนะนำให้ทำการทดสอบที่มีกระบวนการทับซ้อนกัน มิฉะนั้นผลลัพธ์จะยากต่อการประเมิน ขอแนะนำให้ทำการทดสอบเป้าหมายที่มีลำดับความสำคัญสูงสุดและตั้งสมมติฐานไว้ก่อน
การทดสอบต้องใช้เวลานานเพียงพอจึงจะถือว่าผลลัพธ์มีความน่าเชื่อถือ แน่นอนว่าขึ้นอยู่กับการทดสอบมากน้อยเพียงใด ดังนั้นในวันส่งท้ายปีเก่า ปริมาณการเข้าชมร้านค้าออนไลน์ส่วนใหญ่จึงเพิ่มขึ้น หากการออกแบบร้านค้าออนไลน์มีการเปลี่ยนแปลงมาก่อน การทดสอบระยะสั้นจะแสดงให้เห็นว่าทุกอย่างเรียบร้อยดี การเปลี่ยนแปลงสำเร็จ และปริมาณการเข้าชมก็เพิ่มขึ้น แต่ไม่ ไม่ว่าคุณจะทำอะไรก่อนวันหยุด ปริมาณการเข้าชมจะเพิ่มขึ้น ไม่สามารถทำการทดสอบให้เสร็จสิ้นก่อนปีใหม่หรือหลังจากนั้นทันที การทดสอบจะต้องนานพอที่จะระบุความสัมพันธ์ทั้งหมดได้
ความสำคัญของการเชื่อมต่อที่ถูกต้องระหว่างเป้าหมายและตัวบ่งชี้ที่กำลังวัด เช่นการเปลี่ยนดีไซน์เว็บไซต์ร้านค้าออนไลน์เดิมทำให้บริษัทเห็นว่าจำนวนผู้เยี่ยมชมหรือลูกค้าเพิ่มขึ้นและพอใจกับสิ่งนี้ แต่ที่จริงแล้วขนาดเช็คโดยเฉลี่ยอาจจะเล็กกว่าปกติ ดังนั้น รายได้โดยรวมของคุณก็จะยิ่งน้อยลงไปอีก แน่นอนว่าสิ่งนี้ไม่สามารถเรียกได้ว่าเป็นผลบวก ปัญหาคือบริษัทไม่ได้ตรวจสอบความสัมพันธ์ระหว่างจำนวนผู้เข้าชมที่เพิ่มขึ้น จำนวนการซื้อที่เพิ่มขึ้น และการเปลี่ยนแปลงของขนาดของเช็คโดยเฉลี่ยไปพร้อมๆ กัน
การทดสอบสำหรับร้านค้าออนไลน์เท่านั้นหรือไม่
ไม่เลย. วิธีที่ได้รับความนิยมในการขายปลีกแบบออฟไลน์คือการนำไปป์ไลน์ที่สมบูรณ์มาใช้เพื่อทดสอบสมมติฐานแบบออฟไลน์ นี่คือการสร้างกระบวนการที่ลดความเสี่ยงในการเลือกกลุ่มที่ไม่ถูกต้องสำหรับการทดลอง โดยเลือกอัตราส่วนที่เหมาะสมของจำนวนร้านค้า เวลานำร่อง และขนาดของผลกระทบโดยประมาณ นอกจากนี้ยังเป็นการนำมาใช้ซ้ำและปรับปรุงวิธีการวิเคราะห์ภายหลังผลกระทบอย่างต่อเนื่อง วิธีนี้จำเป็นเพื่อลดโอกาสที่จะเกิดข้อผิดพลาดในการยอมรับที่ผิดพลาดและผลกระทบที่ไม่ได้รับ รวมทั้งเพิ่มความไว เนื่องจากแม้แต่ผลกระทบเล็กน้อยต่อขนาดของธุรกิจขนาดใหญ่ก็มีความสำคัญอย่างยิ่ง ดังนั้น คุณจะต้องสามารถระบุได้แม้กระทั่งการเปลี่ยนแปลงที่อ่อนแอที่สุดและลดความเสี่ยงให้เหลือน้อยที่สุด รวมถึงการสรุปที่ไม่ถูกต้องเกี่ยวกับผลลัพธ์ของการทดสอบ
การค้าปลีก ข้อมูลขนาดใหญ่ และกรณีจริง
เมื่อปีที่แล้ว ผู้เชี่ยวชาญของ X5 Retail Group ประเมินการเปลี่ยนแปลงของปริมาณการขายผลิตภัณฑ์ที่ได้รับความนิยมสูงสุดในหมู่แฟนบอลฟุตบอลโลก 2018 ไม่มีเรื่องน่าประหลาดใจ แต่สถิติยังคงน่าสนใจ
ดังนั้นน้ำจึงกลายเป็น “สินค้าขายดีอันดับ 1” ในเมืองที่เป็นเจ้าภาพฟุตบอลโลก ยอดขายน้ำเพิ่มขึ้นประมาณ 46% ผู้นำคือโซชี ซึ่งมูลค่าการซื้อขายเพิ่มขึ้น 87% ในวันแข่งขัน ตัวเลขสูงสุดถูกบันทึกไว้ใน Saransk - ที่นี่ยอดขายเพิ่มขึ้น 160% เมื่อเทียบกับวันปกติ
นอกจากน้ำแล้ว แฟนๆ ยังซื้อเบียร์อีกด้วย ตั้งแต่วันที่ 14 มิถุนายนถึง 15 กรกฎาคม ในเมืองที่มีการแข่งขันเกิดขึ้น มูลค่าการซื้อขายเบียร์เพิ่มขึ้นโดยเฉลี่ย 31,8% โซซีก็เป็นผู้นำเช่นกัน - ซื้อเบียร์ที่นี่มากขึ้น 64% แต่ในเซนต์ปีเตอร์สเบิร์กการเติบโตมีน้อยเพียง 5,6% ในวันแข่งขันที่ซารานส์ก ยอดขายเบียร์เพิ่มขึ้น 128%
นอกจากนี้ยังมีการวิจัยเกี่ยวกับผลิตภัณฑ์อื่นๆ ด้วย ข้อมูลที่ได้รับในวันที่มีการบริโภคอาหารสูงสุดช่วยให้เราคาดการณ์ความต้องการในอนาคตได้แม่นยำยิ่งขึ้น โดยคำนึงถึงปัจจัยของเหตุการณ์ การคาดการณ์ที่แม่นยำทำให้สามารถคาดการณ์ความคาดหวังของลูกค้าได้
ในระหว่างการทดสอบ X5 Retail Group ใช้สองวิธี:
แบบจำลองอนุกรมเวลาเชิงโครงสร้างแบบเบย์ที่มีการประมาณค่าผลต่างสะสม
การวิเคราะห์การถดถอยพร้อมการประเมินการเปลี่ยนแปลงในการกระจายข้อผิดพลาดก่อนและระหว่างการแข่งขันชิงแชมป์
การค้าปลีกใช้อะไรอีกบ้างจาก Big Data?
- มีวิธีการและเทคโนโลยีค่อนข้างมาก จากสิ่งที่สามารถเรียกได้อย่างตรงไปตรงมา ได้แก่:
- การคาดการณ์ความต้องการ
- การเพิ่มประสิทธิภาพของเมทริกซ์การแบ่งประเภท
- คอมพิวเตอร์วิทัศน์เพื่อระบุช่องว่างบนชั้นวางและตรวจจับการขึ้นรูปของคิว
- พยากรณ์โปรโมชั่น
ขาดผู้เชี่ยวชาญ
ความต้องการผู้เชี่ยวชาญด้าน Big Data มีการเติบโตอย่างต่อเนื่อง ดังนั้นในปี 2018 จำนวนตำแหน่งงานว่างที่เกี่ยวข้องกับ Big Data จึงเพิ่มขึ้น 7 เท่าเมื่อเทียบกับปี 2015 ในช่วงครึ่งแรกของปี 2019 ความต้องการผู้เชี่ยวชาญเกิน 65% ของความต้องการทั้งปี 2018
บริษัทขนาดใหญ่ต้องการบริการจากนักวิเคราะห์ Big Data เป็นพิเศษ ตัวอย่างเช่น ที่ Mail.ru Group พวกเขามีความจำเป็นในโครงการใด ๆ ที่มีการประมวลผลข้อมูลข้อความ เนื้อหามัลติมีเดีย การสังเคราะห์เสียงพูดและการวิเคราะห์ (ประการแรกคือบริการคลาวด์ โซเชียลเน็ตเวิร์ก เกม ฯลฯ ) จำนวนตำแหน่งงานว่างในบริษัทเพิ่มขึ้นสามเท่าในช่วงสองปีที่ผ่านมา ในช่วงแปดเดือนแรกของปีนี้ Mail.ru จ้างผู้เชี่ยวชาญด้าน Big Data จำนวนเท่ากันกับในปีที่แล้ว ที่ Ozon แผนกวิทยาศาสตร์ข้อมูลเติบโตขึ้นสามเท่าในช่วงสองปีที่ผ่านมา สถานการณ์ของ Megafon ก็คล้ายกัน - ทีมวิเคราะห์ข้อมูลได้เติบโตขึ้นหลายครั้งในช่วง 2,5 ปีที่ผ่านมา
ไม่ต้องสงสัยเลยว่าในอนาคตความต้องการตัวแทนเฉพาะด้านที่เกี่ยวข้องกับ Big Data จะเพิ่มมากขึ้น ดังนั้นหากคุณมีความสนใจในพื้นที่นี้คุณควรลองใช้มือของคุณ
ที่มา: will.com