Ginagamit na ngayon ang mga teknolohiya ng Big Data sa lahat ng dako—sa industriya, medisina, negosyo, at entertainment. Kung walang malaking pagsusuri ng data, hindi makakapagpatakbo ng maayos ang malalaking retailer, bababa ang mga benta sa Amazon, at hindi mahulaan ng mga meteorologist ang mga araw, linggo, at buwan nang maaga. Lohikal na ang mga dalubhasa sa malalaking data ay nasa mataas na demand, na may patuloy na paglaki ng demand.
Sinasanay ng GeekBrains ang mga propesyonal sa larangang ito, na nagbibigay sa mga mag-aaral ng parehong teoretikal na kaalaman at hands-on na karanasan, gamit ang mga karanasang eksperto. Ngayong taon Ang mga analyst ng Big Data mula sa online na unibersidad na GeekUniversity at X5 Retail Group, ang pinakamalaking retailer ng Russia, ay nakipagsosyo. Ang mga espesyalista ng kumpanya, kasama ang kanilang malawak na kaalaman at karanasan, ay tumulong na lumikha ng isang branded na kurso na nagbibigay sa mga mag-aaral ng parehong teoretikal na pagsasanay at praktikal na karanasan.
Nakipag-usap kami kay Valery Babushkin, Direktor ng Pagmomodelo at Pagsusuri ng Data sa X5 Retail Group. Isa siya sa data scientist sa buong mundo (naka-rank sa ika-30 sa mundo sa machine learning). Kasama ng iba pang mga instructor, tinuturuan ni Valery ang mga mag-aaral ng GeekBrains tungkol sa pagsubok sa A/B, ang mga istatistika ng matematika na pinagbabatayan ng mga pamamaraang ito, pati na rin ang mga modernong kasanayan sa pagkalkula at ang mga detalye ng pagpapatupad ng pagsubok sa A/B sa offline na retail.
Bakit kailangan natin ng pagsubok sa A/B?
Ito ay isa sa mga pinakamahusay na paraan para sa paghahanap ng mga pinakamainam na paraan upang mapahusay ang mga rate ng conversion, economic indicator, at behavioral factors. Mayroong iba pang mga pamamaraan, ngunit ang mga ito ay mas mahal at kumplikado. Ang mga pangunahing bentahe ng pagsubok sa A/B ay ang relatibong mababang gastos at pagiging naa-access nito para sa mga negosyo sa anumang laki.
Ang pagsubok sa A/B ay isa sa pinakamahalagang paraan para sa paghahanap at paggawa ng mga desisyon sa negosyo—mga desisyon na nakakaapekto sa parehong kita at pag-unlad ng iba't ibang produkto ng anumang kumpanya. Ang pagsubok ay nagbibigay-daan sa mga desisyon na gawin batay hindi lamang sa mga teorya at hypotheses, kundi pati na rin sa praktikal na kaalaman kung paano binabago ng mga partikular na pagbabago ang mga pakikipag-ugnayan ng customer sa network.
Mahalagang tandaan na sa retail, kailangang masuri ang lahat—mga kampanya sa marketing, pagmemensahe sa SMS, mga pagsubok sa mismong pagmemensahe, paglalagay ng produkto sa mga istante, at ang mga istante mismo sa lugar ng pagbebenta. Pagdating sa mga online na tindahan, maaari mong subukan ang layout ng mga elemento, disenyo, teksto, at kopya.
Ang pagsubok sa A/B ay isang tool na tumutulong sa isang kumpanya, gaya ng isang retailer, na manatiling mapagkumpitensya, makilala kaagad ang mga pagbabago, at umangkop nang naaayon. Nagbibigay-daan ito sa negosyo na maging kasing episyente hangga't maaari, na nagpapalaki ng kita.
Ano ang mga nuances ng mga pamamaraang ito?
Ang susi ay magkaroon ng layunin o problema na magsisilbing batayan para sa pagsubok. Halimbawa, ang problema ay maaaring mababang trapiko ng customer sa isang brick-and-mortar o online na tindahan. Ang layunin ay pataasin ang trapiko ng customer. Ang hypothesis ay na kung ang mga card ng produkto sa online na tindahan ay gagawing mas malaki at mas maliwanag ang mga larawan, mas maraming pagbili ang gagawin. Susunod, ang isang pagsubok sa A/B ay isinasagawa, ang mga resulta nito ay ginagamit upang suriin ang mga pagbabago. Kapag ang mga resulta ng lahat ng mga pagsubok ay nasa, isang plano ng aksyon para sa mga pagbabago sa website ay maaaring bumuo.
Hindi inirerekomenda na magsagawa ng mga pagsubok na may magkakapatong na mga proseso, dahil gagawin nitong mas mahirap suriin ang mga resulta. Inirerekomenda na magsagawa ng mga pagsubok sa mga layunin na may pinakamataas na priyoridad at mga nakasaad na hypotheses muna.
Ang pagsusulit ay dapat na tumakbo nang sapat upang ang mga resulta ay maituturing na maaasahan. Gaano katagal ang eksaktong nakasalalay, siyempre, sa pagsubok mismo. Halimbawa, sa Bisperas ng Bagong Taon, tumataas ang trapiko sa karamihan ng mga online na tindahan. Kung ang disenyo ng online na tindahan ay binago muna, ang isang panandaliang pagsubok ay magpapakita na ang lahat ay maayos, ang mga pagbabago ay matagumpay, at ang trapiko ay lumalaki. Ngunit anuman ang iyong gawin bago ang pista opisyal, lalago ang trapiko. Ang pagsusulit ay hindi dapat makumpleto bago o kaagad pagkatapos ng Bagong Taon; ito ay dapat na may sapat na haba upang matukoy ang lahat ng mga ugnayan.
Ang kahalagahan ng isang malinaw na koneksyon sa pagitan ng layunin at ng sukatan na sinusukat. Halimbawa, pagkatapos muling idisenyo ang isang website ng online na tindahan, maaaring makakita ang isang kumpanya ng pagdami ng mga bisita o customer at masiyahan sa resulta. Gayunpaman, sa katotohanan, ang average na halaga ng order ay maaaring mas mababa kaysa karaniwan, na nagreresulta sa mas mababang kabuuang kita. Siyempre, hindi ito maituturing na positibong resulta. Ang problema ay hindi sinukat ng kumpanya nang sabay-sabay ang ugnayan sa pagitan ng dumaraming mga bisita, tumaas na mga pagbili, at ang average na halaga ng order.
Ang pagsubok ba ay para lamang sa mga online na tindahan?
Hindi naman. Ang isang sikat na paraan sa offline na retail ay ang pagpapatupad ng isang buong pipeline para sa pagsubok ng mga hypotheses offline. Ito ay isang proseso na nagpapababa sa panganib ng maling pagpili ng mga pangkat para sa isang eksperimento, paghahanap ng pinakamainam na balanse sa pagitan ng bilang ng mga tindahan, oras ng pag-pilot, at ang laki ng epektong sinusuri. Kasama rin dito ang muling paggamit at patuloy na pagpapabuti ng mga pamamaraan pagkatapos ng pagsusuri para sa mga epekto. Ang pamamaraang ito ay kinakailangan upang mabawasan ang posibilidad ng mga maling positibo at hindi nakuha na mga epekto, pati na rin upang madagdagan ang pagiging sensitibo, dahil kahit na ang isang maliit na epekto ay maaaring maging lubhang makabuluhan sa laki ng isang malaking negosyo. Samakatuwid, ito ay mahalaga upang matukoy kahit na ang pinakamaliit na pagbabago at mabawasan ang mga panganib, kabilang ang pagguhit ng mga maling konklusyon tungkol sa mga eksperimentong resulta.
Retail, Big Data, at Real-World Case Studies
Noong nakaraang taon, tinasa ng mga espesyalista ng X5 Retail Group ang mga trend ng pagbebenta para sa mga pinakasikat na produkto sa mga tagahanga ng 2018 World Cup. Bagama't walang mga sorpresa, ang mga istatistika ay gayunpaman ay kawili-wili.
Ang tubig, halimbawa, ay lumitaw bilang "number one bestseller." Sa mga lungsod na nagho-host ng World Cup, ang mga benta ng tubig ay tumaas ng humigit-kumulang 46%, kung saan ang Sochi ang nangunguna, at tumaas ang mga benta ng 87%. Sa mga araw ng pagtutugma, naitala ang pinakamataas na benta sa Saransk, kung saan tumaas ng 160% ang mga benta kumpara sa mga regular na araw.
Bukod sa tubig, bumili din ang mga tagahanga ng beer. Mula Hunyo 14 hanggang Hulyo 15, ang benta ng beer sa mga lungsod na nagho-host ng mga laban ay tumaas ng average na 31,8%. Nanguna rin ang Sochi, na may benta ng beer doon na tumaas ng 64%. Gayunpaman, sa St. Petersburg, ang pagtaas ay katamtaman—5,6% lamang. Sa mga araw ng pagtutugma, tumaas din ng 128% ang benta ng beer sa Saransk.
Nagsagawa rin ng pananaliksik sa iba pang produkto. Nagbibigay-daan ang data na nakuha sa mga araw ng peak consumption para sa mas tumpak na mga hula sa demand sa hinaharap, na isinasaalang-alang ang mga salik ng kaganapan. Ginagawang posible ng isang tumpak na hula na mahulaan ang mga inaasahan ng mamimili.
Sa panahon ng pagsubok, gumamit ang X5 Retail Group ng dalawang pamamaraan:
Bayesian structural time series na mga modelo na may pinagsama-samang pagtatantya ng pagkakaiba;
Pagsusuri ng regression na may pagtatasa ng bias ng pamamahagi ng error bago at sa panahon ng kampeonato.
Ano pa ang ginagamit ng retail mula sa Big Data?
- Mayroong maraming mga pamamaraan at teknolohiya, ngunit sa tuktok ng aking ulo, narito ang ilan:
- Pagtataya ng demand;
- Pag-optimize ng matrix ng hanay ng produkto;
- Computer vision upang matukoy ang mga walang laman na istante at makita ang pagbuo ng mga pila;
- Pagtataya ng promo.
Kakulangan ng mga espesyalista
Ang pangangailangan para sa mga eksperto sa Big Data ay patuloy na lumalaki. Noong 2018, tumaas ng pitong beses ang bilang ng malaking data-related job openings kumpara noong 2015. Sa unang kalahati ng 2019, ang demand para sa mga espesyalista ay lumampas sa 65% ng demand para sa buong 2018.
Ang mga malalaking kumpanya ay partikular na nangangailangan ng mga analyst ng Big Data. Halimbawa, sa Mail.ru Group, kailangan ang mga ito para sa anumang proyekto na nagpoproseso ng data ng teksto, nilalamang multimedia, at synthesis at pagsusuri sa pagsasalita (pangunahin ang mga serbisyo sa ulap, mga social network, mga laro, atbp.). Ang bilang ng mga bakante ng kumpanya ay triple sa nakalipas na dalawang taon. Sa unang walong buwan ng taong ito, kumuha ang Mail.ru ng kasing dami ng mga espesyalista sa Big Data tulad ng sa buong nakaraang taon. Sa Ozon, ang departamento ng Data Science ay naging triple sa laki sa nakalipas na dalawang taon. Ang Megafon ay nakakaranas ng katulad na sitwasyon: ang pangkat na responsable para sa pagsusuri ng data ay lumago ng ilang beses sa nakalipas na dalawa at kalahating taon.
Walang alinlangan na ang pangangailangan para sa mga propesyonal sa Big Data ay lalago pa sa hinaharap. Kaya kung interesado ka sa larangang ito, sulit na subukan ito.
Pinagmulan: www.habr.com
