大数据技术现在无处不在——工业、医学、商业和娱乐领域。 因此，如果不分析大数据，大型零售商将无法正常运营，亚马逊的销售额将下降，气象学家将无法提前许多天、几周和几个月预测天气。 顺理成章的是，现在大数据专家的需求量很大，而且需求还在不断增长。
GeekBrains 培养该领域的代表，试图为学生提供理论知识和实例教学，并有经验丰富的专家参与。 今年 来自在线大学 GeekUniversity 的大数据分析师和俄罗斯联邦最大的零售商 X5 Retail Group 已成为合作伙伴。 公司专家拥有丰富的知识和经验，帮助打造了品牌课程，让学员在培训过程中得到理论培训和实践体验。
我们采访了 X5 Retail Group 建模和数据分析总监 Valery Babushkin。 他是其中之一 世界数据科学家（机器学习专家全球排名第 30 位）。 Valery 与其他老师一起向 GeekBrains 的学生介绍 A/B 测试、这些方法所依据的数学统计，以及在线下零售中实施 A/B 测试的现代计算实践和功能。
为什么我们需要 A/B 测试？
这是寻找改善转化、经济和行为因素的最佳方法的最佳方法之一。 还有其他方法，但它们更昂贵且更复杂。 A/B 测试的主要优点是价格相对较低并且适用于任何规模的企业。
关于A/B测试，我们可以说这是商业中最重要的搜索和决策方式之一，任何公司的利润和各种产品的开发都依赖于这些决策。 通过测试，不仅可以根据理论和假设做出决策，还可以根据具体变化如何改变客户与网络交互的实际知识来做出决策。
重要的是要记住，在零售业中，您需要测试一切 - 营销活动、短信邮件、邮件本身的测试、产品在货架上的放置以及销售区域的货架本身。 如果我们谈论在线商店，那么您可以在这里测试元素、设计、铭文和文本的排列。
A/B 测试是一种工具，可以帮助公司（例如零售商）始终保持竞争力、感知时间变化并改变自身。 这使得企业尽可能高效，实现利润最大化。
这些方法有哪些细微差别？
最主要的是必须有一个测试所基于的目标或问题。 例如，问题是零售店或在线商店的顾客数量较少。 目标是增加顾客的涌入。 假设：如果在线商店中的产品卡做得更大并且照片更明亮，那么购买量就会增加。 接下来，进行 A/B 测试，其结果是对变更的评估。 收到所有测试的结果后，您可以开始制定更改站点的行动计划。
不建议进行重叠流程的测试，否则结果会更难以评估。 建议首先对最高优先级的目标和制定的假设进行测试。
测试必须持续足够长的时间，结果才被认为是可靠的。 当然，具体多少取决于测试本身。 所以，除夕夜，大多数网店的流量都会增加。 如果之前改变了网上商店的设计，那么短期测试就会显示一切都很好，改变是成功的，流量也在增长。 但不，无论你在假期前做什么，流量都会增加，测试不能在新年之前或新年之后立即完成，它必须足够长才能识别所有相关性。
目标和所测量的指标之间正确连接的重要性。 例如，通过更改同一在线商店网站的设计，公司看到访问者或客户的数量有所增加，并对此感到满意。 但事实上，平均支票金额可能会比平时小，因此您的整体收入会更低。 当然，这不能称为积极的结果。 问题在于，该公司没有同时检查访客增加、购买数量增加以及平均支票规模的动态之间的关系。
测试仅适用于在线商店吗？
一点也不。 线下零售中的一种流行方法是实施完整的管道来在线下测试假设。 这是一个过程的构建，其中减少了错误选择实验组的风险，选择了商店数量、试验时间和估计效果大小的最佳比例。 也是后效分析方法论的重复利用和持续改进。 该方法需要减少错误接受错误和错过效果的可能性，并提高灵敏度，因为即使对大型企业规模的微小影响也非常重要。 因此，您需要能够识别最微弱的变化并最大程度地降低风险，包括关于实验结果的错误结论。
零售、大数据和真实案例
去年，X5零售集团专家评估了2018年世界杯球迷中最受欢迎的产品的销量动态。 没有什么意外，但统计数据仍然很有趣。
因此，水成为“第一畅销品”。 在举办世界杯的城市中，水销量增长了约1%；其中领先的是索契，营业额增长了46%。 比赛日期间，萨兰斯克的销售额达到最高纪录——这里的销售额比平时增加了 87%。
除了水，粉丝们还买了啤酒。 14月15日至31,8月64日，比赛举办城市啤酒成交量平均增长5,6%。 索契也成为领先者——这里的啤酒购买活跃度高出了 128%。 但在圣彼得堡，增长幅度很小——仅为 XNUMX%。 在萨兰斯克的比赛日，啤酒销量增长了 XNUMX%。
还对其他产品进行了研究。 在食品消费高峰日获得的数据使我们能够在考虑事件因素的情况下更准确地预测未来的需求。 准确的预测可以预测客户的期望。
在测试过程中，X5 Retail Group使用了两种方法：
具有累积差异估计的贝叶斯结构时间序列模型；
回归分析，评估锦标赛之前和期间的误差分布变化。
零售业还利用大数据做什么？
- 方法和技术有很多，随便命名一下，有：
- 需求预测；
- 品类矩阵的优化；
- 计算机视觉识别货架上的空位并检测队列形成；
- 促销预测。
缺乏专家
对大数据专家的需求不断增长。 由此可见，2018年，大数据相关的职位空缺数量较7年增加了2015倍。 2019年上半年，专家需求量超过65年全年需求量的2018%。
大公司尤其需要大数据分析师的服务。 例如，在 Mail.ru Group，任何处理文本数据、多媒体内容、执行语音合成和分析的项目（首先是云服务、社交网络、游戏等）都需要它们。 过去两年，该公司的职位空缺数量增加了两倍。 今年前八个月，Mail.ru 聘请的大数据专家数量与去年全年相同。 在 Ozon，数据科学部门在过去两年里增长了三倍。 Megafon 的情况也类似——过去 2,5 年里，分析数据的团队规模扩大了数倍。
毫无疑问，未来对大数据相关专业代表的需求将会更加增长。 所以如果你对这个领域感兴趣的话，你应该尝试一下。
来源： habr.com