大數據科技現在無所不在——工業、醫學、商業和娛樂領域。 因此，如果不分析大數據，大型零售商將無法正常運營，亞馬遜的銷售額將下降，氣象學家將無法提前許多天、幾週和幾個月預測天氣。 順理成章的是，現在大數據專家的需求量很大，而且需求還在持續成長。
GeekBrains 培養該領域的代表，試圖為學生提供理論知識和實例教學，並有經驗豐富的專家參與。 今年 來自線上大學 GeekUniversity 的大數據分析師和俄羅斯聯邦最大的零售商 X5 Retail Group 已成為合作夥伴。 公司專家擁有豐富的知識和經驗，幫助打造了品牌課程，讓學員在培訓過程中獲得理論培訓和實踐體驗。
我們採訪了 X5 Retail Group 建模和數據分析總監 Valery Babushkin。 他是其中之一 世界資料科學家（機器學習專家全球排名第 30 位）。 Valery 與其他老師一起向 GeekBrains 的學生介紹 A/B 測驗、這些方法所依據的數學統計，以及在線下零售中實施 A/B 測驗的現代計算實踐和功能。
為什麼我們需要 A/B 測試？
這是尋找改善轉換、經濟和行為因素的最佳方法的最佳方法之一。 還有其他方法，但它們更昂貴且更複雜。 A/B 測試的主要優點是價格相對較低且適用於任何規模的企業。
關於A/B測試，我們可以說這是商業中最重要的搜尋和決策方式之一，任何公司的利潤和各種產品的開發都依賴這些決策。 透過測試，不僅可以根據理論和假設做出決策，還可以根據具體變化如何改變客戶與網路互動的實際知識來做出決策。
重要的是要記住，在零售業中，您需要測試一切 - 行銷活動、簡訊郵件、郵件本身的測試、產品在貨架上的放置以及銷售區域的貨架本身。 如果我們談論線上商店，那麼您可以在這裡測試元素、設計、銘文和文字的排列。
A/B 測試是一種工具，可以幫助公司（例如零售商）始終保持競爭力、感知時間變化並改變自身。 這使得企業盡可能高效，並實現利潤最大化。
這些方法有哪些細微差別？
最主要的是必須有一個測試所基於的目標或問題。 例如，問題是零售店或線上商店的顧客數量較少。 目標是增加顧客的湧入。 假設：如果線上商店中的產品卡做得更大且照片更明亮，那麼購買量就會增加。 接下來，進行 A/B 測試，其結果是對變更的評估。 收到所有測試的結果後，您可以開始製定更改站點的行動計劃。
不建議進行重疊流程的測試，否則結果會更難以評估。 建議先對最高優先順序的目標和製定的假設進行測試。
測試必須持續足夠長的時間，結果才被認為是可靠的。 當然，具體多少取決於測試本身。 所以，除夕夜，大多數網路商店的流量都會增加。 如果之前改變了網上商店的設計，那麼短期測試就會顯示一切都很好，改變是成功的，流量也在增長。 但不，無論你在假期前做什麼，流量都會增加，測試不能在新年之前或新年之後立即完成，它必須足夠長才能識別所有相關性。
目標和所測量的指標之間正確連結的重要性。 例如，透過更改相同線上商店網站的設計，公司看到訪客或客戶的數量增加，並對此感到滿意。 但事實上，平均支票金額可能會比平常小，因此您的整體收入會更低。 當然，這不能稱為正面的結果。 問題在於，該公司沒有同時檢查訪客增加、購買數量增加以及平均支票規模的動態之間的關係。
測試僅適用於線上商店嗎？
一點也不。 線下零售中的一種流行方法是實施完整的管道來在線下測試假設。 這是一個過程的構建，其中減少了錯誤選擇實驗組的風險，選擇了商店數量、試驗時間和估計效果大小的最佳比例。 也是後效分析方法論的重複利用與持續改進。 此方法需要減少錯誤接受錯誤和錯過效果的可能性，並提高靈敏度，因為即使對大型企業規模的微小影響也非常重要。 因此，您需要能夠識別最微弱的變化並最大程度地降低風險，包括關於實驗結果的錯誤結論。
零售、大數據和真實案例
去年，X5零售集團專家評估了2018年世界盃球迷中最受歡迎的產品的銷售動態。 沒有什麼意外，但統計數據仍然很有趣。
因此，水成為「第一暢銷品」。 在舉辦世界盃的城市中，水銷量成長了約1%；其中領先的是索契，營業額成長了46%。 比賽日期間，薩蘭斯克的銷售額達到最高紀錄——這裡的銷售額比平時增加了 87%。
除了水之外，粉絲們還買了啤酒。 14月15日至31,8月64日，比賽舉辦城市啤酒成交量平均成長5,6%。 索契也成為領先者——這裡的啤酒購買活躍度高出了 128%。 但在聖彼得堡，成長幅度很小——僅為 XNUMX%。 在薩蘭斯克的比賽日，啤酒銷量成長了 XNUMX%。
也對其他產品進行了研究。 在食品消費高峰日獲得的數據使我們能夠在考慮事件因素的情況下更準確地預測未來的需求。 準確的預測可以預測客戶的期望。
在測試過程中，X5 Retail Group使用了兩種方法：
具有累積差異估計的貝葉斯結構時間序列模型；
迴歸分析，評估錦標賽之前和期間的誤差分佈變化。
零售業還利用大數據做什麼？
- 方法和技術很多，隨便命名一下，有：
- 需求預測；
- 品類矩陣的最佳化；
- 電腦視覺識別貨架上的空位並偵測隊列形成；
- 促銷預測。
缺乏專家
對大數據專家的需求不斷增長。 由此可見，2018年，大數據相關的職缺數量較7年增加了2015倍。 2019年上半年，專家需求量超過65年全年需求量的2018%。
大公司尤其需要大數據分析師的服務。 例如，在 Mail.ru Group，任何處理文字資料、多媒體內容、執行語音合成和分析的專案（首先是雲端服務、社交網路、遊戲等）都需要它們。 過去兩年，該公司的職缺數量增加了兩倍。 今年前八個月，Mail.ru 聘請的大數據專家數量與去年全年相同。 在 Ozon，數據科學部門在過去兩年裡成長了三倍。 Megafon 的情況也類似——過去 2,5 年裡，分析數據的團隊規模擴大了數倍。
毫無疑問，未來對大數據相關專業代表的需求將會更加成長。 所以如果你對這個領域感興趣的話，你應該嘗試一下。
來源： www.habr.com