Прогнозная аналитика: как цифры предсказывают будущее

Предсказывать будущее можно разными способами: можно заглянуть в хрустальный шар, можно гадать на кофейной гуще, а можно обратиться к серьёзным методам и надёжным цифрам. Прогнозная аналитика — давно уже не научная фантастика. Аналитики Convergent расскажут, как она устроена на примере обычного интернет-магазина.

Рассмотрим пять методов построения прогнозов. Осторожно! Все действия выполнены профессионалами.

Представим ситуацию: вы стали менеджером интернет-магазина. Предыдущий коллега оставил вам небольшой Word-документ с доступами и непонятную табличку в Excel на 100 строк с результатами за прошедший год, и непонятно, как он их собирал и зачем. Через неделю у вас новое промо к лету, а директор требует предположить, что же это промо нам принесёт и принесёт ли вообще.

В таком случае можно использовать аналогии: этот метод используют, когда данных по конкретному проекту нет, но есть по похожим. Можно «прикинуть», как примерно всё закончится в этом году, исходя из данных прошлого. Такой прогноз не будет сверхточным: он не сможет учесть особые условия и факторы, которые значительно влияют на результат. Но это всё равно лучше, чем ничего!

Вы работаете менеджером уже год, вы поняли важность данных и аналитики, так что бережно собираете и храните все показатели. Вы уговорили директора на внеочередное промо, но он снова хочет цифр: как это повлияет на выручку? Почему нельзя просто дать скидки всем? И вам снова приходится обращаться к прогнозной аналитике.

Регрессионные модели — это аналог математических уравнений, которые позволяют определить сложные зависимости между разными показателями, например, между количеством покупок и возрастом покупателей. Чтобы определить решающие факторы, нужно провести мини-исследование: предположить, какие из них могут иметь влияние, включить их в модель и оценить результат. При этом нужно также помнить о том, что могут появляться и сторонние факторы: например, недавний флешмоб в соцсетях с поиском диванов со своим именем значительно подпортил статистику.

Круто, если вы продвинутый менеджер и уже гуру аналитики: тогда, вероятно, вы сможете построить корректную регрессионную модель и убедить своего начальника, что промо просто необходимо. А если нет, можно обратиться к нашим специалистам: мы проведем необходимый анализ и дадим рабочие цифры, которые помогут вам в работе.

Ваша менеджерская жизнь нелегка: директор открыл для себя генератор промокодов и теперь маниакально пытается впихнуть их во все каналы коммуникации. Но вы видите цифры, и они подсказывают, что всё не так просто: часть пользователей такими акциями вообще не пользуется. Как определить, кому отправлять код?

Деревья решений позволяют классифицировать данные и в дальнейшем определять, какие параметры влияют на то или иное событие. В нашем случае так можно узнать, кто чаще пользуется кодами: мужчины или женщины, какого возраста, есть ли у них дети, подписаны ли они на рассылку и подключены ли к программе лояльности. Основываясь на уже имеющейся информации, можно обоснованно предполагать, кому код пригодится, а кто его, скорее всего, проигнорирует.

Вы стараетесь увеличить LTV и вернуть старых неактивных пользователей на сайт: это кажется более надёжным способом, чем нагонять всё новых клиентов. Можно ли предсказать, кто сделает заказ, а кто нет? Конечно же, да. И для этого пригодятся цепи Маркова.

Этот инструмент прогнозной аналитики представляет собой череду событий, в которой каждое последующее зависит от предыдущего. В нашем случае цепи Маркова помогут предсказать поведение пользователя на сайте и что на него влияет.

Использование цепей Маркова доступно тем, кого не пугает статистика, математика и выражение «матрица переходов», но сложность модели оправдана большей точностью прогнозируемого результата. К тому же графическая визуализация позволяет представить выводы более наглядно, а значит, и более убедительно.

Замучившись собирать данные в Excel, вы, наконец, подключаете Google Analytics. Теперь вся необходимая информация о поведении пользователей на сайте собирается автоматически, а строить прогнозные модели немного проще: для этого Google придумал систему BigQuery.

BigQuery в принципе не требует очень глубоких познаний в математике: модель строится через SQL-запрос, но здесь есть свои нюансы. Во-первых, всё равно нужно иметь знания аналитики, просто так модель не построишь. Необходимо выбрать правильные параметры, чтобы анализ был максимально точным. Во-вторых, BigQuery не такой гибкий, как другие инструменты. Ну и в-третьих — за доступ к программе нужно платить, хотя результат однозначно будет того стоить (если, конечно, довериться профессионалам).

Прогнозная аналитика применяется всё шире и шире: данные помогают принимать взвешенные решения на всех этапах ведения бизнеса. Больше нет места гипотезам из разряда «ну, мне кажется...» и «так всегда было» — они уступают эффективным моделям, которые позволяют делать продуманные шаги и получать максимум от инвестиций.