Команда Stylus обратилась к нам с задачей просчитать на следующий месяц нагрузку колл-центра и количество транзакций. Также ритейлер хотел заранее узнать, из каких городов будут поступать эти заказы. Специалисты Promodo разработали модели прогнозирования с точностью до 98%. Как удалось свести процент погрешности к минимуму – рассказываем в кейсе.
В eCommerce инструментами веб-аналитики можно измерить все бизнес-процессы: от операционных работ до поведения пользователя на сайте. И если описательная аналитика требует навыков «чтения» цифр и схем, то прогнозная нуждается в глубоком понимании, как интерпретировать эти цифры, отвечая на вопрос: «Что должно произойти?».
Для прогнозирования временных рядов мы использовали скрипты, написанные на Python, машинное обучение (machine learning) и различные модели прогнозирования, а также Power BI для наглядной визуализации полученных данных.
Шаг 1. Составление тестового прогноза
Чтобы составить точный прогноз по каждой метрике, взяли набор данных из CRM-системы и аккаунта Google Analytics за последние два года. Сделали тестовые прогнозы по сеансам и транзакциям на 3 месяца и 2 года, отследив все аномальные периоды, которые увеличивают погрешность. Также проанализировали ключевые компоненты: тренд, недельную и годовую сезонность.
Тестовый прогноз на 2 года
Благодаря анализу трендов: отследили, что существенный рост продаж у ритейлера начался с ноября 2018 года.
Благодаря графикам недельной и годовой сезонности: смогли выявить период роста и спада количества транзакций и спрогнозировать частотность заказов с погрешностью 10-15%.
Шаг 2. Составление точного прогноза с показателями по транзакциям
Чтобы составить более точный прогноз, мы доработали модели прогнозирования и создали словарь с праздниками, а также периодами повышенного спроса (Black Friday, Новый год).
Таким образом смогли выявить еще одну закономерность – на резкие изменения тренда сильное влияние оказывали акции, запущенные к периодам высокого спроса, но на недельной и годовой сезонности они практически не отражались.
Так же мы исключили из отчета аномальные периоды («падение» сервера, перебои в работе счетчика Google Analytics), которые влияют на точность результатов.
После всех этих доработок нам удалось построить детальный прогноз по количеству транзакций на каждый день с погрешностью около 8%, а в разрезе месяца свести погрешность до ~2-5%.
Шаг 3. Составление логистического прогноза
Чтобы рассчитать нагрузку на склад и спрогнозировать отправку заказов по городам – мы проработали набор данных из CRM и создали словарь населенных пунктов по областям.
Чтобы облегчить восприятие полученной информации, все данные по прогнозируемым транзакциям, звонкам и заказам мы выгрузили в Power Bi и представили команде Stylus в виде наглядных интерактивных дашбордов.
Полную версию кейса Stylus с подробным описанием всех шагов и инструментов можно просмотреть на сайте Promodo.