{"id":13571,"url":"\/distributions\/13571\/click?bit=1&hash=d83cff4565300d1a2d0608fa73dd700b196f4b77356ac6255703ca3cdf2503d0","title":"\u041a\u043e\u043b\u043b\u0430\u0431\u044b, \u0440\u0435\u044e\u0437\u044b, \u043a\u043e\u043b\u043b\u0430\u0436\u0438... \u0414\u043b\u044f \u0447\u0435\u0433\u043e \u0432\u0441\u0451 \u044d\u0442\u043e?","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"bf0e0fe0-842c-5899-bb40-4efc00426ccf","isPaidAndBannersEnabled":false}
Convergent

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.

Аналогии

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!

Регрессионные модели

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.

Деревья решений

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.

Цепи Маркова

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.

Machine Learning

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.

0
4 комментария
Andrew Denisov

Как "работающий в полях", могу озвучить, что предиктив пока невозможен.
Математическая модель - это сферический конь в вакууме. Очень много факторов влияют и на продажи, и на эффективность РК. "Плюс-минус" я могу предсказать и без модели - на экспертном уровне. А дальше начинается гадание на кофейное гуще - поставщик не привёз товар, кладовщики заболели, конкуренты начали "слив" стока и проч. Таких факторов достаточно много и они постоянно друг на друга накладываются. Это если кратко.

А статья - без примеров, общие слова, набор моделей - не даёт ничего.

Ответить
Развернуть ветку
Convergent
Автор

Andrew, здравствуйте.

Спасибо за комментарий. 

Наша статья обзорного формата про прогнозирование в digital. Поэтому мы упоминаем в качестве примеров интернет-магазин, активность пользователей на сайте и т.п.

В полях действительно другая специфика. 

Ответить
Развернуть ветку

Комментарий удален модератором

Развернуть ветку
Convergent
Автор

Павел, здравствуйте.

Спасибо за коментарий и за ссылки на ваш блог.

Мы пишем про использование методов прогнозной аналитики в digital, где отсутствие анализа данных и прогнозирования - трата бюджета. 

Возможно, то что вы пишите релевантно для другой сферы.

Ответить
Развернуть ветку
Вадим Исаев

Так, коронавирус по многим бизнесам ударил, даже вот по перевозкам и каршерингу. Особенно по-последнему. Если в такси, хотя бы доставку добавили, то каршерингу было очень туго все это время, учитывая что большая часть народа сидела дома. Не все конечно это пережили, но многие до сих пор работают и про это, как раз тут сейчас почитать можно.  https://transforma1.ru/kak-vyzhivajut-taksi-i-karshering-v-krizis-republic/ Вдруг кому интересно будет, там про выживание как раз подробно расписано.

Ответить
Развернуть ветку
Читать все 4 комментария
null