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.
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.
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.
Комментарий удален модератором
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.
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.