Что такое предиктивная аналитика, и от чего зависит точность прогноза
Говоря простыми словами, предиктивная аналитика (прогнозная аналитика) - метод обработки данных таким образом, чтобы можно было предсказать цифры, связанные с развитием бизнеса в будущем.
Прогноз основан на грамотном использовании данных статистики, машинном обучении и интеллектуальном анализе данных для поиска корреляций и паттернов, которые станут ключевыми в понимании клиентов, рыночных трендов и т.д.
Предиктивную аналитику, в первую очередь, используют крупные промышленные предприятия или финансовые организации. Однако она имеет высокий потенциал как метод исследования для ритейла.
Прогнозная аналитика позволяет взять информацию из прошлых периодов работы и использовать ее для определения вероятности будущих результатов.
В ритейле, например, можно использовать информацию о продажах прошлых лет, активности лояльных клиентов, чтобы предсказать поведение покупателей или время, когда закончится определенный товар. То есть данные товароучетных программ, которые накапливались в течение многих лет, с момента возможности сканирования штрих-кодов, стало реально применить для более-менее точного прогноза на следующие 2-3 месяца.
Насколько данные предиктивной аналитики будут правдивыми, зависит от факторов:
- объем и качество внутренних данных (о продажах и клиентах);
- изменения во внешней среде год от года (экономические потрясения, трансформация политической сфере, технические изменения, культурные факторы, мода и даже температура на улице);
- умелое обучение нейросети, которая предскажет тренд развития ситуации в дальнейшем.
Внешняя среда всегда находится в процессе изменений и трансформации. Некоторые изменения косвенно влияют на покупательную способность и поведение клиентов. Другие же - влияют периодически. Если таких меняющихся факторов много, то нейросеть приходится обучать дольше, чтобы она предоставляла адекватные результаты предиктивной аналитики.
В чем отличие предиктивной и предикативной аналитики
Понятие предиктивной аналитики появилось лишь несколько лет назад, когда стало возможным недорого обрабатывать big data и обучать нейросеть. Пришло оно из английского как прямой перевод слова predictive. Однако с распространением понятия возникла путаница - отечественные маркетологи вначале перевели predictive как предикативный. И использовали выражение “предикативная аналитика” вместо предиктивная аналитика.
Таким образом, называть “предикативная аналитика” этот вид исследования данных неправильно.
Какие данные в ритейле можно использовать для предиктивной аналитики
Суть предиктивной аналитики в том, что в нейросеть загружаются уже готовые внутренние и внешние данные, которые затем обрабатываются.
Внутренние данные отслеживаются различными способами. Например, через веб-сайт, сооkies, присвоение личного id позволяют отслеживать их перемещения в интернете и связь между действиями на сайте и звонками в офис.
Использование программы лояльности - это тоже возможность отслеживания чей-то коммерческой активности. Однако не все данные можно собрать в цифровом виде.Так, для предиктивной аналитики полезно загрузить в нейросеть данные с видеокамер магазинов, которые позволяют отслеживать физические перемещения своих клиентов, фиксируя, с какими товарами идет взаимодействие и каким образом.
Например, если видеокамера фиксирует, что 80% покупателей после захода в магазин поворачивают направо, нейросеть сделает вывод о необходимом расположении товаров - клиенты даже не обратят внимание на товары, расположенные у входа слева.
Что используется для предиктивной аналитики в торговле?
- Данные о точках продаж;
- Информация о потребителях, в том числе о программах лояльности;
- Потребительская демография;
- Магазин и онлайн-навигация поток трафика;
- Конкурентная разведка;
- Другие внешние факторы, такие как погода или обстановка на улицах.
Откуда владелец магазинам берет все эти данные:
- Веб-сайт;
- Приложение для смартфона;
- Программа лояльности;
- Системы товароучета;
- Системы цепочек поставок;
- Датчики и камеры в магазине;
- Социальные сети.
В чем выгода для бизнеса и сферы торговли
Препрогнозная аналитика стала важным активом для ритейлеров, и крупные комании используют ее преимущества над конкурентами и завоевания значительной доли рынка.
Охват прогнозной аналитики не ограничивается только сферой торговли, однако в ритейле работа систем предиктивной аналитики разворачивается на все 100%. Рассмотрим несколько кейсов для примера.
Назначение цен
Главная цель магазина - обеспечить прибылью ее владельца. Директор магазина должен уметь рассчитать наценку таким образом, чтобы увеличить маржинальность, но не отпугнуть клиента.
С помощью предиктивной аналитики и машинного обучения в реальном времени можно получить ответы на такие вопросы:
- Какова правильная цена для увеличения продаж?
- Стоит ли увеличить частоту рекламных мероприятий, основанных на ценах?
- Какова оптимальная цена для целевого клиента?
- Как упадут продажи товара Y в следующем месяце, если цена возрастет на N процентов.
Предиктивная аналитика также учитывает разнообразные факторы, например, прогноз погоды и данные о продажах в режиме реального времени, чтобы изменить расчет реакции клиентов на цену.
Управление запасами
Переполненный склад с плохо продаваемыми запасами - один из кошмаров розничных продавцов, а особенно, владельцев интернет-магазинов. Это приводит к потере продаж, так как те товары, на которые есть спрос, негде хранить.
Системы предиктивной аналитики помогут ответить на такие вопросы: как и что хранить, что выбрасывать и когда это делать.
Каждый владелец магазина хочет наполнить склад товарами, которые пользуются популярностью у потребителей. Прогностическая аналитика устраняет необходимость покупать и выбрасывать (продавать по себестоимости) запасы товаров по наитию.
Механизм рекомендаций для лояльных клиентов
Вы можете не только рекомендовать клиентам товары на основе просмотренных в интернет-магазине, но и воспользоваться рекомендациями нейросети.
Прогнозная аналитика использует совокупные данные для предположения, что покупатель, скорее всего, купит в следующий раз. И будет генерировать соответствующие рекомендации по продукту. То есть нейросеть сможет дать целенаправленные и индивидуальные предложения, которые ориентированы на конкретных покупателей.
