Рассказываем простым языком о предсказательной аналитике | Публикации |

Рассказываем простым языком о предсказательной аналитике | Публикации | Экспертиза
Содержание
  1. Что такое предиктивный маркетинг?
  2. Что такое предиктивная аналитика?
  3. Walmart: оптимизация системы снабжения
  4. Зоопарк Point Defiance: рост малого бизнеса
  5. Услуги программного обеспечения.
  6. Hopper: прогнозирование ценовых тенденций
  7. 4 вида аналитики данных для эффективного управления на практическом iiot-примере
  8. IBM: сохранение персонала
  9. Under Armour: увеличение охвата аудитории
  10. Сбербанк: Big Five и риск-менеджмент
  11. Ingate: технологический сервис для удержания клиентов
  12. Адаптивное образование сотрудников с «эквио»
  13. Виды предиктивной аналитики
  14. Возможности и преимущества
  15. Зачем все это?
  16. История
  17. Источники данных: чеки и cookies
  18. Как мы использовали предиктивную аналитику при запуске рекламной кампании для подгузников
  19. Как начать использовать решения
  20. Предиктивная аналитика в маркетинге
  21. Причины для анализа поведения потребителей
  22. Простой сбыт для продовольственного сектора с «инлайн м16»
  23. Процесс моделирования
  24. Рассказываем простым языком о предсказательной аналитике
  25. Управление дебиторской задолженностью ur-li
  26. Управление клиентским трафиком yclients
  27. Управление складскими запасами от forecast now!
  28. Цифровые модели и предиктивная аналитика
  29. Вывод

Что такое предиктивный маркетинг?

Современные маркетинговые инструменты обеспечивают постоянный поток информации, позволяя легко отслеживать цифровой путь клиента.

Алгоритмы предиктивной аналитики наблюдают за поведением клиентов в режиме реального времени и сопоставляют его с имеющимися данными, выявляя паттерны и обеспечивая более глубокое понимание клиентов. Кроме того, результаты можно сопоставить с данными отдела продаж и клиентского сервиса (customer service), и понять, что побуждает клиентов совершать покупки.


Используя эти знания, компании оптимизируют свои бюджеты, улучшают эффективность и повышают рентабельность инвестиций в каналы коммуникации.

По данным Salesforce, использование в маркетинге предиктивной аналитики способно повысить конверсию, увеличить рост заказов и прибыль.

Однако следует учесть, что алгоритмам требуется время на обучение. Надежность технологии во многом зависит от продолжительности ее использования. Спустя год после ее внедрения точность прогнозов резко возрастает и продолжает улучшаться.

Что такое предиктивная аналитика?

Предиктивная аналитика — это технология, использующая искусственный интеллект, машинное обучение (machine learning, ML) и методы статистического моделирования (statistical modeling) для анализа исторических и текущих данных и выявления потенциальных трендов.

Для обеспечения точных прогнозов эта технология требует постоянного потока огромных массивов данных. Поскольку современные программные решения накапливают практически бесконечный объем информации, предиктивная аналитика стремительно набирает обороты.

По данным исследований Acumen Research and Consulting, к 2026 году мировой рынок предиктивной аналитики достигнет $25 200 000 000, при этом среднегодовой темп роста в период с 2022 по 2026 год составит около 20,8%.

Сегодня эта технология используется во многих отраслях, включая банковские и финансовые услуги, страхование, телекоммуникации и ИТ, розничную торговлю, электронную коммерцию, здравоохранение, промышленность, государственную и оборонную деятельность, энергетику, транспорт и логистику и др.

С помощью предиктивной аналитики компании могут минимизировать инвестиционные риски, ускорить развитие инноваций, повысить безопасность, сократить расходы и увеличить прибыль.

Walmart: оптимизация системы снабжения

Начнём с примера, который один может вдохновить всю розничную торговлю. Компания Walmart, крупнейшая в мире сеть оптовой и розничной торговли, адаптируется к эпохе цифровых технологий, связывая онлайн- и офлайн-данные. Система запрашивает информацию у кассовых терминалов и даёт прогноз, какие товары будут пользоваться спросом, а какие — нет.

Информацией управляют с помощью облака Data Cafe Walmart, которое обслуживается командой Walmart Labs в Силиконовой долине. Эта операция нужна для расчёта ожидаемых показателей. Благодаря инструментам предиктивной аналитики и искусственному интеллекту компания оптимизировала цепочку поставки товара и добилась соблюдения сроков доставки.

Стоит отметить, что такая технология может использоваться не только гигантами, как Walmart. Любой менеджер менее крупной компании с помощью доступных технологий от Google и Adobe может правильно организовать поставки товаров и минимизировать риски дорогостоящих корректировок, если спрос превышает предложение или наоборот.

Зоопарк Point Defiance: рост малого бизнеса

Опрос SAP показал, что более 70 % руководителей малого бизнеса также начинают использовать в работе аналитические данные. Приведём пример.

Посещаемость зоопарка Point Defiance (Такома, штат Вашингтон) то непредсказуемо росла, то падала. В случае небольшого числа людей расходы на персонал оказывались слишком большими. Чтобы выявить факторы, влияющие на посещаемость, руководство зоопарка начало сотрудничать с национальной метеорологической службой.

Объединение данных национальной метеорологической службы с управляемой искусственным интеллектом платформой Watson IBM позволило с точностью до 95 % определять, при каких погодных условиях люди посещают зоопарк, и обеспечивать его нужным количеством персонала.

Конечно, практическое применение этого метода гораздо шире, чем просто анализ числа посещений. В Point Defiance изучают, как посетители ведут себя в зоопарке, где проводят больше времени, какие маршруты выбирают. Анализ этой информации позволяет улучшить качество обслуживания.

Услуги программного обеспечения.

Отток клиентов всегда был сложной метрикой для понимания. Большинство данных только сообщают, сколько клиентов ушли, и сколько денег было потеряно. С помощью предиктивной аналитики менеджеры по продуктам могут прогнозировать и сокращать отток с гораздо большей точностью, что может привести к росту доходов.

Алгоритм прогнозной аналитики должен учитывать демографические данные клиентов, приобретенные продукты, использование продукта, звонки клиентов, время с момента последнего контакта, историю прошлых транзакций, отрасль, размер компании и доход.

Важно не только определить, кто откажется, но и кто не откажется. Прогнозирование того, какие клиенты не уйдут, означает, что вы можете найти разные способы привлечь их с помощью новых продуктов или стратегического партнерства.

Hopper: прогнозирование ценовых тенденций

Индустрия туризма печально известна высокой конкуренцией, недолговечными пиками, спадами спроса и низкорентабельными направлениями. Из-за этого многие путешественники сомневаются в правильном выборе времени для бронирования билетов: сделать заказ за несколько месяцев или за два дня до даты отправления.

Решить эту проблему помогают приложения для путешествий, использующие предиктивную аналитику на основе технологий искусственного интеллекта. Отличный пример в данном случае — Hopper.

Приложение использует статические модели и ежедневно сканирует миллиард цен и данных по каждому маршруту. Это позволяет прогнозировать модели ценообразования и оповещать путешественников о возможности купить самые дешёвые билеты на желаемое направление.

Конечно, это не единственная компания, предоставляющая такую услугу. В России широко известны AviaSales, Skyscanner, TripAdvisor и др.

4 вида аналитики данных для эффективного управления на практическом iiot-примере

Начнем с практического определения: аналитика данных – это процесс поиска системных закономерностей в массивах информации и интерпретации найденных фактов с целью получения важных для бизнеса сведений (инсайтов, insights), которые позволят оптимизировать деятельность: увеличить доход, сократить затраты или достичь других важных результатов [1].

Принято выделять 4 вида аналитики данных, отличающихся уровнем сложности работы с информацией и степенью человеческого участия [2]:

  • Описательная (дескриптивная), которая отвечает на вопрос «Что случилось?», создавая сводку исторических данных для их дальнейшего анализа. Например, непрерывный сбор информации с производственного оборудования с помощью smart-датчиков и других IoT/IIoT-устройств позволит точно идентифицировать момент сбоя в технологическом процессе.
  • Диагностическая, которая анализирует информацию, чтобы ответить на вопрос «Почему это случилось?». Здесь используются статистические методы анализа данных с целью их кластеризации, классификации, детализации и обнаружения корреляции, чтобы выявить основные факторы влияния на результаты. В рассмотренном выше примере с промышленным интернетом вещей (Industrial Internet of Things, IIoT) диагностическая аналитика покажет, что авария случилась по причине выхода из строя модуля приемки сырья.
  • Предиктивная (прогнозная, предсказательная), которая прогнозирует неизвестные события в будущем, отвечая на вопрос «Что может случиться?» на основе анализа накопленной информации. Здесь используется множество методов: математическая статистика, моделирование, машинное обучение и другие области Data Science, а также интеллектуальный анализ данных (Data Mining). К примеру, предиктивная аналитика текущих и прошлых показателей работы производственного оборудования заблаговременно определит время его профилактического ремонта, чтобы избежать поломки дорогостоящей техники. Как это работает на практике в нефтегазовой отрасли, мы рассказывали в этой статье.
  • Предписывающая (предписательная), которая отвечает на, пожалуй, главный управленческий вопрос «Что делать?». Здесь машинное обучение и другие методы искусственного интеллекта анализируют все накопленные и обработанные данные, чтобы найти наилучшие решения для конкретной ситуации. В рассматриваемом примере модуль предписывающей аналитики подскажет, какая именно деталь производственного оборудования больше всего износилась и как это исправить наиболее оптимальным с точки зрения экономики образом: заменить на новую или отремонтировать.
предиктивная аналитика, описательная аналитика, диагностическая аналитика, предписывающая аналитика
Аналитическая пирамида: от описательной к предписывающей аналитики данных

IBM: сохранение персонала

Плюс предиктивной аналитики — возможность получить долгосрочные результаты, работающие на цели компании. Чаще всего это получение прибыли. Однако предиктивная аналитика и искусственный интеллект могут помочь не только в этом. С их помощью можно выявить проблемы текучки кадров и предложить пути их решения.

Так, суперкомпьютер Watson IBM оценивает общие факторы, влияющие на уход персонала. По структурированным данным (как на скриншоте ниже) он определяет показатели качества для каждого сотрудника и просчитывает вероятность его увольнения.

Владелец бизнеса или менеджер может использовать эти показатели, чтобы выявить причины возможного ухода сотрудников из компании и предотвратить это. Предиктивная аналитика также позволяет учитывать затраты на привлечение новых кадров и сохранение имеющихся специалистов. Благодаря этому появляется возможность снизить операционные расходы.

Under Armour: увеличение охвата аудитории

Компания Under Armour, производитель спортивного инвентаря, использует искусственный интеллект и предиктивную аналитику для анализа тональности публикаций и общественного мнения. Они хотят понять отношение потребителя к бренду, найти свободные ниши на рынке и расширить аудиторию.

Кроме того, сейчас компания производит не только спортивные товары, но и приложения и устройства, предназначенные для учёта отдельных характеристик организма пользователя (фитнес-трекеры, умные часы и пр.). Чем больше людей используют эту продукцию, тем больше информации поступает в Under Armour.

Сбербанк: Big Five и риск-менеджмент

Для банка оценка рисков крайне важна, ведь любой риск — это возможность недополучить доход. Выдавая кредит или совершая другую операцию, банк должен быть уверен, что перед ним платежеспособный человек, не принимающий необдуманных решений. Сейчас для этого совсем не обязательно задавать миллион вопросов. Достаточно проанализировать поведение человека в социальных сетях.

Такую методологию искусственного интеллекта Сбербанк внедрил в свой риск-менеджмент. Она называется Big Five. Технология позволяет составить психологический портрет личности и оценить его благонадёжность для банка на основе пяти черт характера: добросовестность, открытость, общительность, законопослушность и эмоциональная неустойчивость. Применяя эту методологию, Сбербанк получил $50 млн чистой прибыли.

Дополнительный анализ:  Аналитик назвал россиянам наиболее выгодную альтернативу пенсии: Пенсия: Экономика:

Сегодня нет ни одной сферы деятельности, где бы компания ни пыталась применить искусственный интеллект: открытие счетов с помощью программного робота, одобрение кредитов без участия человека, оценка работы сотрудников и т. д. В планах у Сбербанка оптимизировать с помощью искусственного интеллекта до 80 % операций.

Ingate: технологический сервис для удержания клиентов

Клиент — это доход. Поэтому компания должна учитывать пожелания каждого из них. А что делать, если у компании десятки, сотни или даже тысячи клиентов? Отследить их настрой на продолжение сотрудничества достаточно сложно, и без предиктивной аналитики и искусственного интеллекта уже не обойтись.

Вот только малая часть примеров использования предиктивной аналитики на основе технологий искусственного интеллекта. Если у вас есть необходимые аналитические данные и люди, которые смогут грамотно их интерпретировать и сформировать прогнозы, не упускайте возможность зарабатывать больше.

*За основу мы взяли статью«5 businesses using AI to predict the future and profit».

Адаптивное образование сотрудников с «эквио»

Смотреть — тут 

Предиктивная аналитика помогает и в вопросах образования сотрудников. Например, платформа управления дистанционным обучением «Эквио» при импорте или создании образовательного контента позволяет провести предиктивную оценку его качества с точки зрения входных требований, компетенций, способов их формирования.

Особенно ценно, что решение позволяет не только проводить предиктивную оценку качества программы обучения, но и корректировать ее в процессе освоения слушателем. 

Решение помогает в обучении, мотивации и управлении персоналом через геймификацию и развитие тех компетенций, которые одновременно нужны бизнесу и интересны сотруднику. Попробовать систему можно бесплатно — есть триальный режим. 

Стоимость абонентского обслуживания начинается с 10 800 рублей в месяц при годовом контракте и зависит от количества учащихся (минимальные 1490 рублей в год за человека достигаются при пакете на 350 пользователей). В систему можно загружать как свои собственные истории для образования и онбординга, так и приобретать из огромного каталога готовых курсов на платформе.

Виды предиктивной аналитики

Из-за акцента на определении связей между историческими данными и прогнозом будущего на их основе используется один или несколько предикторов. Если заданные требования более высокие, то применяться могут расширенные методы. Основные среди них – с контролируемым и неконтролируемым обучением.

Предполагается, что модель будет строиться по уже имеющимся данным и выходящим результатам, т.е. известны предикторы и итоги, на которые они влияют. Контролируемое обучение состоит из:

Регрессия. Самый популярный вид предиктивной аналитики. Во время регрессии применяется количественная переменная, т.е. цена продажи автомобиля будет зависеть от ряда предикторных переменных: марки, трансмиссии, привода, цвета, внешнего вида, состояния салона и т.д.

Классификация. Здесь нашла применение так называемая категориальная вариация ответа. Например, уровень дохода. Его можно условно разделить на три группы: низкий, средний и высокий. Классификатор изучит полученный набор данных, где в каждом наблюдении будет присутствовать информация о переменной и предикторах.

Например, исследуется уровень доходов лиц, которые отсутствуют в исходном наборе данных, по характеристикам возраста, пола и профессии. Аналитик сначала изучает весь набор данных, заданный алгоритм вычисляет комбинации, связанные с уровнем дохода, создавая так называемый обучающий набор.

Затем алгоритм рассматривает другие наблюдения, где нет информации о доходе. В итоге, основываясь на классификации учебного набора данных, новым наблюдениям задается классификация: 64-летний мужчина, руководитель департамента информационной безопасности, будет отнесен к группе с высоким уровнем дохода.

Классификация делится на несколько видов: логистическая регрессия, случайные леса и др. 

  • Неконтролируемое обучение

Моделирование идет по входящим данным. Вывод подбирается уже в процессе.

Кластеризация основной вид неконтролируемого обучения, который помогает понять связи между переменными или наблюдениями, определяя их попадание в разные группы. Например, если анализировать клиентов, то в расчет принимаем несколько переменных: пол, возраст, доход и т.д.

Возможности и преимущества

Предиктивная аналитика в В2В может:

1. Повысить точность маркетинговой сегментации.

Компании B2B используют большие данные в клиентской аналитике в самом начале воронки продаж – во время сегментации рынка. С помощью больших данных менеджеры по продажам могут более четко сегментировать рынок. Чтобы создать идеальный образ покупателя для более узкого целевого маркетинга, менеджеры собирают данные о продажах и проводят анализ для распределения существующих клиентов по различным целевым сегментам.

2. Улучшить конверсию.

Аналитика данных позволяет предприятиям B2B использовать историческую информацию о продажах и предыдущих клиентах для наиболее эффективного выявления новых потенциальных клиентов. Чтобы предсказать, какой потребитель с наибольшей вероятностью закроет сделку, компании разрабатывают алгоритмы оценки потенциальных клиентов в сочетании с внешними данными. Такой подход приводит к увеличению конверсии B2B-компаний в различных отраслях на 30%.

3. Улучшить прогнозирование продаж.

Благодаря точному прогнозированию продаж бизнес может стабильно получать прибыль в течение финансового года.

Для создания точного прогноза продаж специалисты используют данные о продажах CRM (отзывы клиентов, поведение клиентов, жалобы, торговые операции) и алгоритм авторегрессионного интегрированного скользящего среднего (ARIMA). Благодаря этой стратегии компании получают информацию о скрытых возможностях покупки.

4. Повысить точность рекомендаций.

Зачем все это?

В предиктивной аналитике используются как отдельные модели, так и их комплекс в виде гибридной цифровой модели. В России одна из наиболее известных систем предиктивной аналитики и удаленного мониторинга – “Прана”.

 Корреляционная матрица. Выявление коррелирующих сигналов – первый шаг к созданию статистической модели
Корреляционная матрица. Выявление коррелирующих сигналов – первый шаг к созданию статистической модели

Сегодня она используется компаниями энергетической отрасли – от добычи и транспортировки нефти и газа до электроэнергетики. В каждом из секторов есть свои отличия. Так, в энергетике агрегаты  работают большую часть времени в стационарных режимах, а вот работа турбин и других агрегатов, используемых в нефтегазовой отрасли, характеризуется крайне большим количеством переходных режимов с быстрыми пусками и остановами, что делает условия их эксплуатации практически экстремальными.

Именно поэтому и были разработаны гибридные модели. Одна из них уже была опробована – это кейс компании “Ротек” и одного из ведущих предприятий газотранспортной отрасли в РФ. Прототип разработан на базе описанных выше двух моделей.

В ходе тестирования оказалось, что статистические модели дают отличную сходимость на стационарных режимах работы. Это означает высокую степень точности прогноза состояния оборудования на долгосрочной перспективе, благодаря чему регистрируются более общие тренды развития дефектов.

А вот физические модели показали более высокую степень сходимости в краткосрочной временном интервале (в десятках минут). Методика физического моделирования дает дополнительный инструмент анализа, незаменимый при контроле состояния оборудования, занятого в нефтегазовой и нефтегазотранспортной системах.

Представление результатов физического моделирования в интерфейсе системы для пользователя
Представление результатов физического моделирования в интерфейсе системы для пользователя

Таким образом, гибридная модель позволяет охватить большинство режимов работы, встречающихся на контролируемом оборудовании, в том числе и переходные. Обеспечивая взаимное дополнение друг друга, методы значительно повышают достоверность прогнозирования.

В результате отрасль в целом получает новый эффективный инструмент, который дает возможность  избежать повторения технологических аварий, снизить риск ущерба, заранее предупреждая о состоянии того или иного агрегата. Благодаря предиктивной аналитике компании могут существенно расширить горизонт планирования ремонтных работ и всей сопутствующей логистики.

История

Считается, что нынешняя предиктивная аналитика берет свое начало из сороковых, когда начали использоваться метод Монте-Карло, линейное программирование и азы нейронных сетей.  Во время войны подобные модели помогали расшифровывать немецкие сообщения и прогнозировать ядерные цепные реакции проекта “Манхэттен”.

Спустя двадцать лет крупные компании и исследовательские центры начали монетизацию предиктивной аналитики при помощи нелинейного программирования, что стало основой предсказания погоды и решения логистических задач на определение кратчайшего пути. С семидесятых начинается основной виток популярности методов.

Источники данных: чеки и cookies

Практическое применение предиктивной аналитики — в оптимальном использовании маркетингового бюджета при проведении performance-кампаний. Обычно для расширения первого этапа воронки продаж, закупка трафика происходит на основе пользовательских интересов, но если они получены не на основе анализа потребительской корзины, то это может привести к отрицательному ROI и высокому CPO.

Чтобы проиллюстрировать наш подход, разобьем его на несколько частей:

1. Источники данных и для каких типов товаров они подойдут.

В качестве источника данных мы используем данные чеков и cookies интернет-магазинов. Если первый тип источника — данные ОФД достаточно распространены на рынке и имеют обширное покрытие, то данные cookies получить намного сложней из-за закрытости инфраструктур электронной коммерции в России.

Во-первых, важно отметить, что данные чеков можно использовать в математических моделях только для товаров повседневного спроса и высокой периодичности, например: товары для красоты и уходу за собой, уборки дома, детские товары, продукты питания и другие.

Как мы использовали предиктивную аналитику при запуске рекламной кампании для подгузников

Давайте на конкретном примере рассмотрим, как работает предиктивная аналитика. Проект под NDA, поэтому мы не используем название бренда.

Перед нами стояла задача увеличить продажи подгузников на основных маркетплейсах: Vprok, Утконос и Ozon за счет привлечения новой аудитории молодых мам с детьми до 2 лет. Особое внимание необходимо было уделить аудитории беременных женщин, начиная с 7 месяца беременности, и мам с детьми до 6 месяцев, так как именно в этот период формируется потребительское предпочтение на оставшийся срок потребления. Для формирования сегментов мы разбили исходные данные на несколько частей:

Сегмент 1: Текущие покупатели подгузников и трусиков размера NB,S,M.

Сегмент 2: Текущие покупатели размера L.

Сегмент 3: Текущие покупатели XL.

Сегмент 4: Текущие покупатели товаров для беременных (по всем SKU, попадающим в фасетную выгрузку данной категории в онлайн-ритейлерах).

На основе получившихся выборок данных и тестирования гипотез были использованы следующие стратегии:

  • Использование сегментов без дополнительных фильтров и обработок, т.е. текущие покупатели подгузников и товаров для беременных.
  • Построение Look-alike на описанные выше сегменты.
  • Построение Look-alike на пользователей из данных сегментов, которые с наибольшей вероятностью приобретут товар в течение 21 дня.

Как начать использовать решения

Главное — быть открытым, гибким и пробовать примерять инновации на свой бизнес. Чтобы систематизировать эту работу и не потратить впустую целое состояние, придерживайтесь трех простых правил:

  1. Постоянно ищите новые возможности. Например, воспользуйтесь поиском по участникам инновационного центра «Сколково». По ключевой фразе «предиктивная аналитика» поиск в результатах выдает 653 компании. Там есть как универсальные сервисы, о которых я рассказывал выше, так и узкоспециализированные.
  2. Используйте краткосрочную подписку или демо. На старте отдавайте предпочтение сервисам, которые работают по SaaS-модели и имеют готовые продукты. Так вы сможете быстро, бесплатно или за небольшие деньги примерить решение на свою компанию, провести А/В-тесты и сразу понять, приносит ли это пользу бизнесу или нет. 
  3. Тестируйте ограниченно и с контрольными группами, чтобы получить репрезентативные результаты и не ставить эксперименты над всем своим бизнесом. 
Дополнительный анализ:  РБК — смотреть онлайн прямой эфир

Предиктивная аналитика в маркетинге

В упрощенном виде предиктивная аналитика работает в маркетинге через регрессионный анализ. При регрессионном анализе аналитик берет две переменные и рассчитывает коэффициент регрессии, чтобы определить шансы того, что клиент купит продукт. Например, можно использовать уровень дохода и спрос на продукт для расчета коэффициента регрессии.

Если между двумя переменными существует сильная связь, это указывает на то, что уровень дохода является важным фактором спроса на продукцию. Можно построить анализ на множестве переменных, учитывая совокупность факторов влияния на определенный признак (например, как возраст и доход влияют на размер среднего чека).

Однако наблюдение за основными факторами, влияющими на потребительский спрос, – это лишь верхушка айсберга. С помощью предиктивной аналитики можно отображать ретроспективные данные и прогнозировать будущие тенденции покупок. Независимо от того, занимаетесь ли вы маркетингом B2B или B2C, вы можете предвидеть, что потребители купят, еще до совершения покупки.

Инвестируя в предиктивную аналитику, вы можете более эффективно выполнять несколько функций. Одна из них – сегментация клиентов, которая включает в себя разделение клиентов на разные сегменты для более точных маркетинговых кампаний.

Также возможно исключить неэффективные процессы и уменьшить отток. Вы можете лучше понять клиентов и разработать маркетинговые кампании, которые не позволят им уйти. Также появляется возможность автоматизировать маркетинговые процессы, чтобы сократить расходы и сэкономить время.

Причины для анализа поведения потребителей

Представьте себе следующее: вы сразу же узнаете, что хочет купить потребитель, как только он заходит в магазин. Оказывается, что у вас в магазине такого товара на данный момент нет, и есть вероятность того, что клиент расстроится, и вы навсегда потеряете потенциального покупателя.

  • Найти инсайт (взгляд со стороны покупателя) благодаря сегментированию потребителей.

  • Привлекать потенциальных покупателей и проводить таргетинг на сегмент потребителей, предлагая им релевантные товары, на основе анализа их прошлых покупок и профилей.
  • Повысить удержание клиентов. Позволяет оценивать рентабельность клиентов и удерживать их, благодаря проактивному подходу.

Простой сбыт для продовольственного сектора с «инлайн м16»

Смотреть — тут 

У малых и средних предприятий продовольственного сектора есть ряд объективных сложностей: им сложно и дорого продвигаться через интернет на b2b-рынке в России и на экспорт, информированность о рыночной цене и качестве сырья низкая, есть вероятность столкнуться с мошенниками и непрозрачным ценообразованием.

Решить эту проблему призвана foodtech-платформа М16, ускоряющая цифровизацию продовольственного сектора России с помощью анализа больших данных. Собственная технология компании ускоряет процесс закупок и продаж, избавляет производителя от большого числа рутинной работы или необходимости нанимать дополнительный персонал под эту задачу.

Поскольку через платформу проходят большие массивы данных, она обрабатывает их с помощью инструментов предиктивной аналитики, что позволяет прогнозировать спрос, предложение и колебания цен. В целом, решение делает продовольственный рынок более предсказуемым и прозрачным, а значит, способствует устойчивости бизнеса.

Сервис тоже работает по подписке, стоимость за пользования начинается от 1090 рублей в месяц, что вполне подъемно для малого и среднего бизнеса в области продовольствия.

Процесс моделирования

Сам процесс моделирования делится на несколько частей:

Для построения основной модели мы используем два подхода:

1. Решение регрессионной задачи с помощью нейронной сети на основе LSTM.

Рекуррентные нейронные сети (РНС) — сети, учитывающие предшествующую информацию. LSTM (long short-term memory) — тип рекуррентной нейронной сети, способный обучаться долгосрочной зависимости. Их специализация — запоминание информации в течение длительных периодов времени.

Все рекуррентные нейронные сети имеют форму цепочки повторяющихся модулей нейронной сети. В стандартных РНС этот повторяющийся модуль имеет простую структуру, а модуль LSTM состоит из четырех взаимодействующих слоев. Благодаря этому не происходит разрыва связи между информацией, что позволяет нам определить вероятность совершения покупки пользователем в течение 21 дня.

Для чего это нужно: предположим, что вам нужно купить шампунь для волос, вам удобнее всего сделать это в интернет-магазине. Вы заходите в онлайн-магазин и начинаете поиски: вбиваете в строке поиска «шампунь», проваливаетесь в категорию «уход за волосами», сортируете товары по рейтингу и смотрите карточки товаров, читаете отзывы, характеристики продукта и, в итоге, совершаете покупку.

На выбор шампуня вы потратили, скажем, две минуты. Магия в том, что две минуты потратили не только вы, но и большинство пользователей, которые покупали шампунь. А дальше с помощью математических моделей можно предсказать вероятность совершения покупки пользователя и даже повторного приобретения товара.

2. Латентный анализ с помощью факторизации матриц.

Латентный анализ (Latent semantic analysis) — метод обработки информации на естественном языке, анализирующий взаимосвязь между библиотекой документов и терминами, которые в них встречаются. С помощью анализа можно выявить характерные факторы, присущие всем документам и терминам.

3. Используемые скриптовые языки.

Все наши модели написаны на Python, обработка данных происходит внутри контура собственной DMP платформы, с дальнейшей отгрузкой сегментов в рекламные кабинеты по API. В ближайшем будущем мы планируем переход на CDP платформу, которая позволит объединить все процессы в одном месте.

Рассказываем простым языком о предсказательной аналитике

Конечно, «предиктивный анализ» звучит сложно и непонятно. Но это совсем не так. Эта технология позволяет провести достаточно точное медиапланирование на основе накопленных данных. Федор Иванов, старший продакт-менеджер Calltouch, рассказывает, что это такое и чем вам поможет предсказание вашего маркетингового будущего

Что такое предиктивный анализ

Дословно предиктивный анализ — это предсказательная аналитика, которая
использует исторические данные, накопленные по некоторой величине, для
прогнозирования поведения этой величины в будущем.

По сути, прогноз строится на основе алгоритмов анализа временных рядов.
Возьмем любой показатель, который как-то меняется со временем. Предиктивный
анализ анализирует известный отрезок времени, по которому уже накоплены данные,
выявляет закономерности и на их основе строит прогноз на будущий период.

Насколько точен прогноз

Эффективность расчета зависит от типа данных для анализа. Если
прослеживается явная периодичность изменений, точность прогноза достигает
85%.

Зачем предиктивный анализ маркетологам, агентствам и
клиентам

Можно ли использовать прогнозную аналитику для карьерного роста?

Смоделируем такую ситуацию: маркетолог, увидев, что прогноз обещает «не
лучшие» времена для компании на ближайшее полугодие, решает уйти в другую
фирму. Может он руководствоваться прогнозом?

Предсказательная аналитика показывает возможное будущее с точностью 80–85%
при условии, что все останется без изменений (не изменяются субъективные
факторы). «Не лучшие» времена наступили не в один момент. Скорей всего,
ухудшения нарастали постепенно, и негативная тенденция отразилась в прогнозе. В
нашем примере это «звоночек» — пора что-то менять.

Предиктивный анализ в маркетинге и вообще в бизнес-сфере лучше использовать
как инструмент медиапланирования. Предположим, клиент хочет знать количество
лидов в следующем месяце. С помощью алгоритма легко спрогнозировать это
значение.

Можно ли по результатам предиктивного анализа ставить KPI?

Все зависит от типа данных на входе. Когда периодичность изменений четко
прослеживается, как в нишах B2B, то — да. Мы видим, что и как было в прошлых
периодах. Будущее более-менее известно. В этом случае можно встроить прогноз в
KPI, но с запасом на погрешность метода.

Другой пример — когда для анализа берутся редкие данные. Скажем, у клиента
было в прошлом месяце 3 лида. Прогноз выдает прибавку в 2 лида. Однако любое
случайное изменение может легко исказить предсказание. В таких случаях
прогнозные данные нельзя применять для построения KPI.

В целом предсказательную аналитику рекомендуется использовать как инструмент
медиапланирования. Например, спрогнозировали 1500 лидов в месяц. Маркетологи
ударно поработали и получили результат в 2 раза лучше. Соответственно, значение
1500 лидов можно взять как нижнюю планку для KPI.

Зачем прогнозирование агентствам и клиентам?

Агентствам, как инструмент медиапланирования. Клиентам, скорей всего тоже
для этих целей. Скажем, понять, какая на данный момент тенденция в бизнесе —
негативная или позитивная, чего ждать в будущем. Если видится спад, то,
возможно, имеет смысл перераспределить бюджеты на другие рекламные каналы или
сделать что-то еще. Всегда лучше понимать, что творится с твоим бизнесом, и
строить планы на будущее на основе объективных данных.

Могут ли клиенты использовать данные прогноза, чтобы проверить работу
агентства?

Смоделируем такую ситуацию: клиенту обещают 50 лидов в месяц. Агентство
уверяет, что это самый потолок их KPI и вообще в нише клиента никто больше 50
лидов не приводит. Клиент заходит в личный кабинет, и предиктивный прогноз
выдает ему результат: 150 лидов на ближайший месяц. Может клиент «вскрыть»
обман агентства?

Клиент, помимо предиктивного прогноза, получает ежемесячные отчеты агентства
по ключевым метрикам. Если он видит, что лидов в прошлом месяце и ранее было в
среднем 150, то планируемый показатель в 50 лидов как минимум некорректен.
Предиктивный анализ не используют для выявления «плохишей» в агентстве. Это —
инструмент медиапланирования.

Ключевой момент, чтобы понимать суть алгоритма.

Предсказательная аналитика строит прогноз на будущее при условии, что
никакие «внешние» данные не будут меняться.

Все, что использует алгоритм для расчета, — это значение конкретной метрики
на определенный период времени. Больше ничего не известно. Как получили это
значение: переработали рекламную кампанию, влили бюджеты, подключили акции и
прочее — этого алгоритм не может знать.

Дополнительный анализ:  Джеффри Гундлах про золото и биткоин

Соответственно, точность прогноза будет снижаться, если что-то менять.
Подключили новые каналы рекламы, исправили объявления, сделали еще что-то для
улучшения ситуации. В итоге добились не прогнозного спада, а реального подъема
продаж.

Рассказываем простым языком о предсказательной аналитике | Публикации |

На чем основаны данные о 85% точности прогнозов

Методика расчета заключается в следующем. Для анализа берутся данные за
определенный временной период — это должна быть известная статистика. Из этого
опорного периода искусственно выбирается та часть временного периода, за
которую мы располагаем данными. Другую часть, неизвестную машине, но известную
людям, используют для теста. Соответственно, на выходе мы можем оценить
точность машинного прогноза, так как нам уже известны результаты второй части
данных.

Формула расчета

Прогнозирование временных рядов строится на двух алгоритмах, которые
переключаются динамически в зависимости от типа данных:

  1. Метод тройного экспоненциального сглаживания, или алгоритм
    Хольта-Винтерса
    . Он хорошо работает, когда в структуре данных
    прослеживается явная периодичность/сезонность. Например, в B2B-нишах в выходные
    дни фиксируется спад активности клиентов, а в будни — подъем. Наблюдаем в
    бизнесе типичный волнообразный цикл. Можно довольно точно спрогнозировать
    количество лидов, сессий или посчитать другие метрики на будущий период.
  2. Авторегрессия скользящего среднего (ARMA). Второй алгоритм больше
    подходит для анализа каких-то редких метрик и данных с плохо прослеживаемой
    взаимосвязью. Словом, там, где трудно установить периодичность/сезонность или
    постоянные изменения ломают тренды. Вспомним пример про 3 лида в месяц.

В работе этих алгоритмов есть нюанс. Прежде чем строить прогноз, машина
изучает входные данные. Обычно берется краткосрочный диапазон дат — неделя, а
весь исследуемый временной отрезок дробится на 7-дневные циклы. Полученные
сегменты сравниваются между собой. Неделя к неделе. Вычисляется коэффициент
корреляции (взаимная связь). Если он высокий и прослеживается явная
периодичность, то применяется метод Хольта-Винтерса. Когда данные не схожи
между собой, подключается алгоритм ARMA.

Какое развитие получит предиктивный анализ в будущем

Можно ли в скором будущем добиться 100% точности прогноза?

100% точности предсказания в принципе невозможно достичь, потому что всегда
будут мешать внешние факторы. Может быть, в каких-то идеальных условиях или
применяя сверхмощный искусственный интеллект, — это возможно. Правда, ни того,
ни другого пока не видно на горизонте.

Представьте: мы хотим со 100% точностью узнать, сколько времени нам
понадобится на то, чтобы покрасить стены дома. У нас есть четыре месяца данных
по среднему времени окрашивания аналогичного по параметрам дома для анализа:
май, июнь, июль, август, причем данные месяцы были солнечными. Требуется
спрогнозировать длительность работы в сентябре. Машина выдала некоторый
результат, но сентябрь выдался дождливым. Понятно, что полученный прогноз не
будет отражать объективную реальность.

Поэтому 100% точность — это фантастика. Можно добиться увеличения точности
на 5–7 процентных пунктов. Сложно, долго и дорого. Сейчас, при 85%, мы имеем
недостаточно быстрый расчет. А при повышении точности и глубины анализа есть
опасения не увидеть прогноз никогда.

Новый мир, где все предсказуемо, пока откладывается?

Видимо, да. Это и хорошо. С непредсказуемостью в анализе можно ужиться, если
понимать последствия ошибок.

Простой пример. Для бизнеса прогноз выдал 100 лидов на будущий месяц, а по
факту вышло 110 или 95. Ничего страшного с компанией не произойдет. А вот что
будет, если предсказали падение доллара на 20 копеек, а по факту случился
подъем на 50 копеек? Для финансовых организаций и биржевых спекулянтов — это
катастрофическая ошибка.

Предиктивный анализ — это не волшебный инструмент для предсказаний всего и
везде. Но если прогнозную аналитику использовать для медиапланирования в
маркетинге, можно добиться 85% точности прогноза. А это уже серьезно повышает
управляемость бизнеса.

Управление дебиторской задолженностью ur-li

Смотреть — тут 

Мы создали правовую AI-систему, которая поможет среднему и крупному бизнесу управлять своей дебиторской задолженностью. Принцип работы UR-LI базируется на машинном обучении и экспертизе профильных юристов. Иными словами, система обучается не сама: на каждом этапе она сверяется с живым юристом, получает фидбек и только потом использует эти знания для прогнозов по реальным кейсам.

Для тех, кому нужно взыскать задолженность, мы анализируем десятки типов данных и их взаимосвязи, чтобы рассчитать реалистичную сумму долга и предсказать шансы ее успешного взыскания. 

Помимо скоринга UR-LI предлагает услуги аккредитованных экспертов-юристов, которые занимаются составлением и исполнением дорожных карт по взысканию. А для бизнеса, который только планирует деловые отношения с потенциальным партнером, сервис оценит вероятность будущих невозвратов. В обоих случаях анализ происходит за несколько секунд.

Таким образом, у штатных юристов крупных компаний появляется дополнительный инструмент для управления дебиторской задолженностью, проверки контрагентов и анализа возможных рисков. У компаний поменьше — руководство к действию, потому что система не только собирает данные и экспортирует непонятные выгрузки с массивом информации, а обрабатывает и выводит их в формате, понятном собственнику бизнеса.

Расширенный аналитический отчет от системы UR-LI стоит 490 рублей, а если бизнес сталкивается с проблемой невозврата долга, компания берет за свои услуги только процент от тех денежных средств, которые реально получилось вернуть, — от 12 до 23%, так что клиент не вкладывает никаких денег без гарантии результата.

Управление клиентским трафиком yclients

Смотреть — тут 

SaaS, или предоставление программного обеспечения как услуги, — удобный формат для малого и среднего бизнеса, которому сложно брать из оборота деньги на разработку и внедрение собственных больших решений. 

YCLIENTS — это b2b-платформа для автоматизации работы компаний и специалистов сферы услуг с инструментами предиктивной аналитики. Она помогает определять наиболее востребованное время для клиентов компании с помощью ИИ и динамически устанавливать стоимость за услуги (как мы можем видеть, например, в сервисах такси), прогнозирует на основе электронного журнала поток клиентов и объем будущей выручки, а также рекомендует сопутствующие товары, которые стоит предложить к заказываемым позициям.

Цены за использование начинаются от 686 рублей в месяц при оплате на два года, поэтому можно спокойно тестировать сервис без финансового ущерба для бизнеса. Решение наиболее востребовано в индустрии красоты.

Управление складскими запасами от forecast now!

Смотреть — тут 

Чтобы не случилось, как в известном мультике, где чтобы «продать что-нибудь ненужное, нужно было сначала купить что-нибудь ненужное», бизнес использует программы для прогнозировании спроса и уже на основе этого управляет товарными запасами.

Пример продукта от российского IT-кластера — система Forecast NOW!. В отличие от зарубежных аналогов, где пакетные решения стоят до $1 млн и могут возникать сложности с интеграцией продуктов от других провайдеров, с отечественными предложениями таких проблем обычно не бывает.

А пользы от Forecast NOW! много: она позволяет не накапливать лишние товары и экономить средства на размере хранилища (гарантируют «сушку» склада минимум на 10%), при этом обеспечивать клиентский сервис — в запасах всегда будет нужная продукция.

Излишние запасы могут привести к заморозке денежных средств в запасах, в то время как дефицит может привести к недополученной прибыли. Система использует предиктивную аналитику на основе вероятностных моделей.

В одном из кейсов использование Forecast NOW! позволило снизить период оборачиваемости на 40% и сократить число занятых в отделе закупок сотрудников с 21 до 17 человек. По подписке сервис стоит от 130 000 рублей в месяц, а как коробочное решение цена начинается от 3 млн рублей. Система стоит своих денег и в умелых руках среднего или крупного бизнеса позволяет хорошо сэкономить.

Цифровые модели и предиктивная аналитика

Для того, чтобы понимать, о чем идет речь, приведем несколько подробностей о работе системы. Сначала о цифровых моделях.

Статистическая математическая модель – это, если так можно выразиться, “цифровой портрет” оборудования, которое работает правильно. Создается “портрет” на базе данных о функционировании всей системы и отдельных ее компонентов в разных режимов. Разработка такой модели основана на принципе многомерных контрольных карт Хотеллинга.

Можно сказать, что статистическая модель – эталон, с которым сравниваются данные работающего реального оборудования. При сравнении формируется специальный интегральный показатель, отражающий изменения технического состояния системы в режиме реального времени.

Графическое представление результатов работы статистической модели в виде интегрального критерия состояния
Графическое представление результатов работы статистической модели в виде интегрального критерия состояния

Превышение показателя на определенную величину – индикатор потенциальной поломки. В большинстве цифровых моделей система автоматически выделяет ключевые параметры, влияющие на зарождающийся дефект и ранжирует их по степени влияния. Это облегчает поиск и локализацию неисправности.

Физическая математическая модель. Это уже чисто математическое описание определенного технологического процесса. Описание создается на базе информации о работе  идеального оборудования, по его конструкторской документации. Физическая модель применяется в режиме имитационного моделирования, когда технологи рассчитывают параметры процесса в разных узлах оборудования.

Эквивалентная схема технологической установки описывает поведение технической системы с точки зрения базовых физических закономерностей
Эквивалентная схема технологической установки описывает поведение технической системы с точки зрения базовых физических закономерностей

Результаты расчета – показания виртуальных датчиков, которые генерируются моделью в определенных режимах работы. Они сравниваются с показаниями реальных датчиков. Ну а разница между показаниями используется для предсказания поломки, на ее основе строится индекс деградации, который и отражает изменения в состоянии оборудования. Как и в предыдущем случае, чем выше значение, тем вероятнее выход оборудования из строя.

Физическая модель дает возможность быстро локализовать причину дефекта с добавлением рекомендаций по исправлению ситуации. Физическая модель позволяет моделировать режимы работы оборудования при выходе из строя разных компонентов. 

Вывод

Для B2B-компаний предиктивная аналитика – это полезный инструмент для повышения дохода. Используя информацию о предыдущих клиентах, хранящуюся в CRM и ERP, предприятия B2B могут применять кластерный анализ, прогнозирование на основе поведения для:

  • Разработки маркетингового воздействия для каждого целевого клиента, чтобы сделать маркетинговые мероприятия более эффективными.
  • Оценки новых лидов на основе взаимодействия с клиентами из той же целевой группы.
  • Прогнозирования доходов на основе действий клиентов и показателя ARIMA для достижения большей финансовой стабильности.
  • Сокращения потерь из-за неэффективных процессов.
  • Предоставления более актуальных услуг и продуктов на основе закрытых сделок с похожими клиентами.
  • Оценки пожизненной ценности клиентов с помощью методов предиктивной аналитики для более эффективного удержания клиентов.
Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector