Введение
Взвешенные решения и отсутствие страха перед неизвестным дает правильное прогнозирование на основе собственных исторических данных. Мы не живем по принципу “На одни и те же грабли”, хотя это очень пропагандируется как главное качество в русских селеньях. Все таки в повседневной жизни, на работе, банально в человеческих отношениях мы больше склонны оборачиваться назад, в свое прошлое и действовать исходя из этого опыта.
В бизнес среде почему-то с этим пока проблемы. Вроде же MBA, Бизнес молодость, Марафон желаний и прочая дичь. Да, коллеги кому на этом этапе обидно за эти темы, можете смело отписаться и послать куда подальше мой скромный бложик. Но мое мнение, что кроме раздутой мотивации для прокрастинирующих и выгоревших хоумофисных сотрудников получить оттуда нечего.
Но речь не о них, а о прогнозах, в бизнесе. Сам я ни разу не бизнесмен, но принцип его работы понимаю, потому что так или иначе связан с ним выполняя конкретные аналитические задачи в найме.
Прогнозная аналитика дело скромное, взял внутренние данные из своих учеток в CRM системах, обработал, почистил, и построил прогноз. Элементарный прогнозный анализ в Excel можно сделать. Правда почти всегда у бизнеса беда со сбором, хранением и заполнением белых пятен по клиентским базам. Телефона нет, город не указан, суммы неправильно вносим или UTM метки не прописываем. Причина такой халатности — непонимание зачем вообще это нужно делать. Вроде трафик крутится деньги мутятся, пока все устраивает.
Но, холодный трафик, даже поисковый, давно не покупает сразу. Его греть долго надо. А в базу старичков никто не заглядывает и не обрабатывает. Хотя есть отличный постулат:
Обработка показателей прошлого дает понимание будущего!
И вот на сцену выходит предиктивная аналитика, иногда ее называют предикативная, по-простому прогнозная. Зародилась она благодаря Алану Тьюрингу в далеких 1940-х, когда он пытался взломать шифровальную машину Энигма.
С тех пор прогнозы сильно облегчают жизнь в плане принятия сложных решений. Даже прогноз погоды помогает облегчить муки выбора в гардеробной перед выходом на улицу. Правда врут иногда. Но точность нам никто не обещал. 60-80% попадания уже неплохо! — 100% это фантастика. Можно добиться увеличения точности на 5-7% от диапазона 60-80%, но довести ее до 100% невозможно. Дивный мир, где все предсказуемо пока откладывается.
Предиктивная аналитика не волшебный инструмент, но в маркетинге и продажах он точно позволит улучшить медиапланирование, и достигать точности прогноза 85%. Это серьезно повышает управляемость бизнеса.
Сегодня появляется необходимость обладать таким специалистом аналитиком, который эти нюансы понимает, учитывает и желательно доносит до руководства. Так как точность прогноза напрямую зависит от качества исходных данных, аналитик должен задолбать вышестоящих по вопросу выстраивания системы ведения, хранения и анализа исторических данных. Чем больше сведений и достовернее цифры — тем выше шанс на получение достойной и по-настоящему работающей предиктивной модели.
Разберемся с определением предиктивной аналитики
Предиктивную аналитику часто путают с предписывающей, которая отвечает на конкретный вопрос “Что делать?” на основе полученных данных. Но это не так, она всего лишь шаг перед предписанием финального решения, и основа для мощного анализа. ПА прогнозирует событие и его характеристики. Например в продажах событием будет покупка товара, а характеристикой, цена. Так как прогнозировать можно любое событие имея исходные исторически данные за определенный период времени (чем больше тем лучше), то и прогноз строится на основе временных рядов.
Предиктивная аналитика — прогноз события и его характеристик в разрезе необходимого временного периода в будущем, на основе ранее полученных и обработанных исторических данных. Цель прогноза облегчить принятие сложных решений и уменьшить риски.
Такие предсказания используются во многих сферах бизнеса, продажи, производство, риски… Все на рисунке ниже. И это только малая обобщенная часть. Даже кредиты в банке выдают на основе прогнозной модели.
FMCG расшифровывается с английского как Fast Moving. Consumer Goods, то есть товары частого применения. К FMCG относятся вещи, которые использует широкий круг потребителей и которые требуются в повседневной жизни и быту. Иногда к FMCG относят товары повышенного спроса и товары народного потребления, но между этими категориями есть различие. FMCG — это товары, которые покупают часто, а не в большом количестве.
Методы используемые в предиктивной аналитике
-
Статистические — анализ временных рядов, регрессионный анализ, теория обработки сигналов. Сложный матанализ
-
Машинное обучение — появилось после 90х годов. В его основе часто заложено дерево решений, методы градиентного бустинга, решающих ансамблей, нейронные сети и другие
-
Языковые модели — пример Chat GPT, нейросеть глубокого обучения и другие. Это сверхсложные алгоритмы, которые обучаются на всех данных интернета.
Дерево решений
В отличие от классической статистики, которая использовалась очень широко до времен ИИ, сегодня аналитикам уже не нужно вникать в то, что происходит внутри этих алгоритмов. Когда решающее дерево само строит супер сложный алгоритм прогнозирования для конкретной задачи, работа аналитиков — уметь протестировать этот готовый алгоритм.*
Доктор, а это точно поможет?
Как-то я принимал участие в опросе среди онлайн бизнеса, там дают такой запрос: Хочу чтобы ко мне пришел аналитик и у меня через месяц был + 1 млн.
Интересное отношение, привыкли видимо к волшебным таблеткам? Но ПА изначально не про деньги , она про решения и риски. Если вы не готовы за это платить, то можно сказать вперед, в слепое путешествие.
О чем же предсказательная аналитика?
Польза в продажах и торговле
- составления прогнозов ежедневного спроса на конкретные товары
- учет товарного замещения для позиций во время акций и скидок
- формирования карт вариации цены в зависимости от сезонности и спроса
- принятия во внимание климатических факторов, локаций и размеров точек
- уточнения статистических показателей конкурирующих фирм и так далее.
Польза в производстве
- для предсказания факторов, влияющих на характеристики выпускаемых изделий
- прогнозирование состояния оборудования и шансов его выхода из строя
- учет потребления ресурсов и состояния основных активов
- оповещения администрации и персонала о случаях ЧП
Зная, что обыкновенные конвейеры ломаются при повышении температурного режима, можно заранее приостановить операционный процесс, приняв во внимание банальный прогноз погоды. Небольшой простой не нанесет серьезного удара по благосостоянию организации, в то время как череда крупных неисправностей техники может стать причиной финансового краха.
Польза в Маркетинге
- персонализация рекламных рассылок
- создание портрета целевой аудитории
- оформление концепции для новых товарно-материальных ценностей
- поиск перспективных каналов для продвижения
- выявление действительно качественных лид-заявок и так далее.
Человек, владеющий кинотеатром, будет представлять приблизительную маршрутную карту людей внутри локации. Он точно знает, что после просмотра фильма зрители пойдут в гардеробную комнату или, скажем, заглянут в уборную. Разместив рекламные объявления о показе новых фильмов в таких местах, предприниматель поднимет конверсию.
Польза в управлении рисками
Если ваш бизнес сталкивается с финансовыми рисками (пожалуй каждый бизнес содержит в себе такой риск) с помощью прогнозных моделей можно избежать больших потерь.
Сотрудники страховых агентств знают, что у граждан, трудящихся на промышленных специальностях, травмы случаются намного чаще. Нетрудно догадаться, что для таких клиентов стоимость страховки будет подниматься, что, в свою очередь, позволит фирме компенсировать возможные убытки.
Немного про деньги
- Увеличивает продажи
- Повышает средний чек
- Сохраняет маржинальность
- Снижает финансовые риски
Три кита предиктивной аналитики
Без наличия данных, ничего не получится. Ни один тип анализа невозможно провести без правильного сбора, хранения и агрегации данных.
Сбор необходимо вести по различным направлениям и источникам информации. Важно касаться всех тем и направлений основного исследуемого процесса:
- количественные параметры
- экономические характеристики
- внешние и внутренние факторы
- временные свойства
- цифры конверсии
- блоки карты клиентского пути
- портреты целевой аудитории и т.д.
Откуда берутся данные и какие они бывают
- Открытые источники, интернет
- CRM системы, клиентские базы данных
- Показания счетчиков аналитики(в онлайн Метрика, Аналитикс и т.д.), в том числе телеметрические на производствах
- Бизнес метрики (CPL, ROE, CAC, EBITDA и т.д.)
Представим запрос от клиента:
— Я хочу открыть торговую точку розничной сети. Где ее открыть? Реально ли узнать будущую выручку?
— Вполне. Давайте посмотрим на ваши внутренние данные.
Данные бывают внутренние и внешние. Если приучить бизнес работать хотя бы с внутренними данными, которые всегда есть (в каком они состоянии вопрос вторичный), эволюционный скачек неизбежен. Наверняка у розничной сети уже есть цифры и выкладки по работе существующих магазинов (площадь, товарооборот, ассортимент), тогда мы собираем их и анализируем. Строим прогнозы. Но этих данных скорее всего не хватит, чтобы с высокой точностью сделать предсказание. Поэтому постепенно перетекаем во внешние источники.
Внешние данные. Их всегда в достатке. Конкуренты, район, численность населения, планы застройки, детские учреждения, больницы и т.д. Конечно, собирать все подряд не стоит, тут необходимо делать верную выборку признаков, по которым будет идти анализ.
Получить данные из внешних источников не составит труда. Интернет всему голова, а покупка закрытых данных подразумевает только законные предложения — да, такое бывает.
Получаем простой список:
- Парсинг сайтов
- API коннекторы к системам
- Статьи
- Статистические сайты
- Покупка данных
В каждом случае необходимо принять взвешенное решение, нужны ли вообще эти пакеты информации? Если платный источник позволит улучшить прогнозирование хотя бы на 5-10%, в него стоит вложиться.
Подготовка данных и выбор признаков
Очистка и форматирование данных позволяет сделать информацию отзывчивой к анализу. Необходимо удалить лишнее, дополнить недостающие значения, исправить ошибки и выбрать признаки, по которым будет идти анализ и прогнозирование.
Какие переменные оказывают наибольшее влияние на результат анализа? Выбирать много не стоит, это слишком усложнит анализ и подгонку результатов.
Согласно исследованию опубликованному в Журнале The Proceedings of National Academy of Science, по лайкам в соцсетях можно определить рассовую принадлежность, IQ и даже сексуальность пользователей. В связи с этим возникает вопрос этики и эмпатии предиктивной аналитики. Помните, при сборе и анализе необходимо соблюдать права человека.
Проблемы внедрения
Вспомним матчасть по аналитике в целом. Этапы:
- Описательный — Что произошло?
- Диагностический — Почему это произошло?
- Предиктивный — Что произойдет?
- Предписывающий — Как мы можем это реализовать?
Сегодня мы застряли между первым и вторым этапом. Ранее мы не могли позволить себе технологии накопления больших данных, а теперь их стало столько, что мы способны обработать лишь несколько процентов.
Рынку стали необходимы технологии, мозги и инструменты, которые будут извлекать полезную информацию.
С чем придется бороться на рынке сегодня в 2024 году
-
Мало компаний анализирует то, что уже у них есть — внутренние данные. Иногда берут семплированные неполные данные, и строят анализ в ручном режиме.
-
Используются слишком простые модели, но ИИ, машинное обучение и теория игр, это лучшие друзья предиктивной аналитики. С помощью EXCEL вы сделаете прогноз только для малого и среднего бизнеса.
-
Ограниченные данные. Непонятно почему, но все скупятся. Не хотят нанимать аналитика хотя бы на время. Поэтому в целом не представляют, что собирать надо все отовсюду. Счетчики сайта, продажи, любые сырые данные!
-
Рынок в целом не осознает ценность аналитики. Рассматривает ее как шарлатанство и гадание.
-
Аналитика это игра в долгую. Внедрение системы аналитики это время, силы и полная перестройка корпоративной культуры. Морально к этому мало кто готов.
Если сегодня вы просто начнёте собирать данные, то уже через год, когда о прогнозах заговорят все вокруг, у вас будет фундамент для старта.*
Внедрение предиктивной аналитики
Подготовительный этап расписали, и он оказывается страшнее, чем сам процесс внедрения. Его можно кратко уложить в краткий список:
- Собрать данные, чем больше данных тем лучше прогнозы
- Обозначить цель, прогноза, какую задачу, проблему и решение мы хотим получить (сохранить подписчиков, увеличить продажи, уменьшить финансовые риски)
- Выбрать способ для прогноза (Excel, PB, PQ, Data Science, ML и т.д.)
- Тестирование прогнозов, проверка на малой группе клиентов
- Мониторинг ошибок, в прогнозах они могут проявиться с течением времени. Возможно работу придется корректировать в процессе
Можно ли по результатам прогноза ставить KPI?
-
В нишах B2B это возможно если четко прослеживается периодичность изменений на прошлых периодах
-
При малом количестве исторических данных прогноз будет неверен. Чаще всего на старте прогнозировать что либо сложно, бизнес еще не раскачался. KPI в этом случае будет не корректным
-
Для зрелого бизнеса с хорошими данными ставить KPI по прогнозам можно в качестве нижней или средней планки
Предсказательная аналитика строит прогноз на будущее при условии, что никакие внешние данные не будут меняться. В противном случае прогноз необходимо корректировать и давать новые вводные по внешним источникам
Заключение
Глобально будущее рынка точно за прогнозами. Принятие решений становится сложнее с каждым годом, а иногда невозможным из-за скоростей, которые нарастают каждый день. Люди хотят снять с себя ответственность за принятие решений. Выбор должен осуществляться в пользу проработанных вариантов, кроме предиктивной аналитики их никто не способен дать.
На этом все. После прочтения статьи желаю всем прогуляться и осознать данный материал на свежем воздухе, в вашем любимом парке. Кстати, перед выходом не забудьте заглянуть в прогноз погоды. Может быть там слишком ветрено? :)
Боярский Глеб Юрьевич @GlebBoyarskii — Telegram | VK
Обо мне:
Настройка Яндекс Директ, Таргет, Google (Yandex) Tag Manager, разработка Power BI и DataLens дашбордов, глубокая аналитика рекламных систем, комплексная веб-аналитика и performance-маркетинг.