Предиктивная аналитика в e-commerce: как прогнозирование ускоряет рост бизнеса

Прогнозная аналитика: что это и зачем? 

E-commerce гибко подстраивается под изменения рынка, обращаясь к подходам, популярным в других индустриях. Так в онлайн-ритейле появилась предсказательная аналитика с элементами ИИ.

Предиктивная или прогнозная аналитика  — комплекс методов для прогнозирования будущего на базе информации о прошлых событиях. Отвечает на вопросы бизнеса: когда лучше запустить рассылку, какие запросы у клиента, сколько денег он готов потратить.

Предиктивная аналитика не зацикливается на одном инструменте. Для нее, помимо машинного обучения, могут использовать статистические модели, анализ данных и другие технологии. И каждая помогает создавать модели для прогнозирования событий на основе анализа исторических данных.

Предикативная аналитика не прогнозирует тренды и риски, но предсказывает будущее с учетом хронологии: как клиенты приходят к повторному заказу, как подтолкнуть других из той же ЦА к действию.

У e-commerce есть преимущество перед ритейлом в области получения данных — от них как раз и зависит точность прогноза. Собирать статистику в интернете гораздо проще, чем офлайн. Достаточно оценить цифровой след потребителей, чтобы просчитать потенциальный спрос на ту или иную продукцию.

7 причин использовать e-commerce аналитику

1. Повышение лояльности. В предиктивную модель закладывают анализ поведенческих факторов и любые уникальные KPI. Эти параметры используются для настройки персонализированных скидок, акций, предложений. Индивидуальный подход  сказывается на лояльности клиентов и увеличивает вероятность покупки. 
2. Сохранение ресурсов. Предсказательный анализ позволяет сразу выстраивать выгодные отношения с пользователями с наибольшей ценностью — взращивать амбассадоров бренда. Рекламу нацеливают на небольшое число клиентов, благодаря чему она обходится дешевле, а отдача от вложений растет. 
3. Рост эффективности email-рассылок. Предиктивные технологии вычленяют заинтересованных клиентов и помогают отправлять электронные письма только им, причем в часы с наилучшей открываемостью. Сеть магазинов Macy's с e-commerce аналитикой смогла повысить плодотворность рассылок, а с ними и продажи — на 8-12%. 
4. Гибкое ценообразование. Математические модели оценивают готовность потребителя приобрести товар по времени года, дню недели, активности конкурентов — ритейлеры наращивают прибыль за счет динамического ценообразования. 
5. Упрощение продвижения. Аналитика в ритейле служит компасом при продвижении товара. Предиктивные технологии способны определить перспективный канал для рекламы и смоделировать реакцию подписчиков на объявление.
6. Стимулирование конверсии. Клиенты из одной целевой аудитории следуют схожим поведенческим шаблонам. Предикативные технологии учитывают это, вычисляют тех, кто готов к покупке, и подталкивают к действию с помощью инструментов в арсенале ритейлера. 
7. Снижение кадровых рисков. Прогнозный анализ укажет на неблагонадежных сотрудников и позволит снизить текучку кадров. Например, вычислив факт, что люди, проработавшие на одной позиции 5 лет, увольняются, компания получит возможность исправить ситуацию через механизмы мотивации или кадровой ротации. 

Предикативная аналитика: игра стоит свеч? 

Способы проверить, удастся ли компании воспользоваться перспективами машинного обучения:  

• разработать MVP, чтобы выяснить, выгодно ли вкладываться в проект;
• встроить в системы бизнеса сбор данных для последующего анализа или интегрировать результаты ML, чтобы увидеть, как это повлияет на процессы;
• проверить входящий трафик и удостовериться, что собранной информации хватит. Потребуется база из десятков тысяч человек, включающая не только покупателей, но и посетителей, ушедших из онлайн-магазина с пустой корзиной.
• убедиться, что хватает компетентных специалистов для внедрения практик Big Data и ML. Если таких нет, можно подобрать внешнюю команду.

Прогнозная аналитика: сбор данных — основа основ

Сбор данных занимает до 70% от общего времени реализации проекта. От этого этапа зависит качество прогноза. Что поможет собрать данные: 

• интернет с безграничной информацией о курсе валют, погоде, новостях в мире или географических характеристиках локаций — любыми материалами, важными для исследуемого процесса;
• трекинг в приложениях, отслеживание бизнес-параметров внутренних систем: ассортимента, товарооборота, конверсии, географии заказов.

Какие платформы подходят для сбора данных: 

• CRM — программное обеспечение для автоматизации взаимодействия с покупателем, в котором сохраняется вся история контактов. 
• DMP — дополняет CRM: собирает информацию из разных источников (cookies, pixel tags). Создает обезличенный профиль на базе коллекции сводок. 
• BI-система — исследует и визуализирует информацию по ключевым параметрам эффективности. BI-инструменты формируют и отслеживают результаты. Система работает без отдельного хранилища: общается с подключенным через SQL-запросы. 
• CDP — платформа с собственным хранилищем, сама обрабатывает клиентские данные. Объединяет DMP и CRM. Собирает профиль со всех точек контакта в одном месте. Строится на ELT/ETL процессах и событийной модели и обновляется в реальном времени. 

Главное — не только извлечь информацию из того, что удалось собрать, но и интерпретировать ее и вычистить дубли. Именно это занимает большее время специалиста по Data Science.  

Инструментарий предсказательной аналитики

Эти и другие средства помогают экспертам внутренней или выделенной команды строить достоверные модели. В сфере предиктивной аналитики применяют различные технологии, среди них: 

• языки программирования R и Python;
• платформы Knime, RapidMiner, SAS Enterprise Miner; 
• пакеты инструментов IBM SPSS Modeler, Watson Analytics;
• облачные решения, такие как Oracle Big Data Preparation.

Готовые платформы должны быстро и надежно интегрироваться как с внутренними системами (социальными сетями, базами и хранилищами данных), так и с внешними ресурсами (интернет-источниками с информацией о погоде, событиях, курсах валют), чтобы агрегировать данные для нахождения корреляций.

Предиктивное моделирование после сбора данных

1. Проводится исследовательский анализ данных в ритейле с помощью TIBCO Spotfire, SAS, SPSS, Statistica, Matlab. Из массивов данных извлекаются знания: обрабатываются миллионы действий пользователей, объекты объединяются в группы по признакам, выявляются закономерности событий. 
2. Эксперты по Data Science и Machine Learning, которые компетентны в том числе в Big Data и AI, строят модели на  полученных данных, применяя специализированное ПО. Далеко не все платформы, особенно облачные, отвечают требованиям службы безопасности. Возможно, придется создать закрытую в контуре предприятия исследовательскую лабораторию, где будут накапливаться наработки на одобренных службой ИБ инструментах. 
3. Далее проверяют способность предиктивной технологии находить закономерности в тестовой и исторической выборке. Здесь важно запараллелить запуск модели и бесперебойную работу остальных процессов предприятия так, чтобы хватило вычислительных мощностей.
4. В итоге выбирают, где развернуть модели, чтобы результаты прогнозной аналитики были доступны для принятия решения ежедневно.

Что дальше?

Когда модель готова и согласована, важно заставить ее решать задачи бизнеса. Тут эксперты могут столкнуться с трудностями:

• если предиктивная технология ссылается на производные сведения текущих атрибутов или взятые из сторонних источников, нужно найти способы учесть их в процессе.
• предприятие может технически оказаться не готовым к внедрению предиктивных технологий.

Для преодоления этих препятствий создают «упаковку», которая позволяет свободно вносить изменения в модель. Здесь не обойтись без внедрения методов DevOps: CI/CD, контейнеризации, микросервисной архитектуры, систем автоматического тестирования и других. Все они заметно упрощают интеграцию предиктивных технологий в бизнес-процессы.

После внедрения и запуска модели работа продолжится. Предстоит регулярно отслеживать эффективность предиктивных технологий и вносить коррективы.

Заключение

Предиктивная аналитика вооружила коммерческие компании знаниями для увеличения продаж. Но для точности прогнозирования важно собрать как можно больше инсайтов о пользователях из CRM, рекламных кабинетов и других источников по каждому сегменту, обработать их силами ведущих экспертов. Прогнозная аналитика способна не только повысить бизнес-показатели, но и улучшить процесс принятия решений в корпоративном масштабе.