Teknologi Big Data sekarang diterapkan di mana-mana - dalam industri, kedokteran, bisnis, dan hiburan. Jadi, tanpa analisis data besar, pengecer besar tidak akan dapat bekerja secara normal, penjualan di Amazon akan turun, mereka tidak akan dapat memprediksi cuaca selama berhari-hari, berminggu-minggu, dan berbulan-bulan ke depan dari para ahli meteorologi. Adalah logis bahwa para ahli tentang data besar sekarang sangat diminati, dan permintaan terus meningkat.
GeekBrains mempersiapkan perwakilan dari bidang ini, mencoba memberi para siswa pengetahuan teoretis dan untuk mengajar dengan contoh-contoh, yang melibatkan para ahli berpengalaman. Tahun ini,
Departemen Big Data Analytics di GeekUniversity Online University dan pengecer terbesar di Rusia, X5 Retail Group, menjadi mitra. Spesialis perusahaan, yang memiliki pengetahuan dan pengalaman yang luas, membantu menciptakan kursus bermerek, yang para siswanya menerima pelatihan teoretis dan pengalaman praktis selama pelatihan.
Kami berbicara dengan Valery Babushkin, direktur pemodelan dan analisis data di X5 Retail Group. Dia adalah salah satu ilmuwan data
terbaik di dunia (ke-30 dalam peringkat spesialis pembelajaran mesin). Bersama dengan guru lain, Valery memberi tahu siswa GeekBrains tentang pengujian A / B, statistik matematika yang menjadi dasar metode ini, serta praktik modern untuk penghitungan dan fitur penerapan pengujian A / B di ritel offline.
Mengapa kita membutuhkan tes A / B?
Ini adalah salah satu metode terbaik untuk menemukan cara terbaik untuk meningkatkan konversi, kinerja ekonomi, dan faktor perilaku. Ada cara lain, tetapi mereka lebih mahal dan kompleks. Keuntungan utama dari tes A / B adalah harganya yang relatif rendah dan keterjangkauan untuk bisnis dalam skala apa pun.
Tentang tes A / B, kita dapat mengatakan bahwa ini adalah salah satu cara paling penting untuk mencari dan membuat keputusan dalam bisnis, keputusan yang menjadi sandaran dan pengembangan berbagai produk dari perusahaan mana pun. Tes memberikan kesempatan untuk membuat keputusan berdasarkan tidak hanya pada teori dan hipotesis, tetapi juga pada pengetahuan praktis tentang bagaimana perubahan spesifik memodifikasi interaksi klien dengan jaringan.
Penting untuk diingat bahwa dalam ritel Anda perlu menguji semuanya - kampanye pemasaran, pengiriman SMS, pengujian pengiriman sendiri, lokasi produk di rak-rak dan rak-rak itu sendiri di lantai perdagangan. Jika kita berbicara tentang toko online, maka di sini Anda dapat menguji lokasi elemen, desain, prasasti, dan teks.
Tes A / B - alat yang membantu perusahaan, misalnya, pengecer, untuk selalu kompetitif, untuk merasakan perubahan waktu dan perubahan itu sendiri. Ini memungkinkan bisnis menjadi seefisien mungkin, memaksimalkan laba.
Apa nuansa metode ini?
Hal utama - harus ada tujuan atau masalah yang menjadi dasar pengujian. Misalnya, masalahnya adalah sejumlah kecil pelanggan di titik penjualan atau toko online. Tujuannya adalah untuk meningkatkan masuknya pelanggan. Hipotesis - jika kartu produk di toko online dibuat lebih besar dan foto lebih terang, maka akan ada lebih banyak pembelian. Kemudian tes A / B dilakukan, yang hasilnya adalah penilaian terhadap perubahan. Setelah hasil semua tes diperoleh, Anda dapat mulai membuat rencana tindakan untuk mengubah situs.
Tidak disarankan untuk melakukan tes dengan proses yang tumpang tindih, jika tidak hasilnya akan lebih sulit untuk dievaluasi. Yang pertama direkomendasikan untuk melakukan tes pada tujuan yang paling prioritas dan merumuskan hipotesis.
Tes harus berlangsung cukup lama sehingga hasilnya dapat dianggap andal. Berapa tepatnya tergantung, tentu saja, pada tes itu sendiri. Jadi, pada Malam Tahun Baru, lalu lintas sebagian besar toko online meningkat. Jika sebelum ini, perubahan dilakukan pada desain toko online, maka tes jangka pendek akan menunjukkan bahwa semuanya baik-baik saja, perubahan berhasil, lalu lintas bertambah. Tapi tidak, karena apa pun yang Anda lakukan sebelum liburan, lalu lintas akan meningkat, tes tidak dapat diselesaikan sebelum Tahun Baru atau segera setelah itu, itu harus cukup lama untuk mengungkapkan semua korelasi.
Pentingnya hubungan yang benar antara tujuan dan indikator yang diukur. Misalnya, mengubah desain situs web toko online yang sama, perusahaan melihat peningkatan jumlah pengunjung atau pelanggan dan puas dengan hal ini. Namun pada kenyataannya, ukuran cek rata-rata mungkin lebih kecil dari biasanya, sehingga total pendapatan akan menjadi lebih rendah. Tentu saja, ini tidak dapat disebut hasil positif. Masalahnya adalah bahwa perusahaan tidak secara bersamaan memeriksa kombinasi peningkatan pengunjung - peningkatan jumlah pembelian - dinamika ukuran cek rata-rata.
Pengujian hanya untuk toko online?
Tidak semuanya. Dalam ritel offline, metode populer adalah penerapan pipa penuh untuk menguji hipotesis offline. Ini adalah konstruksi proses, di mana risiko pemilihan kelompok yang salah untuk eksperimen berkurang, rasio optimal dari jumlah toko, waktu uji coba dan ukuran efek yang diperkirakan dipilih. Ini juga merupakan perbaikan kembali dan perbaikan metodologi untuk pasca-analisis efek. Metode ini diperlukan untuk mengurangi kemungkinan kesalahan penerimaan palsu dan penghilangan efek, serta untuk meningkatkan sensitivitas, karena bahkan efek kecil pada skala bisnis besar sangat penting. Karena itu, Anda harus dapat mengidentifikasi bahkan perubahan terlemah, meminimalkan risiko - termasuk kesimpulan yang salah tentang hasil percobaan.
Ritel, Data Besar, dan kasing nyata
Tahun lalu, para pakar Grup Ritel X5 mengevaluasi dinamika volume penjualan produk paling populer di antara para penggemar Piala Dunia 2018. Tidak ada kejutan, tetapi statistiknya masih menarik.
Jadi, "buku terlaris nomor 1" adalah air. Di kota-kota yang mengambil mundial, penjualan air meningkat sekitar 46%, Sochi ternyata menjadi pemimpin, di mana omset meningkat sebesar 87%. Pada hari pertandingan, angka maksimum tercatat di Saransk - di sini penjualan tumbuh 160% dibandingkan dengan hari-hari biasa.
Selain air, penggemar membeli bir. Dari 14 Juni hingga 15 Juli di kota-kota di mana pertandingan diadakan, omset bir tumbuh rata-rata 31,8%. Sochi juga menjadi pemimpin - di sini mereka membeli bir 64% lebih aktif. Tetapi di St. Petersburg, pertumbuhannya kecil - hanya 5,6%. Pada hari pertandingan di Saransk, penjualan bir meningkat 128%.
Studi telah dilakukan pada produk lain. Data yang diperoleh selama hari-hari puncak konsumsi produk memungkinkan di masa depan untuk memprediksi permintaan dengan lebih akurat, dengan mempertimbangkan faktor peristiwa. Perkiraan yang akurat memungkinkan untuk mengantisipasi harapan pelanggan.
Selama pengujian, X5 Retail Group menggunakan dua metode:
Model struktural deret waktu Bayesian dengan perkiraan perbedaan kumulatif;
Analisis regresi dengan perkiraan bias distribusi kesalahan sebelum dan selama kejuaraan.
Apa lagi yang menggunakan ritel Big Data?
- Ada banyak metode dan teknologi, dari apa yang bisa disebut begitu saja, ini adalah:
- Perkiraan permintaan;
- Optimalisasi matriks bermacam-macam;
- Visi komputer untuk mendeteksi rongga di rak dan mendeteksi antrian yang muncul;
- Promo Prakiraan.
Kurangnya spesialis
Permintaan ahli Big Data terus meningkat. Jadi, pada 2018, jumlah lowongan yang terkait dengan big data meningkat 7 kali lipat dibandingkan 2015. Pada paruh pertama 2019, permintaan untuk spesialis melebihi 65% dari permintaan untuk keseluruhan 2018.
Perusahaan besar sangat membutuhkan layanan analis Big Data. Misalnya, di Grup Mail.ru mereka diperlukan dalam proyek apa pun di mana data teks, konten multimedia diproses, sintesis dan analisis pidato dilakukan (ini adalah, pertama-tama, layanan cloud, jejaring sosial, game, dll.). Jumlah lowongan selama dua tahun terakhir di perusahaan meningkat tiga kali lipat. Dalam delapan bulan pertama tahun ini, Mail.ru mempekerjakan sebanyak mungkin spesialis Big Data seperti yang terjadi sepanjang tahun lalu. Di Ozon, divisi Ilmu Data telah tiga kali lipat dalam dua tahun terakhir. Di Megafon, situasinya serupa - tim yang terlibat dalam analisis data telah tumbuh beberapa kali selama 2,5 tahun terakhir.
Tidak ada keraguan bahwa di masa depan permintaan untuk perwakilan spesialisasi yang terkait dengan Big Data akan tumbuh lebih kuat. Jadi jika ada minat di bidang ini, ada baiknya mencoba tangan Anda.