От чека к человеку: какие прогнозы помогут бизнесу в будущем?

Как при помощи аналитики больших данных развиваться в мире социально-экономических катаклизмов и прогнозировать спрос, когда все прогнозные модели рушатся.

Мало кто представляет, насколько сильно современный бизнес зависит от прогнозов. Треть продаж американского интернет-гиганта Amazon приходится на персональные рекомендации. Их формирует прогнозная модель, в основе которой данные о предыдущих покупках, о поведении покупателя на сайте и множество других параметров. Международная служба доставки FedEx с помощью прогнозной аналитики совершенствует клиентский сервис: с точностью от 65 до 90% она определяет клиентов, готовых уйти к конкурентам, и делает им персональные предложения. Российский маркетплейс Ozon благодаря собственной системе прогнозирования перестал закупать товары у поставщиков с запасом и сэкономил миллионы рублей на аренде складских помещений, а сеть супермаркетов «Пятерочка» анализирует данные из чеков и предсказывает вероятность продажи с точностью до часа.

Что не видит бизнеc?

компании предсказывают будущее?

Прогнозная аналитика построена на том, чтобы определять вероятность какого-либо события в будущем на основе данных из прошлого.

Пионером в этом выступил ритейл, перед компаниями стояла задача определить оптимальное количество товара: его должно быть не слишком много и не слишком мало, чтобы не залежался на полках и складах, но при этом хватило всем желающим. Компания реагирует на рост продаж, заказывая больше товара у производителя, если продажи выросли. Маркетологи исследуют спрос, чтобы не столкнуться с ситуацией, когда покупатель, увидев рекламу, пришел в магазин и не нашел товара.

в ногу со временем?

Проблема этих подходов в том, что они лишают компанию гибкости. Когда прогноз основан на уже состоявшихся продажах, а не на потенциальном спросе, цикл реагирования на изменение слишком долгий. Компании стараются заказывать на год вперед, но за этот год мир может измениться до неузнаваемости.

Вспомните дефицит антисептиков в начале пандемии или внезапные вспышки спроса на товары первой необходимости из-за шумихи в СМИ.

Задача со звездочкой — научиться прогнозировать моду. То есть не просто предсказывать популярность, например, антистресс-игрушек pop-it, но и успевать выкладывать их на полки до разгара хайпа. Чтобы это имело смысл, аналитикам важно не просто фиксировать тренд, а давать процентный прогноз: сколько закупить тех или иных товаров. Всё это можно делать только в оперативном режиме. Сейчас такие прогнозы особенно актуальны, потому что из-за перестройки экономики старые прогнозные модели всё чаще дают сбои.

Как увидеть полную картину?

В основе современных подходов к предиктивной аналитике:

Массивы данных

Математические алгоритмы

Как построить прогнозную модель?

Модели на основе машинного обучения позволяют анализировать множество факторов одновременно и находить между ними пересечения.

У тех же ритейлеров есть свои модели, но обучают их на довольно однообразных наборах данных, которые есть в распоряжении компании. Например, это может быть расположение продукта на полках или результаты промоакции.

Какие модели лучше работают?

Такие модели работают для стабильного рынка, но начинают давать сбои в случае любых внешних изменений. Скорость, с которой сейчас меняется рынок, требует нового.

Например, если в наборе данных для обучения представлены периоды нестабильности и перекосов, модель будет лучше понимать, как себя вести в похожих ситуациях. Конечно, из-за такого разнообразия модель становится менее точной, зато она будет более адаптивной, а сейчас это куда важнее. К тому же бизнесу для принятия решения обычно достаточно прогноза с вероятностью 85—90%.

что в итоге?

Оперативные и точные прогнозы требуют не только учитывать поведение клиентов в магазинах, но и выйти за его пределы, чтобы за цифрами из чеков пытаться разглядеть человека — в связке с тем информационным полем, в котором он находится.

Для этого надо сопоставлять данные телесмотрения пользователей, их поведения в интернете с транзакциями, которые они совершают. Зная, как информационные тренды связаны с транзакциями, можно предсказать рост спроса, когда новый тренд только набирает силу. Такой подход позволяет прогнозировать на срок от двух до четырех недель и быстро реагировать на изменения.

Откуда брать данные?

Чтобы модель работала стабильно даже в краткосрочной перспективе, ей нужны разнообразные источники данных. Для сетевого ритейла и брендов-производителей это может быть информация о:

поведении в интернете
банковских транзакциях
телесмотрении

Доступ к такому объему знаний о клиентах обеспечивают межотраслевые партнерские проекты.

Над одним из них работает компания Platforma. Она объединила компетенции множества партнеров, среди которых ВТБ, «Ростелеком», «Теле2» и другие компании, в том числе операторы фискальных данных и ритейлеры. Агрегированные знания партнеров о своих клиентах легли в основу модели прогнозирования спроса, которую компания сейчас готовится вывести на рынок. Доступ к ней даст участникам рынка более полную картину поведения потребителей и позволит получать более точные прогнозы спроса на краткосрочный период, быстрее ловить тренды и чувствовать себя комфортнее на нестабильном рынке.

В перспективе партнеры сервиса смогут обучать собственные модели на огромных массивах анонимизированных партнерских данных. На таком маркетплейсе учебного материала для ML-моделей компании смогут безопасно монетизировать свои знания о поведении клиентов, строить совместные продукты и сервисы. Этот путь ведет к взаимовыгодному сотрудничеству всех участников рынка.