Повышение конверсии с помощью Big Data: 9 платформ прогнозной аналитики

    Прогнозная аналитика — это технология, опирающаяся на большие массивы данных для прогнозирования будущего поведения людей с целью принятия оптимальных решений. Она задействует множество методов из статистики, интеллектуального анализа данных, учитывает как текущие данные, так и данные за прошлые периоды, на основе которых составляет прогнозы о будущих событиях. В бизнесе модели прогнозирования используют паттерны, составленные на основе данных за определенный период, чтобы оценить потенциальные риски и возможности. Модели выявляют связи среди многих факторов, чтобы сделать возможной оценку рисков или потенциала, связанного с конкретным набором условий. Итогом использования прогнозной аналитики является принятие верных (максимально эффективных для бизнеса) решений.

    Как прогнозная аналитика может пригодиться e-commerce?

    Данная статья основана на материале Gagan Mehra и написана от первого лица, мы дополнили описания девяти платформ иллюстрациями и поясняющими видео.

    С помощью моделей прогнозирования можно предсказать поведение потенциальных клиентов, выявить наиболее популярные товары, понять, что руководит посетителями сайта, когда они уходят, и избежать этого, и так далее. Использование инструментов прогнозной аналитики поможет повысить конверсию сайта, а значит, значительно увеличить прибыль компании.

    Итак, как можно использовать прогнозную аналитику?

    Согласно исследованию, проведенному Ventana, только 13% опрашиваемых используют прогнозную аналитику. Однако 80% сообщили, что этот параметр очень важен для их бизнеса.

    Но прежде чем мы пойдем дальше, я хочу, чтобы вы имели в виду, что недостаточно просто иметь платформу для работы с прогнозной аналитикой – приложение, которое ведет учет данных и строит на их основе модели прогнозирования – чтобы добиться успеха. Как сказал Джон Элдер, невероятно сложно построить точную модель прогнозирования – для этого нужно приложить огромное количество усилий, потратить кучу денег и времени.

    Чтобы убедиться, что ваши инвестиции в прогнозную аналитику не напрасны, вам нужно сотрудничать с квалифицированным специалистом по обработке и анализу данных, который поможет вам построить эффективную модель прогнозирования, и талантливым разработчиком, который интегрирует ее с вашей платформой.

    Вариант 1. Готовые инструменты прогнозирования, интегрированные в платформу для электронной коммерции


    С развитием тенденции использования прогнозной аналитики несколько разработчиков платформ для сайтов сферы электронной коммерции предлагают инструменты прогнозирования и полезные плагины в готовом виде. Вы должны использовать какой-то из них в первую очередь, так как это самый простой способ начать задействовать прогнозную аналитику в своем бизнесе, при этом избегая головной боли с интеграциями моделей прогнозирования в свой сервис.

    Вот некоторые примеры:

    Springbot на Magento – неплохой стартовый вариант для компаний с количеством клиентов в 25000 и меньше (тарифы от $199/мес).

    Скриншот сервиса отображает его схему работы: сначала нужно добавить свой e-commerce магазин, потом система с помощью прогнозной аналитики выявляет наиболее результативные каналы продвижения и измеряет конверсию по каждому из них.



    Canopy Labs предлагает автоматическую систему рекомендаций по выбору нужных продуктов в нужное время с помощью прогнозной аналитики. Это также предлагает платформа Shopify (тарифы начинаются с $250/мес. для сайта с количеством клиентов до 100,000).

    Ниже скриншот с сервиса, где описана работа автоматической системы, оптимизирующей продажи: модель прогнозирования следит за предпочтениями клиентов в режиме реального времени и на их основе предсказывает наиболее продаваемые в каждый период товары.



    Custora – более надежный набор инструментов, помогающий увеличить стоимость жизненного цикла клиента (сколько он принесет компании дохода) и интегрирующийся с Shopify (тарифы начинаются с $3,000/мес., количество клиентов — до миллиона).

    На этом скриншоте с сайта сервиса — пример выстроенного с его помощью профиля лояльного клиента, с прогнозируемой оценкой его жизненного цикла на сайте — $367.



    Как сервис строит этот профиль? Картинка ниже изображает схему работы с лояльными клиентами: система идентифицирует их на основе их покупок, анализирует их параметры, помогает сформировать маркетинговые коммуникации с ними так, чтобы замотивировать их покупать еще больше, а менеджер по жизненному циклу помогает определить, какие схемы работы с клиентами работают эффективно, какие нет, и перестроить коммуникацию с клиентами в пользу наиболее действенных моделей.



    Независимо от того, на какой ступени развития находится ваш бизнес, грамотное внедрение прогнозной аналитики в платформу может помочь вам обеспечить более персонализированный подход к каждому клиенту.

    Вариант 2. Используйте программы прогнозной аналитики с открытым кодом


    Если у вас уже есть опыт внутренней интеграции подобных вещей, то вам будет полезно узнать, что существует несколько платформ прогнозной аналитики с открытым кодом, которые позволят вам создавать более персонализированные решения. Подобные платформы есть у следующих сервисов:

    R

    Это видео доступно рассказывает о том, как работает сервис.



    KNIME

    Схема ниже иллюстрирует, как работает этот сервис прогнозной аналитики, и как в нем используются большие массивы данных.



    PredictionIO

    Демо-видео работы этого сервиса.



    Выбрав такой вариант, ритейлер берет на себя грязную работу по внедрению решения с открытым кодом в свою систему. Это значит, что нужно будет нанять квалифицированный персонал, который сможет внедрить эти решения, кроме этого, нужно иметь в виду, что в продуктах с открытым кодом может быть несколько ошибок, которые нужно будет устранить, прежде чем использовать прогнозную аналитику в вашем бизнесе.

    Вариант 3. Купите полнофункциональный пакет


    Конечно, это самый дорогой вариант из всех доступных – лицензия на одного пользователя SAS стоит $87oo, зато они предоставляют самый широкий функционал для ведения эффективной прогнозной аналитики. Вот несколько предложений из этой области:

    SAS

    Из этого видео можно узнать, как с помощью SAS строится модель прогнозирования.



    Predixion

    Примеры тех сфер деятельности, для которых сервис предлагает готовые модели прогнозирования — преимущество этого вида платформ.



    SAP

    Компания записала красивый ролик о пользе Big Data в целом.



    Преимущества подобных предложений в том, что они предлагают предварительно выстроенные модели прогнозирования для различных сфер деятельности – борьбы с мошенничеством, управления ценообразованием и т.д. Их требуется только настроить, чтобы они работали в ритейле.

    В добавление к этому, большинство разработчиков подобных сервисов предлагают консалтинговые услуги по использованию этих инструментов, вместо того чтобы ритейлер самостоятельно нанимал сотрудников из сферы IT для работы с прогнозной аналитикой.

    Подводим итоги

    Технологии прогнозной аналитики очень важны для ритейлеров, которые хотят добиться успеха в наше время, их их не стоит игнорировать.

    Не нужно использовать прогнозную аналитику в каждом случае, но стоит выбрать те области, в которых внедрение этих инструментов даст максимальный толчок, благодаря которому вы пересмотрите цели по достижению прибыли, сможете предотвратить мошенничество и другие непредвиденные затраты, оптимизировать клиентский сервис, минимизировать издержки и развить интуацию.

    Помните, что вы увидите изменения не сразу, а через определенный период времени, поэтому очень важно следить за эффективностью той или иной модели и периодически вносить коррективы по той или иной функции.

    Источник: http://conversionxl.com/predictive-analytics-changing-world-retail/?hvid=352IDw#.

    Only registered users can participate in poll. Log in, please.

    Как вам кажется, стоит ли доверять платформам прогнозной аналитики?

    • +13
    • 10.4k
    • 4
    Share post

    Similar posts

    Comments 4

      +2
      Интересно и странно. Судя по описанному, большинство описанных платформ — являются частным случаем Business Intelligence пакета, или работают сверху такового. Некоторые, используют внутри конкретные, жёстко вшитые алгоритмы анализа, не предлагают пользователю-заказчику способов анализа гипотез, способов про-активного предсказания будущего для конкретного посетителя и работы с данными самостоятельно.
      Разве что «R-Language» не соответствует моему пассажу, но если мы посмотрим в какие программные пакеты его встраивали — то увидем множество интересных, но опущенных в статье решений.
      При этом, почему-то не описаны часть других существующих «стартапов» прогнозной аналитики.

      Я понимаю, что «начать» с BI комплекта сильно сложнее, чем с этими «облачными» решениями, но может стоило бы про альтернативы сказать? Ключевые слова Oracle BI, Microsoft, Pentaho, etc ;)

      Открываю гугл и быстро нахожу описание алгоритма показанного в видео про SAS: microsoft bi decision tree. Также видео про Micrisoft bi и аналитику данных из него в Microsoft же Excel.
      Для тех кому не нравится Excel — построение в Visual Studio.
      И напоследок, хотя я бы, по возможности, воздержался от использования open-source решения Weko (от Pentaho) — у них тоже есть свои варианты построения — видео.

      Или я что-то упускаю в отличии этих пакетов и больших BI решений или, на мой взгляд, стоило бы упомянуть об алтернативах этим модным решениям, которые выбрали другое название, похоже специально, чтобы их нельзя было сравнить с мастодонтами отрасли…

      Ну и нельзя не упомянуть (для таких любителей Амазона как и я) о целом блоке разных аналитических решения, для случая когда вы можете позволить себе загнать ваши данные в Amazon RedShift.
        +1
        а статью напишите, пожалуйста — очень интересно
        0
        Я был уверен, что статья будет про R vs SAS vs SPSS, спасибо почерпнул много новых имен.
          0
          Не хватает примеров, как это поднимает обороты, средний чек и повторные заказы.

          Only users with full accounts can post comments. Log in, please.