0/5
Прогнозная аналитика: как цифры помогают принимать решения

Прогнозная аналитика: как цифры помогают принимать решения

Прогнозная аналитика: как цифры помогают принимать решения
время публикации: 10:00  02 сентября 2021 года
Удержать покупателя, повысить лояльность, разработать персонализированное предложение, спрогнозировать и предотвратить уход клиента — эти задачи маркетологи решают последние лет десять. Но количество потребительских сценариев выросло в сотни раз. Как в таких условиях реализовывать client focused стратегию? Поможет прогнозная аналитика.
Oracle помогает своим клиентам обрабатывать большие массивы данных с помощью прогнозной аналитики и получать ценные сведения для управления спросом и поведением покупателя. Но мы видим, что условия с каждым годом становятся все сложнее, критериев все больше, аудитория все придирчивее. 


Компания Oracle примет участие в New Retail Forum, который пройдет в Москве в Технопарке «Сколково» 9-10 сентября. 
Прогнозная аналитика: как цифры помогают принимать решения
9 сентября Евгений Пажитнов, старший инженер по технологиям Oracle, в рамках сессии «Ритейл-маркетинг после 2021 года» выступит с докладом на тему «Data Science  для топ-менеджеров: как и с чего начать получать осязаемую пользу от данных». Сессия пройдет с 12:00 до 13:30 МСК.

Для участия в сессии, нужно зарегистрироваться на форум. Напоминаем, что для ритейлеров, брендов, представителей медиа и студентов ВУЗов – участие в New Retail Forum бесплатное. 

                                         Регистрация



Нынешнее поколение тридцатилетних — это та самая покупательская «мощь», в руках которой сконцентрированы финансовые ресурсы и право принимать решения о покупке.  На сегодняшний день в России порядка 34 млн людей, родившихся в период с 1981 по 1996 гг, порядка 24% всего населения страны. Именно миллениалы совершают более половины всех покупок, при этом 73%  людей этого поколения заходят в интернет-магазины с мобильных устройств. 

Их выбор давно вышел за рамки соотношения «цена/качество». Миллениалы ценят аутентичность, принимают во внимание социальную ответственность бренда.

Эти покупатели черпают информацию из соцсетей, стремятся узнать, как можно больше о бренде — о качестве товара, о бизнесе самой компании. Им важна дополнительная ценность, которую продукт несет не только им, но и миру, обществу или окружающей среде. 

Так, они с большей вероятностью предпочтут бренд, который не на словах, а на деле заботится об окружающей среде, не вступает в политические конфликты, не делит людей по каким-либо признакам. Миллениалы очень чутко контролируют новостную повестку, и любая, даже случайная ошибка бренда может стоить слишком дорого. 

Вспомним, например, нашумевшую рекламу Reebok — бойкотировать бренд стали в основном миллениалы, тогда как представители старшего поколения отнеслись к ситуации спокойно. В центре скандала — будь то ЛГБТ-повестка, расизм, политика или невыполнение обещанных экологических инициатив — может оказаться любая компания. На слуху недавние скандалы с участием fashion-ритейлеров, продуктовых и ресторанных сетей. Все эти ситуации мгновенно становятся известны целевой аудитории бренда. 

Но вернемся к миллениалам. Они активно пользуются программами лояльности, но при этом готовы переплачивать за соответствие продукта их жизненным ценностям. 

Миллениалы предпочитают покупать со смартфона, ценят простоту, скорость и удобство самого процесса покупки.

А следующее поколение, с мнением которого ритейлеру уже сейчас приходится считаться, наоборот, предпочитает делать покупки в офлайне, открывая для себя новые продукты. «Зеты» ценят индивидуальность, аутентичность, но при этом совершенно не привержены брендам. С бОльшим удовольствием они будут искать уникальный товар в дискаунтерах, на AliExpress или в секонд хенде, чем в коллекции известного бренда. Эксперты The Guardian, например, выразили опасение в том, что потребительские привычки зумеров сведут на нет всю Fashion-индустрию: согласно исследованиям в период пандемии большинство представителей этого поколения предпочли покупать подержанные вещи или перешивать уже ношеную одежду. 

Прогнозная аналитика: как цифры помогают принимать решения

Как и миллениалы, представители поколения Z ценят экологичность, однако переплачивать за нее не готовы. Они вообще не стремятся обладать вещью, им достаточно получить лишь доступ к ней. Именно поэтому среди представителей этого поколения так популярны всевозможные шеринговые сервисы, аренда, прокат, сервисы подписок и т.д.


Угадывать, предполагать или предсказывать? 

Как ориентироваться на такие разные аудитории, учитывать потребности и тех, и других, а заодно и грядущего поколения «альфа» — нынешних школьников, практически родившихся со смартфоном в руках? Как обращаться ко всем сразу и к каждому индивидуально? Какие ценности «зашивать» в продукт, доносить в рекламе или демонстрировать самой политикой компании? Как понять, что именно ценит клиент в вашем продукте и как сделать его еще лучше?

Ответы на эти вопросы помогает найти прогнозная аналитика. Изучая поведение покупателя можно понять, как вернуть клиента, оценить возможную реакцию на рекламную кампанию, повысить спрос на товары и многое другое. 

Так, например, британская сеть супермаркетов для 19% покупателей может предсказать точную дату их возвращения и сумму, которую они потратят, с точностью до 10 фунтов. Компания FedEx с помощью прогнозной аналитики выявляет готовых уйти клиентов с точностью от 65% до 90%. А Amazon заявляет, что 35% продаж приходится на персонально рекомендованные товары. Рекомендации, конечно же, формируются на основе анализа предыдущих покупок, поведения покупателя на сайте и массы других параметров.

Прогнозная аналитика: как цифры помогают принимать решения

Применение таких алгоритмов не ограничивается только ритейлом. Предиктивные модели прекрасно работают и в других сферах. В книге Эрика Сигеля «Просчитать будущее. Кто кликнет, купит, соврёт или умрёт» можно найти самые разные примеры.  Например, компания HP за 5 лет сэкономила 66 млн долларов благодаря алгоритмам, которые выявляют фиктивные гарантийные претензии, поступающие от торговых и сервисных партнеров. 

Банк Chase применяет прогнозные модели, чтобы предсказать, какие заемщики рефинансируют свои ипотечные кредиты и лишат банк будущих процентных платежей. А алгоритм Google Flu Trends анализирует поисковые запросы пользователей и предсказывает вспышку гриппа на 7-10 дней раньше Центра по контролю и профилактике заболеваний США.


Что стоит за прогнозами

Задача прогнозирования клиентского поведения — это прежде всего работа с данными Именно так эту задачу рассматривают в Oracle — компания занимается управлением данными уже более 40 лет и по признанию Gartner делает это лучше многих

Решения Oracle работают не только в ритейле, но и во многих других сферах, принося пользу бизнесу происходит благодаря сбору, обработке и анализу данных. 

Прогнозная аналитика — это большие объемы собираемых данных, сложные математические модели и вычислительная платформа с аналитическими алгоритмами. Именно такой набор позволяет получать из разрозненных данных новое знание, которое помогает решать самые разнообразные задачи коммерческих, научных и государственных организаций из разных сегментов.


Компания Oracle – международный ведущий поставщик программного обеспечения для бизнеса с широким ассортиментом решений для компаний любого уровня. 

● 430 000 заказчиков в 175 странах
● 19 место из 100 лучших мировых брендов
● Более 18 000 патентов по всему миру
● Первая в мире автономная база данных 



Например, группа ученых из Бристольского университета при поддержке технологического стартапа реализовала виртуальный симулятор, в котором можно воспроизводить различные действия с молекулами — расщеплять, связывать, подвергать другим воздействиям и изучать результаты. В основе решения лежат методы молекулярной динамики — это набор вычислительных методик для моделирования движения и взаимодействия молекул. Созданная виртуальная среда позволяет в том числе тестировать лекарственные препараты, изучая влияние различных компонентов средства на вирусы.

Так, разработанное решение помогло в создании препаратов против курения. Исследуя никотиновые рецепторы головного мозга, специалисты подбирали наиболее эффективный препарат, способный воздействовать на них с наименьшими побочными явлениями.

Еще один проект, выполненный при поддержке Oracle — создание вакцины для защиты от тропических вирусов. С помощью электронных микроскопов исследователи фотографируют молекулу вируса в высоком разрешении, создают очень точную 3D-модель и на ее основе строят синтетический каркас белка, то есть синтетический вирус, который воспринимается организмом как настоящий. Против него организм вырабатывает правильные иммунные тела. 

Oracle помогает извлекать пользу из данных самым разным организациям — научным учреждениям, промышленным предприятиям, коммерческим компаниям и государственным учреждениям.

Например, на основе эмпирических данных — рентгеновских и МРТ-снимков — можно строить модели человеческого тела, на которых фармацевтические компании могут тестировать как медицинские препараты, так и более сложные вещи, например, искусственные сердечные клапаны и др. Именно созданием таких виртуальных двойников занимается испанская компания ELEM Biotech — моделирует не только физическое тело до мельчайших подробностей, но и работу конкретных органов. В основе таких моделей лежат очень сложные вычисления. 

Прогнозная аналитика: как цифры помогают принимать решения

Раньше компания использовала мощности дата-центра в Барселоне, там был действительно очень производительный кластер, но существовала очередь вычислений, что сильно замедляло обработку данных. Перейдя на платформу Oracle, на сервера с графическими процессорами, компания смогла в десятки раз ускорить обработку данных и создание таких моделей. 

Аналитика спортивных мероприятий — еще одна область, где находят свое применение прогнозные алгоритмы. Решения Oracle помогают анализировать футбольные матчи (в сотрудничестве с английской футбольной Премьер-лигой) и заезды в гонках Формулы-1 (для команды Red Bull Racing Honda). А ведь с точки зрения сложности модели и количества данных анализ поведения игроков на футбольном поле ничуть не проще анализа потребительского поведения.




Читайте также: Алгоритмы-предсказатели: как ИИ помогает предугадывать намерения клиентов




С помощью методов математического моделирования можно описать практически любой процесс. Представьте, что достижение некоей цели зависит от десятков различных факторов. Например, победа в матче — от физического состояния игроков обеих команд (состояния здоровья, возраста, подходов к питанию и т.д.), их подготовленности (количества и интенсивности предыдущих тренировок), погодных условий, реакций публики и десятков других факторов, вплоть до веса обуви и комфорта спортивной формы. От того, каково влияние каждого из этих параметров, как меняется их интенсивность и как они связаны друг с другом, зависит поведение игроков и успех игры. 

Моделируя конкретные ситуации и условия, меняя параметры, которые описывают наши факторы, мы можем приближаться или удаляться от цели. Таким образом мы вычисляем ту совокупность условий, которая приведет нас к нужному результату с наибольшей эффективностью. 

Прогнозная аналитика: как цифры помогают принимать решения


Как работает Oracle Analytics в ритейле

Концептуально аналитика футбольных матчей, моделирование вируса или прогнозирование поведения покупателей — это одна и та же задача. 

Аналитическая платформа Oracle использует алгоритмы машинного обучения и встроенные функции искусственного интеллекта, в том числе, и для прогнозирования закономерностей спроса. Предиктивные модели позволяют объединять данные о продажах за предыдущие периоды, предоставленные ритейлером, и контекстные факторы (местоположение, погода, эмоции, отношении аудитории и т. д.). Алгоритмы анализируют всю совокупность данных, помогая сопоставлять их по каналам, демографическим показателям, сезону и прочим факторам, а затем представлять их в визуальной форме, чтобы с легкостью выявлять проблемные области и малоэффективные сегменты, оптимизировать расходы и повышать конверсии. 

Представление клиентских данных в реальном времени позволяет заблаговременно выявлять изменения на рынке и в поведении клиентов. 

Со стороны заказчика Oracle получает все возможные данные и сформулированные специалистами гипотезы или цели, которых нужно хотим достичь. На платформе Oracle данные обрабатываются с помощью предиктивных алгоритмов. По сути, не так важно, что это за данные, какой смысл они несут сами по себе. Платформа лишь моделирует те ситуации, которые описаны в гипотезах. 

Например, есть ряд параметров, при которых покупатель регулярно возвращается в магазин за покупками — он приобретает товары определенного бренда, ценовой категории, оформляет доставку в определенное время, оплачивает одной и той же картой и т.д. Нужно смоделировать ситуацию, в которой покупатель уйдет к конкуренту. 

Подобрав нужные алгоритмы и меняя входные параметры, мы добиваемся нужной цели и фиксируем те значения, при которых цель достигнута. То есть определяем именно те условия, (частота покупки, размер среднего чека, конкретные товары в чеке и т.д.), при совокупности которых покупатель с большой долей вероятности готов уйти к конкуренту, а ритейлер еще имеет шанс его вернуть.

* * *

Компания Oracle примет участие в New Retail Forum, который пройдет в Москве в Технопарке «Сколково» 9-10 сентября. 

9 сентября Евгений Пажитнов, старший инженер по технологиям Oracle, в рамках сессии «Ритейл-маркетинг после 2021 года» выступит с докладом на тему «Data Science  для топ-менеджеров: как и с чего начать получать осязаемую пользу от данных». Сессия пройдет с 12:00 до 13:30 МСК.

Для участия в сессии, нужно зарегистрироваться на форум. Напоминаем, что для ритейлеров, брендов, представителей медиа и студентов ВУЗов – участие в New Retail Forum бесплатное. 

Зарегистрироваться

Прогнозная аналитика: как цифры помогают принимать решения



0
 
Реклама на New Retail. Медиакит
Close
Email
Подпишитесь на нашу рассылку и самые интересные материалы будут приходить к вам на почту
Нажимая «Подписаться» вы принимаете условия политики конфиденциальности