Какая бывает аналитика: предиктивная, описательная и еще 2 вида аналитики больших данных

Приложения

Хотя прогнозную аналитику можно использовать во многих приложениях, мы приводим несколько примеров, когда прогнозная аналитика в последние годы показала положительное влияние.

Бизнес

Аналитическое управление взаимоотношениями с клиентами (CRM) — частое коммерческое применение прогнозного анализа. К данным о клиентах применяются методы прогнозного анализа для построения целостного представления о клиенте. CRM использует прогнозный анализ в приложениях для маркетинговых кампаний, продаж и обслуживания клиентов. Аналитический CRM может применяться на протяжении всего жизненного цикла клиентов ( приобретение , рост отношений , сохранение и обоюдного назад).

Часто корпоративные организации собирают и хранят обширные данные, такие как записи о клиентах или транзакциях продажи. В этих случаях прогнозная аналитика может помочь проанализировать расходы клиентов, их использование и другое поведение, что приведет к эффективным перекрестным продажам или продаже дополнительных продуктов текущим клиентам.

Правильное применение прогнозной аналитики может привести к более активным и эффективным стратегиям удержания. Путем частого изучения использования клиентом услуг в прошлом, эффективности обслуживания, расходов и других моделей поведения, прогнозные модели могут определить вероятность того, что клиент прекратит обслуживание в ближайшее время. Вмешательство с предложениями с высокой воспринимаемой ценностью может увеличить вероятность привлечения или удержания клиента. Прогнозная аналитика также может предсказать скрытое истощение, то есть поведение клиента по медленному, но неуклонному снижению использования.

Защита детей

Некоторые агентства по защите детей начали использовать прогнозную аналитику для выявления случаев высокого риска. Например, в округе Хиллсборо, штат Флорида , использование агентством по охране детства инструмента прогнозного моделирования предотвратило связанную с жестоким обращением детскую смертность среди целевой группы населения.

Системы поддержки принятия клинических решений

Прогностический анализ нашел применение в здравоохранении, прежде всего, для определения пациентов, которым грозит риск развития таких состояний, как диабет, астма или сердечные заболевания. Кроме того, сложные системы поддержки клинических решений включают прогностическую аналитику для поддержки принятия медицинских решений.

Исследование нейродегенеративных расстройств, проведенное в 2016 году, представляет собой мощный пример платформы CDS для диагностики, отслеживания, прогнозирования и мониторинга прогрессирования болезни Паркинсона .

Прогнозирование результатов судебных решений

Прогнозирование исхода судебных решений может осуществляться программами искусственного интеллекта. Эти программы могут использоваться в качестве вспомогательных средств для специалистов в этой отрасли.

Прогноз на уровне портфеля, продукта или экономики

Часто в центре внимания анализа находится не потребитель, а продукт, портфель, фирма, отрасль или даже экономика. Например, розничный торговец может быть заинтересован в прогнозировании спроса на уровне магазина для целей управления запасами. Или Совет Федеральной резервной системы может быть заинтересован в прогнозировании уровня безработицы на следующий год. Эти типы проблем могут быть решены с помощью прогнозной аналитики с использованием методов временных рядов (см. Ниже). Их также можно решить с помощью подходов машинного обучения, которые преобразуют исходные временные ряды в пространство векторов признаков, где алгоритм обучения находит шаблоны, которые обладают предсказательной силой.

Андеррайтинг

Многие предприятия должны учитывать подверженность риску из-за различных услуг и определять затраты, необходимые для покрытия риска. Прогнозная аналитика может помочь подтвердить эти количества, предсказывая шансы болезни, дефолта , банкротства и т. Д. Прогнозная аналитика может упростить процесс привлечения клиентов, прогнозируя будущее рискованное поведение клиента с использованием данных уровня приложения. Прогнозная аналитика в форме кредитных рейтингов сократила время, необходимое для утверждения ссуд, особенно на ипотечном рынке. Правильная прогнозная аналитика может привести к правильным решениям о ценообразовании, которые могут помочь снизить будущий риск дефолта.

3. Оптимизировать финансовые и временные ресурсы в медиапланировании

Предиктивный анализ позволяет понять, насколько будет успешна та или иная рекламная кампания, получить прогноз по количеству кликов, переходов, заявок, входящих или обратных звонков, а также затраченному бюджету. Полученные данные — это не предположение, а точный математический расчёт, выполненный с помощью алгоритма, который защищён от субъективной оценки человека. Он может значительно сократить время, которое необходимо для разработки и согласования медиаплана каждому маркетологу.

Используя предиктивный анализ, вы можете увидеть прогнозы кликов и лидов, а также конверсию по всем трём источникам. Отчёт демонстрирует: с контекстной рекламой вы получите 165 лидов, с партнёрского баннера — 30. По лидам из соцсетей ситуация не изменится: те же 30. Если количество лидов от рекламного баннера имеет тенденцию к сокращению уже не первый месяц, возможно, в данном случае стоит предложить клиенту своевременно перераспределить средства от его размещения в пользу контекста.

На рынке прогнозной аналитики представлено много решений — среди них IBM Watson, SAP HANA и NGData. В России также есть свои герои: один из них — сервис сквозной аналитики, коллтрекинга и управления рекламой Calltouch. Недавно в систему был внедрён предиктивный анализ рекламных объявлений. Реализованный в форме отчёта, он позволяет пользователю получить прогноз на один месяц вперёд. Благодаря комбинированному алгоритму прогнозирования временных рядов, погрешность предиктивного анализа составляет всего 8–10%. В Calltouch он доступен для всех, кто подключился к сервису не менее трёх месяцев назад — это время необходимо для накопления нужного объёма данных, которые будут использоваться для построения прогноза.

Мощности, необходимые для анализа больших данных, ранее были доступны только избранным, но ситуация уже изменилась. Предиктивный анализ маркетинга — это более полная реализация маркетинговой автоматизации, которая позволяет упростить не только механику маркетинга и анализ данных (как в случае со сквозной аналитикой), но и принятие решений.

How it works

Predictive analytics is based on a large amount of data collected by myTracker.
Forecast accuracy is ensured by several groups of predictive models continually trained and updated.

There are the following stages of myTracker predictive analytics:

  1. Data gathering. Embedded SDK collects data on your app. The forecast is more accurate when the data amount is large.
  2. Models training. All users grouped by shared characteristics are divided into cohorts.
    Models analyze historical data on cohorts and calculate coefficients for future forecasts. The training period depends on the model group.
  3. Model using. When a model has trained,
    myTracker starts to build the forecast.
    Everyday incoming traffic is divide into tiny cohorts,
    for which myTracker creates a forecast.
    In the first eight days after the app installation,
    every 24 hours forecasts are refined and rewritten with new data.
    On a ninth day, results are fixed for each cohort,
    it is the final eighth prediction.
    So you can see the forecast the day after users installed your app,
    and get more accurate data with each new day.

The first eight days are indicative of making a strategic decision like buying traffic. So we update the prediction in the first eight days and give the final forecast on the 9th day.

Prediction assess.
It is essential to compare predictions with facts. You can do this when the amount of tracked data exceeded the forecast horizon (for example, on the 23rd of August, you can compare «LTV180d» and «Prediction LTV180» for the cohort installed the app on the 22nd February). Results will convince you to keep using predictions in your work. If facts have seriously deviated from prediction, contact our support team — we will carefully study the instance and improve prediction models.

1. Определить «горячие» лиды и оптимизировать работу с ними

Аналитические механизмы предиктивного анализа позволяют идентифицировать покупателей, которые с высокой степенью вероятности готовы оформить заказ. Полученные данные также можно использовать для динамической модификации обращений к покупателям: персонализировать расположение товаров, порядок категорий или баннеров. Помимо этого, «горячие» лиды могут получать уникальные предложения, сформированные системой мгновенно, максимально релевантные их интересам.

Среднестатистический клиент Aldo — канадской компании-производителя обуви и аксессуаров — приобретает несколько пар обуви в год, в то время как «лучшие» покупатели — около девяти пар. Это достаточно хороший показатель, но всё же меньше, чем одна пара в месяц. Поэтому еженедельные рассылки электронных писем показались компании явно излишними. 

В Aldo решили сосредоточиться на сервисе, предвосхищающем поведение, предпочтения и желания потребителя с помощью предиктивных данных. Собрав воедино ранее разрозненную информацию, компания начала предоставлять персонализированный покупательский опыт, сопровождающий клиента в интернет- или офлайн-магазине, а также по телефону службы поддержки. 

Превентивная диагностика

Раннее обнаружение возникающих дефектов и отказов в работе позволяет диагностировать проблемы до того, как они превратятся в аварии (рис. 3). Например, если отклонение зафиксировано за 3 месяца до выхода параметра на уровень предупредительной сигнализации, есть возможность оперативно локализовать дефект, осуществить логистику запчастей и провести плановый останов и ремонт.

Остаточный ресурс узлов и деталей рассчитывается по принципу «безопасной эксплуатации по техническому состоянию» на основе определяющих параметров, изменение которых приводит объект в неработоспособное или предельное состояние. Комплекс позволяет в любой момент оценить остаточный ресурс, причем у специалистов есть возможность оценить как краткосрочный (на ближайшие минуты-часы), так и долгосрочный прогноз (от 1 года до 5–7 лет).

Система автоматически в режиме онлайн определяет изменение технического состояния и сигнализирует об этом в журнале событий. Данные о работе оборудования хранятся в течение жизненного цикла. Имеется возможность определения изменения технического состояния при его анализе по архивным данным в режиме офлайн.

Рис. 3 — Преимущество раннего обнаружения отклонений

Реальные возможности предиктивной аналитики в маркетинге

Прочитав статью, вы, возможно, подумали, что предиктивный анализ всегда ведет к катастрофе. Это заблуждение. Если применять метод грамотно, то вас ждут отличные результаты.

  1. Правильная настройка buyer personas

    Прогнозный анализ будет полезен маркетологам, которые работают над оптимизацией UX. Ведь для этого необходимо учитывать пользовательский опыт.

  2. Индивидуализация сообщений

    Речь идет не об обращении по имени в рассылке писем, а об индивидуальном подходе к каждому клиенту. Такую стратегию бренд может использовать, чтобы улучшить качество взаимодействия организации и клиента. Здесь предиктивная аналитика будет как нельзя кстати.

  3. Создание концепции новых товаров или услуг

    Предиктивную аналитику можно применять в процессе мозгового штурма, когда команда ищет идеи новых продуктов, опираясь на данные о потребительском поведении и прошлых покупках.

  4. Поиск перспективных маркетинговых каналов

    Предиктивная аналитика проанализирует рентабельность текущих каналов и поможет найти новые пути вложения ресурсов.

  5. Выявление качественных лидов

    Предсказательная аналитика справится с задачей по выявлению конверсионных (дают позитивную реакцию на Lead Nurturing) и неконверсионных лидов. Это поможет высвободить дополнительные ресурсы и направить их на перспективные сделки. В результате возрастет объем продаж.

Чтобы понимать предиктивную модель, нужно в первую очередь научиться управлять имеющейся информацией. Объедините данные, полученные из соответствующих отделов компании, и сегментируйте их. Это особенно актуально, если вы проводите А/Б-тестирование, не связанное с глобальной задачей. Прощупайте каждую модель, чтобы понять, какая информация важна для прогнозного анализа, а какая совершенно не подходит.

Чтобы предиктивная аналитика была максимально эффективной, используйте стратегический план и все время концентрируйтесь на нем. Держите фокус на чем-то одном, будь то ремаркетинговая кампания, увеличение суммы чека или иная задача. Четкая цель поможет разумно подойти к использованию прогнозной модели и, следовательно, быть успешным в ведении бизнеса.

Этапы предиктивной аналитики

Прогнозная аналитика строится на основе больших данных. Big Data — это массивы информации, работать с которыми без особых программ невозможно. Современные IT-компании разрабатывают специальные инструменты, которые предназначены для обработки данных и их вывода в форме удобных таблиц, отчетов и графиков. Один из самых популярных дашбордов сегодня — наглядная статистика по количеству жертв коронавируса, подготовленная центром наук и инжиниринга Университета Джона Хопкинса в США.

Массивы данных все время увеличиваются. Их непрерывно собирают организации и все устройства, которыми мы пользуемся в обычной жизни, то есть наши компьютеры, планшеты и смартфоны. Получить такие данные очень легко. Они, например, легко считываются с наших пластиковых карт, которые почти полностью заменили наличные деньги.

В качестве примера можно привести такие массивы данных:

Вышеупомянутые примеры уже стали классикой больших данных. А совсем недавно системы стали успешно собирать и анализировать более сложную информацию, например доходы известных американских спортсменов, сюжеты кинолент и точное геоположение ударов молнии.

Прогноз составляется в несколько шагов:

  1. Определить цель предиктивной аналитики. Это влияет на выбор параметров для сбора.

  2. Генерация данных. Для корректного анализа все показатели должны быть идентичными и точными. От аналитиков требуется перевести весь массив информации в удобочитаемую форму, поскольку в ходе сбора бывают сбои в программе.

  3. Аналитика данных. Для этого применяются специальные инструменты. Они могут быть стандартными или разработанными для конкретной компании.

  4. Построение модели. Это происходит на основе машинного обучения или других инструментов ИИ. Специалисты определяют взаимосвязь факторов и показателей, а затем моделируют прогноз.

  5. Практическое использование. На этом этапе можно наконец понять, правильным ли был прогноз. В процессе работы модель снова собирает данные, переобучается и вносит корректировки в прогноз.

Функциональные возможности

SAP Predictive Analytics позволяет работать с данными, загруженными из продуктивных баз данных (поддерживаются таблицы и различные view SAP HANA, SQL view на SAP HANA, виртуальные таблицы Smart Data Access). Также существует возможность работы с данными, загруженными из плоских файлов (файлов Microsoft Excel и текстовых файлов). Все это упрощает работу с источниками данных и делает работу SAP Predictive Analytics более универсальной.

Рисунок 2. Подготовка данных в SAP Predictive Analytics

На этапе подготовки модели данных существует возможность с помощью удобных инструментов с интуитивным интерфейсом изменять вид источника данных: скрывать и переименовывать показатели и аналитики, создавать новые аналитические объекты (популяции с меткой времени, сущности, основные показатели эффективности (KPI) и аналитические записи).

Для построения предиктивных моделей данных используются инструменты Automated Analytics  и Expert Analytics. А прогнозирование и анализ данных в инструменте Automated Analytics осуществляется с помощью нескольких модулей:

  1. Модуль Data Manager помогает в предварительной подготовке аналитических данных. Есть возможность выполнять агрегацию журнала событий для объединения информации из различных источников, выполнять анализ последовательности (агрегировать события в цепочку переходов), выполнять предварительный анализ и оценку текстовых переменных.
  2. Модуль Modeler предлагает широкие возможности создания аналитических моделей данных: создание классификационной/регрессионной модели, создание модели кластеризации, анализа временного ряда — идентифицировать и понять явление, представляемое временным рядом, и предсказать его развитие в краткосрочной и долгосрочной перспективе, генерации правил ассоциации на основе справочной таблицы и таблицы транзакций а также загрузки ранее сгенерированной модели данных.
  3. Также Automated Analytics является мощным инструментом анализа информации из социальных сетей. В модуле Social присутствуют возможности извлечения и использования неявной структурной реляционной информации, которая хранится в наборах данных разных видов, в том числе и из социальных сетей. Существует возможность анализа геолокаций и частых путей в соцсетях, также можно загрузить готовую модель анализа информации из социальных сетей.
  4. Модуль Recommendation позволяет на основе информации, полученной из социальных сетей выработать систему рекомендаций по продуктам для клиентов, а также загрузить готовый механизм рекомендаций.​

Так при анализе социальных сетей клиентов аптек в США было выявлено мошенничество со стороны пациентов и врачей. Были составлены базы уже известных случаев мошенничества, построена схема связей пациентов, врачей и аптек, построены сети связей. В результате эффективность обнаружения случаев мошенничества значительно увеличилась.

А компания SKYLARK, владеющая крупнейшей сетью ресторанов в Японии использовала анализ социальных сетей и заказов для повышения уровня индивидуальных маркетинговых предложений клиентам. В результате этой компанией была налажена система, позволяющая каждому клиенту подбирать оптимальные предложения в оптимальное для него время.

Рисунок 3. Построение модели прогнозирования данных в Expert Analytics

Инструмент Expert Analytics является более сложным инструментом для углубленного анализа и более точного прогнозирования данных. Доступны возможности прогнозирования временного ряда, обнаружения посторонних значений, анализа трендов, классификационного анализа, сегментного анализа и анализа аффинитивности. Особую гибкость Expert Analytics обеспечивает то, что в Expert Analytics реализован широкий диапазон алгоритмов прогнозирования с использованием языка статистического анализа с открытым исходным кодом R и функций сбора данных в памяти для эффективной обработки больших объемов данных.

Expert Analytics также обладает удобными инструментами визуализации данных, что позволяет представлять результаты анализа в том числе и в таких формах, как точечные матричные диаграммы, параллельные координаты, кластерные диаграммы и деревья принятия решений.

Рисунок 4. Визуализация данных

Зачем нам предиктивная аналитика?

Как и большинству проектов в сфере e-commerce, нам нужно одновременно выполнять две задачи.

Во-первых, удерживать самые доходные сегменты пользователей.

Для этого необходимо знать ответы на ряд вопросов. Например, кто из них недавно совершал покупки? Кто с большей вероятностью уйдет с сервиса, а кто, скорее всего, останется? Если вы знаете, что доходный пользователь с вероятностью 85% уйдет от вас, вы можете направить на него коммуникации для удержания: уведомление с приглашением снова зайти на сервис, рассылку с подборкой интересных предложений, сообщение с промокодом и так далее.

Во-вторых, пользователей важно склонять на дополнительные покупки, используя сross sale и up sale.

Для этого мы должны выдавать ему предложение, конверсия которого будет выше, чем в случае, если бы он искал товар сам. Здесь все предельно ясно: если пользователь видит больше интересных ему товаров и услуг, он больше покупает.

Первую задачу можно решить, используя предиктивную аналитику: умея предсказывать, когда пользователь, вероятнее всего, уйдет, можно предпринимать попытки его удержать. Чем сильнее удается снизить отток пользователей, тем выше заработок бизнеса. Решение второй задачи – рекомендательная система с достаточно высокой конверсией.

ПОВЫШЕНИЕ« Предиктивное моделирование »

Быстрая миграция на цифровые продукты создала море данных, которое легко доступно и доступно для бизнеса. Большие данные используются компаниями для улучшения динамики взаимоотношений между клиентом и бизнесом. Это огромное количество данных в реальном времени поступает из таких источников, как социальные медиа, история интернет-поиска, данные сотового телефона и облачные вычислительные платформы. Анализируя исторические события, существует вероятность того, что бизнес сможет предсказать, что произойдет в будущем, и спланировать соответственно. Однако эти данные обычно неструктурированы и слишком сложны, чтобы люди могли анализировать за короткий промежуток времени. Из-за сложности, что огромные количества данных присутствуют, компании все чаще используют интеллектуальные аналитические инструменты для прогнозирования результатов события, которое может произойти в ближайшем будущем.

Прогностическая аналитика собирает и обрабатывает исторические данные в огромных количествах и использует мощные компьютеры для оценки того, что происходило в прошлом, а затем дает оценку того, что произойдет в будущем. Прогностическая аналитика использует предиктора или известные функции для создания прогнозирующих моделей, которые будут использоваться для получения результата. Прогностическая модель способна узнать, как разные точки данных соединяются друг с другом. Двумя наиболее широко используемыми методами прогнозирования являются регрессия и нейронные сети.

В области статистики регрессия относится к линейной зависимости между входными и выходными переменными. Прогностическая модель с линейной функцией требует одного предсказателя или функции, чтобы предсказать выход / результат. Например, банк, который надеется обнаружить отмывание денег на ранних стадиях, может включать в себя модель линейного прогнозирования. Банк конкретно хочет знать, кто из его клиентов, вероятно, будет заниматься деятельностью по отмыванию денег в определенный момент времени. Представлены все данные клиентов банка, а прогнозная модель построена на основе стоимости переводов, сделанных каждым клиентом в течение периода времени в долларах. Модель учит распознавать разницу между транзакцией отмывания денег и обычной транзакцией. Оптимальным результатом модели должна быть модель, которая сигнализирует, что клиент отмывал деньги, а какие нет. Если модель воспринимает, что модель мошенничества возникает для конкретного клиента, она создаст сигнал для действий, в котором будут участвовать аналитики мошенничества банка.

Предиктивные модели также используются в нейронных сетях, таких как машинное обучение и глубокое обучение, которые являются полями Искусственного интеллекта (AI). Нейронные сети вдохновлены человеческим мозгом и создаются сетью взаимосвязанных узлов на иерархических уровнях, которая представляет собой основу для ИИ. Сила нейронных сетей заключается в их способности обрабатывать нелинейные отношения данных. Они могут создавать отношения и шаблоны между переменными, которые оказались бы невозможными или слишком трудоемкими для человеческих аналитиков. Таким образом, хотя банк может вводить в свою модель известные переменные, такие как стоимость переводов, инициированных ее клиентами, чтобы получить желаемый результат того, кто может участвовать в отмывании денег, нейронная сеть может создать более мощный шаблон, если он сможет успешно создать взаимосвязь между входными переменными, такими как время входа в систему, географическое расположение пользователя, IP-адрес устройства пользователя, получателя или отправителя средств и любая другая функция, которая, вероятно, будет заниматься отмыванием денег.

Другие методы прогнозирования, используемые финансовыми компаниями, включают деревья принятия решений, интеллектуальный анализ временных рядов и байесовский анализ. Компании, которые используют большие данные с помощью прогнозирующих мер моделирования, лучше понимают, как их клиенты взаимодействуют со своими продуктами и могут определять потенциальные риски и возможности для компании.

Типы

Как правило, термин «прогнозная аналитика» используется для обозначения прогнозного моделирования , «оценки» данных с помощью прогнозных моделей и прогнозирования . Однако люди все чаще используют этот термин для обозначения связанных аналитических дисциплин, таких как описательное моделирование и моделирование решений или оптимизация. Эти дисциплины также включают тщательный анализ данных и широко используются в бизнесе для сегментации и принятия решений, но имеют разные цели и различные статистические методы, лежащие в их основе.

Прогнозные модели

В прогнозном моделировании используются прогнозные модели для анализа взаимосвязи между конкретными характеристиками объекта в выборке и одним или несколькими известными атрибутами или характеристиками объекта. Цель модели — оценить вероятность того, что аналогичное устройство в другом образце будет демонстрировать определенные характеристики. В эту категорию входят модели во многих областях, таких как маркетинг, где они ищут тонкие шаблоны данных, чтобы ответить на вопросы о работе клиентов, или модели обнаружения мошенничества. Прогностические модели часто выполняют вычисления во время реальных транзакций, например, для оценки риска или возможности данного клиента или транзакции, чтобы принять решение. С повышением скорости вычислений системы моделирования отдельных агентов стали способны моделировать поведение или реакции человека на заданные стимулы или сценарии.

Доступные единицы выборки с известными атрибутами и известными характеристиками называются «обучающей выборкой». Единицы в других выборках с известными атрибутами, но неизвестными характеристиками, называются единицами «вне выборки». Единицы вне выборки не обязательно имеют хронологическую связь с единицами обучающей выборки. Например, обучающая выборка может состоять из литературных атрибутов произведений викторианских авторов с известной атрибуцией, а не входящей в выборку единицей могут быть вновь обнаруженные сочинения с неизвестным авторством; прогнозная модель может помочь приписать произведение известному автору. Другой пример — анализ разбрызгивания крови на смоделированных местах преступления, в котором не входящая в образец единица представляет собой фактическую картину разбрызгивания крови с места преступления. Единица вне выборки может быть из того же времени, что и обучающие единицы, из предыдущего времени или из будущего времени.

Описательные модели

Описательные модели количественно определяют взаимосвязи в данных способом, который часто используется для классификации клиентов или потенциальных клиентов по группам. В отличие от прогнозных моделей, которые фокусируются на прогнозировании поведения отдельного клиента (например, кредитного риска), описательные модели идентифицируют множество различных отношений между клиентами или продуктами. Описательные модели не ранжируют клиентов по вероятности совершения определенного действия, как это делают прогнозные модели. Вместо этого можно использовать описательные модели, например, для категоризации клиентов по их предпочтениям в отношении продуктов и стадиям жизни. Инструменты описательного моделирования могут использоваться для разработки дополнительных моделей, которые могут моделировать большое количество индивидуализированных агентов и делать прогнозы.

Модели принятия решений

Модели решений описывают взаимосвязь между всеми элементами решения — известными данными (включая результаты прогнозных моделей), решением и прогнозируемыми результатами решения — с целью прогнозирования результатов решений, включающих множество переменных. Эти модели можно использовать для оптимизации, максимизируя одни результаты и минимизируя другие. Модели принятия решений обычно используются для разработки логики принятия решений или набора бизнес-правил, которые будут производить желаемое действие для каждого клиента или обстоятельства.

Умный стайлер (утюжок) для волос

Стайлер или по-другому, – «утюжок» или «выпрямитель» для волос тоже может быть умным! Известный на рынке стайлер под названием ghd platinum – теперь стал ещё и умным! Поэтому он получил новое название – ghd platinum+.

Стайлер ghd platinum+ мгновенно анализирует тип, структуру, состояние волос и подбирает обладателю волос и стайлера индивидуальную температуру для процедуры выпрямления непослушных прядей. (Делает её поменьше).

Как не пережечь, не повредить волосы, выпрямляя их утюжком?.. Не выпрямлять их утюжком – вот радикальный совет, который можно услышать от честного парикмахера, трезво оценивающего чужие лысины. И ещё вдогонку другой совет: не сушить сухие ломкие тонкие волосы феном. Вообще. Никогда. Но может быть, умный утюжок ghd platinum+ знает то, чего не знают честные парикмахеры?..

Польза предиктивной аналитики в торговле

Можно также спрогнозировать, каким будет спрос на тот или иной продукт, и запланировать проведение рекламной акции:

  • Прогноз ежедневного спроса на уровне торговая точка / товар на 28 дней.

  • Прогноз спроса в период акции.

  • Учет товарозамещения в период акции.

  • Учет изменения цены и сезонного колебания спроса.

  • Учет климатических факторов, локаций торговых точек, их размеров.

  • Прогноз запуска новых товаров, открытия новых магазинов.

  • Анализ конкурентов.

Прогнозный анализ в торговле полезен в процессе выведения значимых для покупателей продуктов:

  • Выявление группы товаров, которые оказывают значительное влияние на покупательское поведение.

  • Определив эти товары, продавец может установить новую ценовую стратегию и тем самым повлиять на покупательское поведение.

  • Агрессивная ценовая политика позволяет продавцам регулировать трафик, влиять на общую рыночную ситуацию и на свою прибыль.

Предиктивная аналитика используется в торговле для оптимизации постоянной и акционной стоимости товара. Для этого используются следующие методы:

  • Рекомендация наиболее подходящей цены.

  • Рекомендация цены для увеличения продаж.

  • Расчет ограничений по обороту, наценке, поставкам, выкладке.

  • Расчет эластичности цены.

  • Индивидуальные предложения для покупателей.

  • Продажи по нескольким каналам.

Прогнозная аналитика полезна при сегментировании клиентов:

  • Сегментация по поведенческим характеристикам, маркетинговая сегментация.

  • Целевые маркетинговые кампании.

  • Аналитика клиентской корзины.

  • Рекомендательные сервисы.

  • Кросс-продажи, увеличение продаж.

  • Тактика оптимальной альтернативы.

  • Расчет покупательского риска с целью приостановить отток клиентов.

Можно также сегментировать покупателей по поведенческим характеристикам, используя для этого многомерный анализ информации:

  • Для проведения акций формируются сегменты покупателей (такое деление повышает конверсию).

  • Разным группам покупателей предлагаются разные скидки, что также положительно сказывается на количестве покупок.

  • На самом раннем этапе выявляются покупатели, которые с наибольшей вероятностью станут неконверсионными. Им предлагаются соответствующие акции.

Более глубокое понимание аудитории

Подход предиктивного таргетинга применим для построения любых
маркетинговых процессов. Речь не только про расчет вероятности действия или
иного события, но и определение принадлежности пользователя к определенной
целевой группе.

Так за счет анализа клиентской базы рекламодателя можно
построить прогноз о принадлежности того или иного потребителя к группе оттока.
Сведения о клиентах, которые с высокой вероятностью могут перестать
пользоваться услугами компании необходимы для оперативного принятия мер по их
удержанию, например, за счет отправки им специального предложения.

Знания о комбинации различных параметров аудитории постоянных
клиентов позволяют находить похожую аудиторию для последующего таргетинга в
онлайн-рекламе. Аналогичный подход можно применить, выявив среди собственной
клиентской базы аудиторию с высоким LTV на основе прогноза потребительского
поведения.

Применение прогнозирования актуально не только для
маркетинговых коммуникаций, но и для предоставления дополнительного сервиса
собственных клиентам. Например, такие компании, как Netflix и YouTube, активно
используют машинное обучение для построения рекомендаций контента для своих
пользователей.

Вывод

Для B2B-компаний предиктивная аналитика — это полезный инструмент для повышения дохода. Используя информацию о предыдущих клиентах, хранящуюся в CRM и ERP, предприятия B2B могут применять кластерный анализ, прогнозирование на основе поведения для:

Разработки маркетингового воздействия для каждого целевого клиента, чтобы сделать маркетинговые мероприятия более эффективными.

Оценки новых лидов на основе взаимодействия с клиентами из той же целевой группы.

Прогнозирования доходов на основе действий клиентов и показателя ARIMA для достижения большей финансовой стабильности.

Сокращения потерь из-за неэффективных процессов.

Предоставления более актуальных услуг и продуктов на основе закрытых сделок с похожими клиентами.

Оценки пожизненной ценности клиентов с помощью методов предиктивной аналитики для более эффективного удержания клиентов.

Обращаем ваше внимание, что данными технологиями мы владеем. Будет интерес — обращайтесь, обсудим, чем можем быть полезны для вас. 

Оцените статью
Рейтинг автора
5
Материал подготовил
Андрей Измаилов
Наш эксперт
Написано статей
116
Добавить комментарий