Предиктивная аналитика

Здравствуйте!

Предиктивная аналитика (от английского “predictive analytics”) — это предсказательная или прогнозная аналитика. Если разбираться глубже, то это совокупность методов анализа данных с их интерпретацией, которая помогает на основе прошлых событий принимать с высокой точностью верные решения в будущем.

Происходит это за счёт нахождения параметров среди данных, которые влияют на другие. Далее определяется степень влияния, и происходит магия: вы получаете картину того, как изменится ваш бизнес, если какой-то параметр изменит своё значение.

Зачем она нужна бизнесу

Предиктивная аналитика даёт преимущество перед конкурентами. Представьте, что вы всегда владеете прогнозной информацией, знаете, что будет с бизнесом завтра, и какое решение оптимальнее принять в этой ситуации.

Важно. Сразу хочу извиниться перед математиками: статья написана максимально простым языком. Для лучшего понимания термины заменены на понятные понятия, а принципы описаны ненаучно.

А теперь ответьте себе на один вопрос, только честно: «На основе чего вы приняли последнее решение в вашем бизнесе?» Ответили?

Наверняка что-то из разряда: «у меня большой опыт», «раньше всегда так принимались решения», «мне посоветовал мой маркетолог, жена, брат, сват» и т.д. И вполне вероятно, что это решение было верным, но случайным.

А теперь мы вам расскажем, как бы вы его принимали, опираясь на предиктивную аналитику. Только учтите, что это лишь малая часть способов её применения.

Предиктивная аналитика в разных сферах бизнеса

1. Оптимизация в ритейле и FMCG

В этих отраслях предиктивная аналитика работает следующим образом: если вы знаете, какие продукты пользуются спросом у покупателей, можно решить сразу несколько задач: каких товаров и в каком количестве должно быть постоянно в магазине (или интернет-магазине), что предложить покупателю в дополнение к его покупке, какую цену оптимально установить на определённый товар.

Пример

Вы владелец интернет-магазина одежды. У вас есть информация, что 80 % клиентов мужского пола вместе с пиджаком покупают ещё и рубашку. Зная это, вы сможете предлагать всем мужчинам, которые заказали только пиджак, добавить к заказу рубашку. Многие согласятся, поскольку статистика не врёт. Таким образом вы повысите средний чек заказа.

2. Оптимизация производства

Если вы собираете информацию о параметрах, влияющих на работу оборудования, а не надеетесь только на инструкцию по эксплуатации, то намного проще предотвратить поломки и провести необходимое обслуживание.

Пример

У вас своя конвейерная линия, и уже не раз случалось, что при повышенных температурах воздуха оборудование выходит из строя. Зная это и прогноз погоды на ближайшее время, вы сможете предотвратить повышение температуры в цеху и тем самым избежать простоя.

3. Обнаружение мошенничества

Если у вас есть статистика по недобросовестным клиентам (например, по их полу, возрасту, профессии и другим признакам), то вы сможете отсеивать их ещё на стадии анкетирования.

Пример

Вы занимаетесь банковскими услугами и располагаете собранной информацией о том, что клиенты от 18 до 21 года, а также лица с судимостью чаще всего не производят выплаты по кредитам. Зная это, вы можете не сотрудничать с клиентами из этих сегментов.

4. Управление рисками

Если в вашем бизнесе есть риск, то с помощью прогнозного анализа прошлых негативных событий можно влиять на их предотвращение в будущем или лучше страховаться от них.

Пример

Вы занимаетесь страхованием здоровья и у вас есть статистика, что у людей промышленных профессий риск травм выше, чем у менеджеров. Чтобы компенсировать риски от страхования сотрудников промпредприятий, вы запросите у них бóльшую страховую сумму и будете диверсифицировать портфель за счёт страхования менеджеров.

5. Маркетинговый и клиентский анализ

Если вы собираете информацию о ваших клиентах, их поведении, величине и частоте покупок, то сможете смоделировать будущее поведение клиентов. Зачем это нужно? Как минимум, для понимания людей, а в идеале — для улучшения клиентского сервиса на каждом этапе взаимодействия клиента с вашим бизнесом.

Пример

Вы владелец кинотеатра. Благодаря системам видеонаблюдения получили среднестатистический путь зрителя: он открывает дверь, отряхивает ноги, проходит к кассе, покупает билет, проходит в гардероб, посещает туалет и ждёт открытия дверей в кинозал. Уже в этих местах можно организовать дополнительные рекламные размещения. Также можно сделать посещение кинотеатра удобнее: поставить самооткрывающиеся двери, положить дополнительный коврик при входе, организовать автоматическую систему покупки билетов, увеличить количество работников гардероба и т.д.

6. Продажи

Благодаря аналитике в продажах вы сможете точно знать, какие показатели непосредственно влияют на выручку и прибыльность бизнеса, а какие — косвенно.

Пример

Вы сможете посмотреть статистику прошлого года по конверсии из заявок в продажи и оценить, что влияло на неё положительно, а что — отрицательно. После чего составите план действий на текущий год, чтобы достичь поставленных целей.

7. Работа с персоналом

Ведение учёта причин добровольных увольнений и фиксация их зависимости от срока работы поможет снизить текучку кадров, повысить лояльность сотрудников или хотя бы быть готовым к их уходу.

Пример

Вы заметили, что персонал, проработавший в компании два года на одной должности, увольняется по причине потери интереса. С этой информацией вы сможете периодически устраивать ротацию в коллективе или заблаговременно подготовить замену этому сотруднику.

Три кита предиктивной аналитики

Аналитика в целом (и прогнозная в частности) подразумевает работу с данными. Там, где их нет, нечего анализировать и нет почвы для выводов. Поэтому, когда вы принимаете решение, не опираясь на информацию, вы превращаетесь из предпринимателя в гадалку. Не надо так! А теперь к китам.

Кит 1. Сбор данных

Чтобы работать с информацией, её нужно собрать — всё логично. Но какие данные собирать и как? На эти вопросы нет универсальных ответов: для каждого бизнеса требуются свои данные и методы. Поэтому здесь работает правило: чем больше, тем лучше.

Основные типы данных:

1. Количественные показатели. Сколько клиентов привлекли, сколько сообщений написали, сколько продукта продали и т.д.;
2. Экономические показатели. Сколько денег заработали и потратили, какая маржинальность, прибыльность и т.д.;
3. Внешние факторы. Уровень конкуренции, стратегии конкурентов, экономическая и политическая ситуация и т.д.;
4. Внутренние факторы. Загруженность персонала, уровень квалификации кадров, факторы, влияющие на производство;
5. Временные показатели. Какое время затрачивается на одну сделку, как часто они повторяются;
6. Конверсионные показатели. Какой процент клиентов перешёл из одного этапа воронки продаж в другой;
7. Клиентский путь. Откуда к вам пришёл клиент, как о вас узнал, какой путь преодолел, как себя вёл и т.д.;
8. Клиентские показатели. Пол, возраст, профессия, семейное положение, уровень достатка, место проживания, потребности и т.д.

И так далее — список можно продолжать бесконечно. В офлайне это датчики движения, Wi-Fi-мониторы, системы умного видеонаблюдения, кассовые аппараты и товароучётные системы. Тем, кто до сих пор ведёт всё в книгах учёта, на листочках и в тетрадях, не позавидуешь. В этом случае сбор данных ограничивается наблюдением и проведением опросов. Если вы сейчас подумали «о, у меня так», то просыпайтесь скорее и вступайте в эру информационных технологий.

Кит 2. Исследовательский анализ

Здесь начинается работа с данными. На этом этапе нужно из их совокупности найти ранее неизвестные, непонятные, но полезные сведения и практические интерпретации, необходимые для принятия обоснованных решений. Это понятие называют «data mining» — обнаружение знаний в данных. Основу исследовательского анализа составляют различные методы классификации, моделирования и статистические методы. Об основных мы расскажем чуть ниже.

Сразу скажем: для эффективного анализа необходима достаточно крупная база сведений. Здесь работает закон больших чисел — чем больше данных, тем более объективными будут выводы.

Исследовательский анализ решает следующие задачи:

1. Классификация. Присвоение одного элемента к группе других по определённым параметрам;
2. Регрессия. Выявление зависимости результатов от исходных данных;
3. Кластеризация. Объединение объектов в группы по различным параметрам;
4. Ассоциация. Определение закономерностей между событиями;
5. Последовательная ассоциация. Определение, через какое время после одного события случится другое;
6. Анализ отклонений. Определение исключений из правил.

Кит 3. Предиктивное моделирование

То, ради чего и нужна система предиктивной аналитики, — создание высокоточных прогнозов. После предыдущих этапов у вас есть массив данных, и теперь требуются их интерпретации: классы, кластеры, зависимости, ассоциации и отклонения от нормы.

На этом этапе необходимо:

1. Поставить задачу. Определить, что именно вы хотите получить и на какой промежуток времени (или до какого события). Это может быть прогноз прибыли на год, спроса на рынке в августе или срока службы станка;
2. Выбрать математическую или статистическую модель. Она и сделает прогноз, учитывая множество факторов, распределяя их удельный вес и вводя исходные данные.

Основные типы и методы

В основе предиктивной аналитики лежат статистические методы. Её система тесно связана с big data и искусственным интеллектом, поэтому опирается на машинное обучение.

Типов предиктивной аналитики существует больше двух, но мы расскажем именно о тех, которые точно помогут вам в бизнесе.

Тип 1. Контролируемое обучение

Или обучение с учителем, подразумевает построение (обучение) модели по исходным данным и выходящим результатам. То есть в построении модели известны и параметры события, и результат, на который они влияют.

Например, если мы знаем, что на выручку влияют число покупок и средний чек, а нам необходимо понять, каким образом каждый параметр влияет на её размер, то мы прибегнем к контролируемому обучению. Оно включает два ключевых метода:

1.1. Регрессия

Самый популярный метод. Применяется для получения количественных ответов или числовой ценности, например, для расчёта выручки по конкретным параметрам.

При регрессии используются:

• Числовая переменная ответа — то, что пытаются предсказать;
• Предикторы — параметры, которые влияют на ответ.

Взаимосвязь между параметрами и результатом и есть предиктивная модель. Кроме того, рассчитывается вес каждого параметра — степень влияния на конечный результат.

Пример

Чтобы было понятнее, вернёмся к выручке. У нас есть показатели выручки, среднего чека и количества клиентов за три месяца. Из этих данных видно, что зависимость выручки от количества клиентов и среднего чека прямо пропорциональная:

Выручка = Количество клиентов × Средний чек.

Зная эту формулу, вы сможете прогнозировать выручку и влиять на неё, сосредоточивая усилия на росте предикторов. Или понять, сколько клиентов нужно привлечь и при каком среднем чеке, чтобы получить желаемую выручку.

1.2. Классификация

Этот метод связан с причислением объекта к какому-либо классу по определённым параметрам. Его задача — определить, к какому именно.

Работает это так: в базу данных загружаются все известные переменные объектов (например, по каждому человеку — пол, возраст, профессию и уровень дохода). Далее алгоритм вычисляет зависимость одного от другого и предсказывает неизвестный параметр объекта по известным. В бизнесе этот метод обычно применяется для различных сегментаций.

Пример

Вы занимаетесь оптовой торговлей одежды, и размер скидок зависит от объёма закупок. Первый способ определить уровень скидки новому клиенту — поработать с ним определённое время. Если же использовать классификационный метод, то, имея данные о прошлых клиентах (местоположение, ассортимент), можно рассчитать влияние параметров на объём закупок и предугадать, какой объём закупок следует ожидать от нового клиента. Чем больше у вас данных, тем точнее будут прогнозы.

Тип 2. Неконтролируемое обучение

В этом типе предиктивное моделирование происходит только по входящим данным без привязки к ответу. Ответ подбирается автоматически в процессе обучения. Это требуется для поиска и анализа скрытых закономерностей, о которых ранее было неизвестно. Основной метод — кластеризация.

2.1. Кластеризация

К этому методу предиктивной аналитики относятся задачи:

1. Проектирование типологии и классификации;
2. Анализ эффективных схем группировки данных;
3. Рождение гипотез на основе исследований;
4. Проверка гипотез принадлежности одного объекта к проверяемой группе.

Для бизнеса кластеризация полезна тем, что позволяет более чётко представлять взаимосвязи и зависимости, а также выявлять отклонения и новые тенденции.

Пример

Возьмём тот же пример, что и в классификационном методе. Только теперь мы не знаем зависимость объёма закупок от параметров (местоположение, рекламные вложения, ассортимент). Мы загружаем данные о клиентах, и алгоритм определяет, есть ли между ними взаимозависимость и какая именно.

Инструменты предиктивной аналитики

Существует много инструментов и программных продуктов. Они отличаются функциональностью и удобством пользования. Некоторые нужны для создания предиктивных моделей, некоторые — для их интерпретации, а самые продвинутые — для того и другого.

При выборе инструмента обратите внимание на:

1. Поддержку полного цикла аналитики — от исследования данных до создания моделей и оценки их эффективности;
2. Интеграцию знаний — знания, полученные в процессе аналитики, должны интегрироваться в другие сферы бизнеса;
3. Поддержку интеграции с различными источниками получения и обработки данных;
4. Удобство пользования — программа должна быть понятна разным типам пользователей: от статистиков до менеджеров;
5. Адаптивность к работе с минимальным вмешательством программистов и технических специалистов.

В результате функционирования таких систем управляющие специалисты могут своевременно формировать гипотезы, проверять их и принимать точные, обоснованные решения.

Коротко о главном

Благодаря предиктивной аналитике вы сможете принимать более взвешенные решения, подготовиться к непредвиденным ситуациям и повысить эффективность бизнеса в целом. Но это не фундамент для бизнеса, а инструмент, повышающий его эффективность. Поэтому наибольшую пользу он принесёт уже устоявшейся компании, у которой налажены основные бизнес-процессы и сбор данных.

Предиктивная аналитика — сложный и ресурсоёмкий процесс, требующий высокой квалификации как в статистике, так и в работе с информацией.

История появления

История этого метода берёт начало с 40-х годов прошлого столетия, когда команда под руководством Алана Тьюринга пыталась взломать шифровальную машину фашистской Германии «Энигма».

Сложность операции заключалась в том, что алгоритм «Энигмы» менялся каждые 24 часа, и его не успевали взламывать. Алан Тьюринг, британский математик и изобретатель вычислительной «Машины Тьюринга», предположил, что в любом случае существует какая-либо корреляция между символами, осталось лишь её вычислить. Но для этого требовалось хоть что-то, что есть в каждом зашифрованном сообщении.

Немцев подвела их идеология: в каждом сообщении была ритуальная для них фраза «Да здравствует Гитлер». Вычислив алгоритм составления этой фразы, а именно соответствие зашифрованных символов символам из реальной фразы, команда Тьюринга смогла разгадать «код Энигмы». Считается, что именно это позволило значительно сократить Вторую мировую войну.

P.S. На эту тему снят потрясающий, на наш взгляд, фильм «Игра в имитацию» 2014 года.

После этого метод предиктивной аналитики начал успешно применяться и в других вычислительных задачах, что позволило родиться тому, на основе чего мы написали эту статью.