Что такое предписывающая аналитика и что она значит для ecommerce

Михаил Кечинов, основатель REES46

Большие данные положили начало новой эры аналитики, и ни один ритейлер не может на нее пожаловаться. Теперь мы больше знаем о своих клиентах и используем эти знания, чтобы развиваться. И хотя не все понимают тонкости бизнес-аналитики, здесь можно найти много интересного. Сегодня мы поговорим про одну из ее составляющих, Prescriptive Analytics – предписывающую аналитику.

Сегодня мир наводнен данными, причем 90% получены за последние несколько лет, и по прогнозам этот показатель будет очень быстро расти. Любой сайт или приложение запрашивает данные пользователей или собирает их в фоновом режиме. Но зачем?

Все эти данные должны куда-то идти, у них должна быть цель. Конечно, многие из них попадают в озера и хранилища данных и в конечном итоге продаются компаниям, чтобы те могли принимать продуманные бизнес-решения. Они нужны, чтобы описывать текущие тенденции, прогнозировать будущие и, главное, строить план действий – за последнее и отвечает предписывающая аналитика.

Три составляющие бизнес-аналитики

Чтобы понять, что такое предписывающая аналитика, важно иметь представление о бизнес-аналитике в целом. А это – многоэтапный процесс, где каждый шаг включает в себя анализ данных. На выходе получается несколько типов заключений, и уже на их основе бизнес создает стратегию будущих действий.

Обычно в бизнес-аналитике выделяют три части:

1. Описательная аналитика помогает понять, как дела у компании сейчас. Для нее нужны отзывы клиентов, данные о продажах, посещаемость сайта – то есть любые данные из прошлого, которые можно использовать для анализа бизнеса по настоящий момент.

2. Прогнозирующая аналитика использует данные того же типа, чтобы узнать, что будет с компанией с учетом текущих обстоятельств. Иными словами, об этом следует думать как о том, что произойдет, если бизнес не будет меняться и все останется, как есть.

3. Предписывающая аналитика вместо простого прогнозирования настраивает определенные переменные, чтобы достичь лучшего из возможных результатов, и предлагает для этого определенный порядок действий.

Компании могут использовать один или все виды аналитики, но в последнее время отдают предпочтение последним двум. Рынок прогнозирующей и предписывающей аналитики в прошлом году оценили в 6,64 млрд долл., и, как ожидается, он достигнет 22,5 млрд долл. к 2024 году.

Возможности предписывающей аналитики

Как и прогнозирующая аналитика, предписывающая позволяет превратить первичные данные в ценные бизнес-идеи. Разница в том, что последняя предлагает лучший из возможных курс действий, которому компания может следовать уже сейчас.

В основе предписывающей аналитики лежит идея оптимизация. Это значит, что при построении модели анализа для каждого бизнеса нужно учитывать все, даже небольшие, факторы: цепочка поставок, зарплата сотрудникам, планирование рабочих мест, затраты на электроэнергию, возможные проблемы с доставкой.

Компании, которые занимаются предписывающей аналитикой, используют разные инструменты – движущими силами можно назвать искусственный интеллект и машинное обучение, но редко когда дело ограничивается только ими. Например, в список Gartner входит:

● анализ графиков;

● симуляция;

● обработка сложных событий, которая включает данные из нескольких источников для поиска закономерностей и моделирования сложных обстоятельств;

● нейронные сети;

● механизмы рекомендаций – алгоритмы для прогнозирования положительных и отрицательных предпочтений на основе прошлого пользовательского опыта;

● эвристика или альтернативные методы для решения проблемы, когда точного решения найти не удается;

● машинное обучение.

Так или иначе, все технологии, которые использует предписывающая аналитика, делают результаты более точными и сокращают время для их получения. Уже сейчас подобные аналитические модели применяют в разных сферах – в том числе и в ecommerce.

Предписывающая аналитика для ритейлеров

С точки зрения маркетинга и продаж, предписывающая аналитика может использоваться для того, чтобы оптимизировать ассортимент товаров и цены, найти лучшее применение рекламным бюджетам, выбрать каналы взаимодействия с клиентами, разработать контент-стратегию.

Один из самых известных примеров предписывающей аналитики – модель Anticipatory Shipping от Amazon. Она обрабатывает данные о предыдущих покупках, частоте заказов, содержимом корзины и истории поиска, чтобы гарантировать наличие определенных продуктов на ближайшем складе для разных категорий клиентов. Это сокращает время доставки и оптимизирует расходы на нее, что позволяет увеличить продажи и качество обслуживания.

А вот пример ценообразования на основе предписывающей аналитики от ASOS. Их программа отслеживает цены на сайтах конкурентов и другие рыночные данные, чтобы информировать руководителей компании о том, какие продукты есть на складе, какую цену выбрать, а также когда и какую скидку делать. Благодаря этому им удалось увеличить продажи на 33% в год.

Wine.com, крупный онлайн-ритейлер вина, ищет пути персонализации с помощью аналитики. Чтобы повысить лояльность клиентов, они предлагают проконсультироваться с сомелье в чате. А медиа-компания PopSugar использует предписывающую аналитику, чтобы понять, какой контент обеспечит максимальную вовлеченность читателей: 7,7 млн просмотров статьи о чизкейке говорят сами за себя.

Что касается маркетологов, то они легко могут получить прямые рекомендации о новой рекламной кампании: с помощью предписывающей аналитики не только определить трендовый продукт в определенном регионе, но и подготовить email-рассылку своевременно, например, к началу холодов.

Большие данные, большое будущее

Все компании понимают важность больших данных для продаж и лояльности клиентов, но пока предписывающая аналитика не так широко распространена, и ей только предстоит стать ecommerce-трендом. Ведь она является завершающим штрихом в картине бизнес-аналитики, где каждый уровень приносит свои дивиденды.

Описательная аналитика, которая использует исторические данные, служит надежной основой для прогнозной и предписывающей аналитики, потому что с ее помощью можно понять модели покупок клиентов и вашу общую эффективность.

Прогнозная аналитика позволяет моделировать будущие события. Эти данные нужны для машинного обучения, чтобы предсказывать средний чек вашей целевой аудитории, цены за клик, спроса на продукты и т. д.

Наконец, предписывающая аналитика нужна для поиска автоматизированных решений для бизнеса. Ее алгоритмы, которые сегодня активно развиваются и совершенствуются, в будущем помогут ритейлерам избегать человеческих ошибок. Они смогут контролировать большинство процессов даже в крупных компаниях и обеспечивать индивидуальный подход к каждому клиенту. Уже сейчас у нас формируется культура, ориентированная на потребителя, и со временем большие данные доведут этот процесс до логического завершения — и откроют новые горизонты.