Перейти к материалам

Интернет-магазин не станет рекомендовать вегану стейк Но как он поймет, что человек не ест мясо?

Представьте ситуацию: на носу важное мероприятие, но выбирать вечерний наряд времени нет. Как поступить? На такой случай есть отдельный сервис: он выберет готовый образ (включая украшения и аксессуары) без вашего участия. Вы не знаете заранее, что вам привезут, но вещи будут подобраны с учетом мельчайших деталей — от цвета ваших глаз до обхвата запястья. Как сервис все это подгадал? Благодаря предиктивной аналитике. Технологию используют многие компании — от ретейла до медицины и нефтедобычи. Именно она помогает бизнесу узнать о клиенте почти все, чтобы выгоднее преподнести ему свой продукт. Вместе с сервисом myTracker рассказываем, как это устроено.

Что такое предиктивная аналитика 

Это набор технологий и подходов к работе с данными, цель которых — находить скрытые закономерности и строить прогнозы о будущем. С помощью математики и алгоритмов можно предсказывать что угодно — от поведения и интересов человека до исправности автомобиля и положения кометы в небе. 

История предиктивной аналитики началась в 1950-х годах в США — тогда начали появляться первые агентства, помогающие банкам оценивать платежеспособность клиентов по кредитам. Чтобы понять, вернет ли человек деньги, приходилось использовать больше сотни различных параметров. С тех пор компьютерные мощности выросли, предсказания стали более точными, и предиктивная аналитика вошла почти во все сферы жизни. Скажем, когда вы набираете текст на смартфоне, именно предиктивная аналитика предсказывает, какие слова вы захотите написать дальше, и предлагает варианты. 

Чаще всего предиктивную аналитику используют в маркетинге: она позволяет найти мельчайшие закономерности, которые не может с ходу обнаружить даже целая команда маркетологов. Так появляются долгосрочные предсказания о спросе на определенные товары и поведении конкретного пользователя. Когда интернет-магазин рекомендует купить определенные товары, а вам сразу хочется добавить их в корзину, знайте: это работа предиктивной аналитики.

Где и как используется технология

Формирование цен. Одна из самых популярных областей применения предиктивных технологий — ценовая политика. Благодаря ей многие компании смогли отказаться от фиксированных цен: например, сеть отелей Hilton еще в начале 2000-х стала использовать принцип динамического ценообразования. Или, скажем, цена аренды на жилье в Airbnb формируется исходя из анализа множества параметров: сезона, дня недели, качества фотографий жилья, праздников и проходящих поблизости мероприятий (например, музыкальных или кинофестивалей) и так далее. Система предлагает арендодателю выставить ту сумму, за которую ему, скорее всего, удастся сдать свою квартиру. Тот же принцип используется в агрегаторах такси: спрос на машины прогнозируется на основе загруженности дорог, погоды и других нюансов. 

Система рекомендаций. Перед тем как порекомендовать вам те или иные товары, интернет-магазин учитывает не только историю ваших предыдущих покупок, но и, например, сезонность и артикулы, которые вы положили в свою корзину недавно (даже если еще их не купили). Amazon рекомендует продукты и услуги пользователям на основе их поведения в прошлом, рекомендации приносят ему до 30% продаж. Благодаря умной системе интернет-магазин никогда не порекомендует человеку с боязнью воды купить ласты, а вегану — сковородку для стейков. Допустим, по данным системы, 72% миллениалов мужского пола, которые покупают яблочную газировку, также берут черничный йогурт. В таком случае система предложит поставить эти товары рядом или чаще рекомендовать в предложенных, тем самым повысив средний чек заказа. Наконец, умная система рекомендаций на базе предиктивной аналитики — главный инструмент успеха Netflix. 

Логистика и хранение. Может показаться, что предиктивная аналитика работает только в цифровой среде, но на деле ее используют также в страховых компаниях и банках. А еще — в физическом ретейле: проанализировав изображения с камер наблюдения в супермаркете, можно узнать, как покупатель ходит по магазину, на какие акции обращает внимание и на какие полки смотрит дольше, а еще — какими товарами интересуется, но по какой-то причине не покупает. В сети магазинов Amazon Go, которые работают без персонала, система сама оценивает, что человек положил себе в корзину, каких товаров не хватает на полках и так далее. Аналитика избавляет от необходимости пополнять складские запасы наугад и точно дает ответ, что нужно дозаказать, а чего в избытке, когда исходит срок годности. Заодно она подскажет, как составить ассортимент и что на каких полках выставлять. 

Увеличение продаж. Предиктивная аналитика помогает оценить качество каждой конкретной рекламной кампании клиента и отказаться от неэффективных — чтобы не тратить впустую рекламный бюджет. Например, универмаг Macyʼs благодаря персонализированной e-mail-рассылке на основе данных о пользователях всего за три месяца повысил продажи с 8% до 12% — для такого крупного ретейлера это значительный объем. Продуктовая аналитика позволяет изучить отдельных пользователей и подгруппы, чтобы предложить им нужный товар и взаимодействовать только с заинтересованными, а не случайными покупателями. Веб-аналитика дает возможность определить источники некачественного трафика, обнаружить искусственную накрутку кликов и «налитых» ботов.

И многое другое. Помимо торговли, предиктивная аналитика помогает компаниям во многих сферах: в здравоохранении (к примеру, распределять койки в палатах и правильно расходовать время каждого конкретного специалиста), авиации (анализируя данные датчиков в двигателе, можно узнать о потенциальных неисправностях за 15–30 дней до того, как произойдет поломка), финансовом секторе (банки анализируют поведение мошенников и строят прогнозы потенциальных атак), системе управления персоналом (на основе данных о продуктивности сотрудников HR-специалисты принимают решения о повышениях и увольнениях), спорте (аналитики рассчитывают «стоимость игроков»).

Подготовить этот материал нам помог myTracker — мультиплатформенная система аналитики для бизнеса от Mail.ru Group. Она позволяет своим клиентам — от небольших геймдев-студий до огромных интернет-магазинов — автоматизировать бизнес-процессы и прогнозировать разные важные показатели. Например, оценить потенциальный доход, определить платежеспособность конкретного пользователя и понять, какие маркетинговые инструменты будут работать лучше в каждом конкретном случае.  

Как компании анализируют жизнь простых пользователей

Сложность в том, что единого списка параметров пользователя не существует. Одни компании собирают данные на основе истории покупок, другие — на основе кликов и переходов на сайте. Все зависит от конкретной бизнес-задачи: ищете ли вы любителя рыбалки или завсегдатая техно-вечеринок. Если интернет-магазин открылся вчера, логично, что о своих покупателях он знает очень мало, но современные решения предиктивной аналитики позволяют делать прогнозы уже на ранних этапах рекламных кампаний.

Существует и фактор случайности. Например, коронавирус сильно изменил поведение пользователей в интернете и их покупательские привычки. Так, продажи пижам и товаров для спорта выросли, а одежды и украшений — упали, как и средний чек. Но после пандемии рост, скорее всего, восстановится. Поэтому данные, собранные в пик пандемии, для предиктивной аналитики использовать не стоит: результаты, скорее всего, будут ошибочными. 

Система учитывает множество факторов, но бывают и те, которые предсказать очень сложно. Например, если вдруг приложение интернет-магазина попадет в подборку дня AppStore, количество скачиваний резко превысит прогнозируемую норму. Но если данных достаточно, теоретически, предиктивная аналитика может предсказать что угодно с достаточно высокой точностью. Скажем, чтобы сайт определил ваш пол, вам достаточно кликнуть на 7–10 рекламных ссылок. А крупные корпорации вроде Google или Facebook, которые являются производителями десятков сервисов и приложений, знают о нас почти все исходя из публикаций, истории поиска, лайков и интересов.

Компании, которые собирают данные о пользователях, должны защищать их и хранить в обезличенном виде. Например, в России делать это их обязывает закон о персональных данных. Это нужно вот зачем: даже если в теории злоумышленник сможет получить доступ к данным, воспользоваться информацией ему вряд ли удастся: никаких персональных данных в системе нет, только шифры-идентификаторы. Расшифровать двоичный код без сопоставления с основным хранилищем не получится. 

Стоит понимать: разработка инструментов предиктивной аналитики — долгий и сложный процесс, который могут позволить себе только очень крупные компании, чаще всего — из сферы IT. Технология подразумевает не одну программу, а целый набор методологий работы с данными. Под каждую задачу нужно писать отдельный софт — на Python, C++ или R. Для экономии времени и средств бизнесы поменьше используют уже готовые решения сторонних производителей. 

Платформа myTracker представляет инструменты мобильной аналитики, которые можно настроить под конкретные задачи компании, — тратить деньги на зарплаты дата-сайентистов, обучение кадров и другие расходы не придется. Благодаря массиву разнообразных данных сервис может предсказать доход, который принесет компании каждый отдельный клиент в будущем. Чтобы использовать систему аналитики myTracker, особых навыков не нужно: после настройки сайта (через JavaScript-счетчик) или мобильного приложения (через интеграцию SDK) все данные можно получить бесплатно и за пару кликов. 

Сделано в продано!

Фото в анонсе: Hanxiao / Unsplash