Как перестать беспокоиться и начать прогнозировать

Привет всем, кто интересуется BI-инструментами и анализом данных!

Сегодня мы поговорим о таких завораживающих вещах, как машинное обучение, предиктивная аналитика и искусственный интеллект. Безусловно, вы прекрасно понимаете, что искусственный интеллект – это вовсе не джинн из бутылки, который играючи исполняет любые голосовые команды. Но это не повод разочаровываться в искусственном интеллекте! Уже на современном этапе он неплохо справляется с довольно сложными задачами по анализу данных. Это далеко не волшебство, однако использование этой технологии поможет вам глубже понять, как работает ваш бизнес, и найти новые идеи для его развития.

Давайте разберемся, каким образом все это происходит.

Искусственный интеллект спешит на помощь

Одна из интересных областей искусственного интеллекта – машинное обучение. Это способность программного обеспечения распознавать шаблоны в данных и выделять связи между ними. Но самое интересное, что искусственный интеллект отлично работает в паре с предиктивной аналитикой: в этом случае вы можете получить наиболее впечатляющий результат.

Рассмотрим практический пример. Предположим, у вас есть необработанные данные о продажах. Визуализация поможет вам заметить какие-то общие закономерности, но не более того. Самого интересного вы не увидите.

И здесь на помощь может прийти BI-система с функцией машинного обучения. Она легко выяснит, что наиболее популярная комбинация продуктов была, предположим, следующей: мука, кефир, яйца, и что 70% покупателей, которые купили эти продукты, также приобрели сметану. Вот и первые результаты! Теперь вы можете планировать продажи с учетом комбинации этих продуктов. Кроме того, вы можете выяснить, что именно приобретают те самые 30% покупателей, которые не положили в свою корзину сметану. Возможно, на самом деле она их интересует, просто они случайно прошли мимо.

Такой анализ можно провести и в Prognoz Platform при помощи интеллектуального анализа и Data Mining. Для примера исследовалось, что из одежды покупается вместе чаще. В данном случае, чаще товар продается по одному наименованию, но наиболее часто встречаемое сочетание – юбка и блузка.

Если вы определите закономерности, вам будет легче планировать. Прогнозы в данном случае будут более обоснованными, поскольку при их построении система опирается на выводы, полученные с помощью искусственного интеллекта.

Предиктивная аналитика подскажет менеджерам по продажам, какую тактику лучше всего выбрать. Система сама предложит подходящие варианты: «Этому клиенту также может понравиться то, что вы уже успешно продали другому покупателю, поскольку в их запросах есть много общего». ПО с функцией машинного обучения может определить и другие шаблоны, которые будут вам полезны, например, при планировании закупок.

Например, проведя анализ факторов, которые влияют на покупки мужчин по тестовой выборке, мы можем сказать, что большинство мужчин покупки производят в филиалах District – 1 и District – 7, а также то, что наша целевая аудитория – в возрасте 44-52 лет. Значит, можно в данных филиалах активнее продвигать мужские коллекции для среднего возраста.

Говорим «прогнозная аналитика» – подразумеваем «довольные клиенты»

Для ритейла прогнозная аналитика – супер-инструмент. Если на полках супермаркета всегда можно найти все нужные товары в нужном количестве, то клиенты будут довольны и обязательно придут к вам еще и еще. Как этого достичь? Нужно наладить идеальное управление цепочками поставок. А для этого опять же нужны инструменты прогнозирования, потому что все поставки нам надо спланировать заранее, с учетом заранее спрогнозированного спроса, а также загруженности складов, расстояний между распределительными центрами, транспортных условий, календарных праздников и цен производителей.

В общем, опять-таки задачка с множеством переменных, такое под силу только аналитической системе с элементами искусственного интеллекта – например, нашей аналитической платформе Prognoz Platform. Зато она справляется с такими проблемами на ура!

Например, сформировали прогноз спроса на товар.

Затем определим план закупок для товара:

А потом система сформирует заказ на поставку товара.

Исследователи Абердинского университета утверждают, что компании, которые используют прогнозную аналитику, увеличивают свои продажи на 21% в год. Это отличный показатель по сравнению со средними данными по отрасли – 12%. Получается, что использование прогнозной аналитики увеличивает темпы роста доходов почти вдвое!

В завершение нашего разговора остается только добавить, что блок продвинутой аналитики Prognoz Platform обеспечивает возможность визуального конструирования моделей и алгоритмов любой сложности для эконометрических, оптимизационных и прогнозных расчетов, поддерживает решение таких актуальных для прогнозирования задач «Что будет, если?» и «Что необходимо для?», а также массу других возможностей, актуальных для современных предприятий.

К примеру, аналитики могут использовать инструмент многовариантного сценарного моделирования, с использованием известных библиотек математических и статистических алгоритмов.

Для удобства аналитиков в версии Prognoz Platform 9.0 интерфейс моделирования значительно улучшен: следуя за мировыми трендами, мы реализовали комплексную поддержку алгоритмов расчета на едином рабочем пространстве. Теперь пользователи платформы могут на одном общем графе целостно разместить и настраивать все входные и выходные источники данных модели, методики ее расчета, а также стрелками указать движения преобразуемой информации между всеми блоками.

Но об изменениях в инструменте моделирования можно рассказывать долго! Лучше всего посвятим этому отдельный пост. Ждите 🙂