Как работает прогнозная аналитика

Прошлые данные можно не только анализировать, но и интерпретировать. Среди всех параметров найдутся факторы, которые влияют на другие параметры. Зная их, понимая степень влияния, можно получить картину того, как изменится бизнес в будущем. Если будущее выглядит позитивно, то работникам будет ясно, какие факторы следует повторить. Если перспективы негативные, то эти факторы можно выявить и впредь избегать. 

Зачем нужна прогнозная аналитика

Использовать в работе прогнозную аналитику следует тем предпринимателям, которые хотят быть на шаг впереди конкурентов. Ведь аналитика позволяет руководителю фирмы понимать, как те или иные решения повлияют на бизнес. Следовательно, он будет каждый раз делать оптимальный выбор. 

Алгоритм прогнозной аналитики

Как и другие виды аналитики, прогнозная подразумевает работу с цифрами и конкретными данными. Поэтому работа всегда начинается со сбора данных. Нет единых правил, какую именно информацию и какими методами собирать. Это зависит от специфики бизнеса и от той части его работы, которую необходимо анализировать. Но чаще всего собираются такие данные:

• количественные показатели, связанные с продажами. Например, число новых клиентов, число отправленных коммерческих предложений, число проданных единиц товара;
• экономические данные, связанные с заработанными и потраченными деньгами. В том числе маржинальность, прибыль, доходы и расходы по разными статьям;
• внешние факторы, которые влияют на работу компании. Например, показатели конкурентов, изменение курса валюты;
• внутренние факторы, связанные с персоналом. Это уровень квалификации, загруженность и производительность одного работника;
• конверсия воронок продаж;
• поведение клиентов. Каналы, по которым клиент пришел в компанию, поведение на сайте, в поисковой системе;
• информация о клиентах. Это те же данные, которые обычно используют при анализе целевой аудитории – пол, возраст, семейное положение, географическое положение, уровень достатка.

Способы добычи информации отличаются в зависимости от того, какая именно информация нужна. Например, данные по выручке, продажам следует смотреть в отчетах отдела продаж. За поведением клиента следят маркетологи: чтобы понять, что и как ищет клиент в Интернете, используют сквозную аналитику, статистику из социальных сетей и прочие источники.

Даже если продажи ведутся в офлайн, у собственника бизнеса есть возможность собрать данные о поведении клиентов. В магазинах должны быть камеры наблюдения, датчики движения, кассовые аппараты для учета частоты и объема покупок. 

Чем больше источников информации, тем объективнее она получается. Не стоит ограничиваться 1–2 способами получения данных, лучше заранее внедрить нужные программы и системы. 

Исследовательский анализ

После сбора данных начинается их анализ. Цель этого этапа заключается в том, чтобы из всего массива данных выявить ту информацию, которая ранее была неизвестной и непонятной. Задача этапа – найти знания в данных, то есть те интерпретации, которые потом помогут при принятии решений. 

Чтобы исследовательский анализ прошел успешно, необходимо помнить о двух правилах. Во-первых, следует использовать много данных, чтобы выводы были объективными. Во-вторых, данные должны быть не разрозненными, а связанными между собой. 

Вот что дает исследовательский анализ предпринимателю:

• все элементы из данных можно классифицировать, то есть объединить в несколько групп на основе каких-то параметров;
• есть возможность выявить зависимость полученных результатов от исходных данных;
• объединять несколько объектов в одну группу на основе различных параметров;
• выявлять закономерности между разными явлениями и полученным цифрами;
• выявлять время, спустя которое случаются определенные последствия;
• определить, какие есть исключения из принятых правил.

Моделирование будущего

Если первые два этапа выполнены правильно, то уже есть большой массив данных и интерпретация этих данных. Когда выявлены закономерности, необходимо приступить к прогнозированию. Вот что необходимо сделать на этом этапе:

• поставить задачу. Не получится делать общие прогнозы по всей деятельности компании. Необходимо задать точные рамки – какая отрасль или бизнес-процесс нуждается в прогнозе и на какой период времени он делается;
• выбрать статистическую модель. Необходимо взять во внимание все данные и факторы, которые касаются цели, свести их воедино, а затем распределить их удельный вес и ввести исходные данные.

Статистические методы

В основе этой аналитики лежат несколько статистических методов, а сам анализ проводится с использованием искусственного интеллекта и машинного обучения. В зависимости от того, какой метод используется в работе, выделяют два типа прогнозной аналитики.

Контролируемое обучение

Первый тип – контролируемое обучение. Когда аналитик приступает к анализу, он сам строит модель, по которой будут изучаться данные. Аналитик задает и параметры события, и результат, на который они влияют. Так как специалист может сам выбирать, какие параметры будут учтены, обучение считается контролируемым. 

В работе компании действительно часто встречаются очевидные связи между разными данными и показателями. Например, выручка завязана на двух параметрах – числе покупок и среднем чеке. Если потребуется узнать, как именно влияют эти параметры на выручку, то стоит использовать именно контролируемое обучение.

В рамках контролируемого обучения можно выделить два основных метода. 

1. Самый популярный – регрессия. Он используется, если нужно получить любые количественные ответы. Например, прогнозировать выручку в августе будущего года. В прогнозе учитывается только та переменная, которую нужно предсказать, и предикторы – влияющие факторы. Именно на них необходимо сосредоточиться, если необходимо в будущем как-то изменить результат.

Например, на выручку влияют число клиентов и средний чек. При анализе учитываются прошлые данные. В течение последнего года число клиентов колебалось, а средний чек оставался примерно на одном уровне. С помощью регрессии можно прогнозировать будущую выручку, основываясь на среднеарифметическом числе клиентов. Если необходимо изменить будущую выручку, то проще влиять именно на число покупателей, а сумму чека оставить прежней.

1. Второй метод контролируемого обучения – классификация. Сначала все прошлые данные разделяются на группы по одному или нескольким параметрам. В каждой группе есть свои закономерности, которые связаны именно с теми параметрами, на основе которых и произошло деление. Когда в будущем появляются новые данные, их причисляют к одной из групп. Затем берутся в расчет выявленные закономерности и прогнозируется будущее. 

Например, у компании гибкая система скидок. Продавец может снизить стоимость клиенту, если он набирает много товара на определенную сумму или в чеке есть определенная позиция. Если в будущем появится новый клиент, который захочет скидку, то можно сразу рассчитать, какая скидка может быть ему предоставлена и сколько фирма заработает. Для этого нового клиента классифицируют и включают в одну из групп. Затем аналитик смотрит, на сколько в среднем снижала цены компания при работе с прошлыми клиентами из группы и сколько удалось заработать. После этого можно примерно спрогнозировать итог работы с новым покупателем.

Неконтролируемое обучение

Второй тип моделирования будущего – неконтролируемое. Здесь аналитик не вводит переменные и требуемый результат, поэтому искусственный интеллект вынужден сам искать закономерности между факторами. Соответственно, тип аналитики следует использовать там, где специалистам не удается самостоятельно выявить связи между данными и нет понимания, как на них влиять. 

Основной метод, который используется при таком типе прогнозирования – кластеризация. Вот что делает аналитик:

• классифицирует факторы;
• пробует разные схемы группировок данных и определяет, какая из них наиболее жизнеспособна;
• проводит исследования и выдвигает гипотезы, какие могут быть связи между разными факторами;
• проверяет свои гипотезы. 

Кластеризацию можно использовать любой компании. Именно этот метод позволяет представить зависимости между разными данными. Кроме того, получается заблаговременно выявить новые тенденции, которые появляются на рынке или в работе компании. Зная их, компания сможет адаптироваться быстрее, чем конкуренты.

Например, в компании есть много клиентов из разных населенных пунктов страны. Каждый клиент заказывает разные товары в разном объеме. Вручную выявить какие-либо закономерности между объемом закупки, частотой покупок и городом не получилось. Соответственно, если компания захочет как-то спрогнозировать выручку в будущем с помощью контролируемого обучения, у нее это не получится. В таком случае лучше использовать именно метод кластеризации. Искусственный интеллект выявит закономерности и спрогнозирует выручку.

Примеры использования аналитики

Прогнозная аналитика потребуется в разных направлениях работы компании. Например, в ритейле можно спрогнозировать, сколько потребуется заказать или создать товаров на будущий период. В этом случае за основу берется текущий спрос и перечень наиболее ходовых позиций.

В продажах много других ситуаций, когда потребуется такая аналитика. Например, получится прогнозировать и управлять будущей выручкой. Ведь отделу продаж станут ясны факторы, влияющие на продажи прямо и косвенно.

Если в компании есть собственное производство, можно выявлять параметры, которые повышают работоспособность. Например, так получится продлить срок службы оборудования. Если известно, что оборудование ломается при определенных обстоятельствах, можно будет их предотвратить. На месте таких негативных обстоятельств могут оказаться и температура в помещении, и уровень влажности, и длительность бесперебойной работы. 

Использовать предиктивную аналитику можно для управления рисками, для клиентского анализа или для работы с сотрудниками. Эффективность анализа будет в разы выше, ведь здесь работа ведется с конкретными фактами и цифрами, а не с эфемерным опытом и интуицией.