Описательная и прогнозная аналитика.
Проблемы прогнозирования.
Использование машинного обучения для решения задач прогнозирования в бизнесе.
Прогнозирования объемов продаж, спроса, оттока клиентов.
2. 2
www.rbcgrp.com
Более 300 реализованных проектов
Продажа лицензий Qlik
Разработка и внедрение
Специализированное обучение
Сопровождение и поддержка проектов
http://www.rbcgrp.com
4. 4
www.rbcgrp.com
ВЛИЯНИЕ НА БИЗНЕС
Виды аналитики
30%
40%
20%
10%
ОТЧЕТНОСТЬ
ОПИСАТЕЛЬНАЯ
АНАЛИТИКА
ПРЕДСКАЗАТЕЛЬНАЯ
АНАЛИТИКА
ПРЕДПИСЫВАЮЩАЯ
АНАЛИТИКА
Отражение факта и
регламентные формы
Агрегация и
интеллектуальная
обработка данных, чтобы
ответить на вопрос
«Что случилось?»
Статистическая обработка
и моделирование, чтобы
ответить на вопрос
«Что может
случиться?».
Проекты по внедрению решений
на базе предписывающей и
предсказательной аналитики
имеют наибольшее влияние на
получение бизнес-результатов
Проекты по внедрению решений
на базе описательной аналитики и
отчетности составляют около 70%
от всех проектов по внедрению
инструментов для отчетности и
анализа данных
Математические модели и
алгоритмы оптимизации,
чтобы ответить на вопрос
«Что нам делать?»
5. 5
www.rbcgrp.com Что чаще всего прогнозируют
наши клиенты
«Какое количество
товара будет заказано
в ближайшие 3 месяца
в разрезе SKU на
каждый месяц?»
«Какой будет спрос на
наши товары в каждой
из 20000 точек
доставки на
ближайшие 7 дней в
разрезе SKU и дней?»
«Какой товар
предложить каждому
участнику программы
лояльности, чтобы
вероятность покупки
была максимальной?»
«Сколько звонков в
наш колл-центр будет
в следующем месяце в
разрезе дней и
очередей?»
«Какое количество
операторов
потребуется для
качественного
обслуживания
обращений клиентов?»
«Какое количество
клиентов посетит наш
медицинский центр на
следующей неделе?»
«Какая вероятность
ухода каждого нашего
клиента?»
«Какие факторы
больше всего влияют
на уход клиентов?»
«Через сколько недель
каждый наш клиент
может уйти из нашей
компании?»
«Кто из наших
сотрудников склонен к
увольнению в
ближайшие 6
месяцев?»
ПРОДАЖИ ОБРАЩЕНИЯ ОТТОК
6. 6
www.rbcgrp.com Какие выгоды получают наши
клиенты от прогнозирования
ПРОДАЖИ ОБРАЩЕНИЯ ОТТОК
«Повышение точности
прогноза на 5
процентных пунктов
позволит нам
экономить на
складских запасах
примерно 4 млн. долл.
в год»
«Мы планируем
сократить
оборачиваемость
склада до двух недель»
«Наша цель увеличить
«средний чек» и частоту
покупок в полтора раза
за счет персональных
предложений
«За счет точного
прогноза количества
обращений клиентов и
гибкого управления
расписанием мы
соблюдаем наш SLA
по приему звонков на
95% против 82% ранее
при этом не увеличив
бюджет на персонал»
«Мы за неделю вперед
знаем какой будет
дефицит операторов
на смене в контакт-
центре и можем гибко
управлять расходами
на аутсорсинг»
«Уменьшение оттока
клиентов на с 10% до
9% приносит нам 60
тыс. долл. в год»
«Понимание факторов,
влияющих на уход
клиентов позволило
нам сократить расходы
на привлечение и
маркетинговые бюджет
на удержание клиентов
примерно на 12%»
«Уровень текучести
персонала после
разработки модели
оттока сократился с 12
до 7 процентов»
8. 8
www.rbcgrp.com С какими проблемами
сталкиваются клиенты
ТРУДОЕМКОСТЬ ДЛИТЕЛЬНОСТЬ ТОЧНОСТЬ
«У нас примерно 6
тысяч SKU и над
построением прогноза
на несколько месяцев
работают 4 человека
из отдела
планирования»
«Мы делаем черновой
прогноз с помощью
нашей ИТ-системы, но
потом продающие
подразделения вместе
с маркетингом
корректируют его »
«На обновление
прогноза на новый
месяц мы тратим
около двух недель»
«На пересчет новых
вводных от
маркетинга мы
тратим 2-3 дня»
«Точность нашего
прогноза очень
низкая, около 20%»
«Мы разработали наш
внутренний критерий
точности прогноза,
который учитывает
объемы продаж
каждой SKU. В
среднем, этот
показатель равен
70%»
«Мы довольно легко
получаем точность
90%, но нашей целью
является 96% MAPE»
9. 9
www.rbcgrp.com С какими проблемами
сталкиваются клиенты
ТРУДОЕМКОСТЬ
ДЛИТЕЛЬНОСТЬ
ТОЧНОСТЬ
КЛЮЧЕВЫЕ ПРИЧИНЫ
• Широкая линейка SKU (500 – 120 000)
• сбор данных из большого количества
источников и за большой период (3-5 лет)
• Сложные преобразования и расчеты для
получения приемлемого результата
• Использование электронных таблиц
(чаще всего MS Excell) с ограничениями
на количество строк, функциональностью
и низким быстродействием
• Большое количество ручных правок для
очистки и обогащения данных
• Сложно подключать другие источники
информации для использования их в
качестве параметров модели
прогнозирования
11. 11
www.rbcgrp.com Подход с использованием
машинного обучения
ДАННЫЕ МЕТОДЫ ИНСТРУМЕНТЫ
Мы используем не
только большие объемы
исторических данных об
изменении
прогнозируемой
величины, но и
обогащаем модель
другими факторами от
которых она зависит.
Например, холодный
дождь в сентябре
увеличит спрос на
медикаменты,
окончание бюджетного
года в марте - всплеск
объемов закупок,
изменение курса
национальной валюты -
снижение объемов
продаж
Мы детально
исследуем и
анализируем
имеющиеся данные,
чтобы подобрать
оптимальный набор
методов машинного
обучения, включая
нейронные сети, для
построения модели
прогнозирования,
которая будет
соответствовать
объему данных,
необходимому
уровню точности
прогноза,
используемым
вычислительным
мощностям
Мы используем язык
программирования R и
среду разработки R-
Studio для анализа
данных и построения
моделей
прогнозирования.
R и R-Studio доступны
под лицензией GNU
GPL
R был создан более 25
лет назад, имеет
больше 13000 пакетов
и почти 250 000
функций
Для визуализации и
анализа полученных
результатов может
быть использована BI-
система Qlik Sense
12. 12
www.rbcgrp.com Наш подход к проектам
прогнозирования
Как и в любом проекте, мы начинаем
с изучения ваших потребностей или
проблем бизнеса, документирования
требований и вашего видения
решения, критериев качества и
ожидаемой ценности от проекта
ИЗУЧЕНИЕ ПРОБЛЕМЫ
Затем мы изучаем вашу текущую
инфраструктуру данных и исследуем
наборы данных, чтобы найти
аномалии, пропущенные значения,
зависимости и шаблоны
РАЗВЕДОЧНЫЙ АНАЛИЗ
ДАННЫХ
Перед моделированием мы
подготавливаем данные путем их
очистки и преобразования в единый
формат
ПОДГОТОВКА ДАННЫХ
Мы поддерживаем ваш рост, помогая
находить новые зоны для улучшений и
оптимизируя разработанные ранее модели
силами наших аналитиков или
консультируя ваших сотрудников. Мы
стремимся к долгосрочным отношениям,
где общий прогресс способствует нашему
взаимному развитию
ПОДДЕРЖКА И ОБСЛУЖИВАНИЕ
Будь то продукт BI, модель машинного
обучения или решение для управления
данными, мы развертываем его в
промышленной среде, интегрируем и
тестируем, чтобы максимально
приспособить для получения вами
инновационных возможностей
РАЗВЕРТЫВАНИЕ РЕШЕНИЯ
Наши аналитики изучают многочисленные
модели, чтобы определить, какая из них
дает наиболее точные результаты. Затем
мы выбираем лучшую модель с точки
зрения точности результатов, простоты и
производительности
МОДЕЛИРОВАНИЕ И ОЦЕНКА
15. 15
www.rbcgrp.com Поговорим о…
1
• Опишите какие бизнес-проблемы необходимо решить с помощью прогнозирования
(например, оптимизировать складские запасы, улучшить уровень обслуживания клиентов,
снизить отток клиентов и т.п.)
• Опишите сценарии применения полученного прогноза в бизнес-процессах (например,
использование для планирования закупки материалов, использование в маркетинговых
кампаниях по удержанию клиентов), которые должны быть включены в проект
• Опишите ожидаемые выгоды от применения решения, по каким показателям вы
планируете их измерять, это существующие или новые показатели
2
• Опишите необходимый уровень детализации прогноза для каждого сценария (например,
базовое SKU-по всем рынкам-месяц; группа SKU-канал продаж-день; клиент – вероятность
ухода – факторы влияния и т.п.)
• Опишите какие метрики точности будут применяться для оценки качества модели? Почему
именно такие? Какие значения этих метрик перед началом проекта (например, сейчас мы
используем агрегированный до года % выполнения прогноза по категории товара, но хотим
использовать MAPE по конкретным SKU за каждый месяц; мы не используем
прогнозирование ухода, но для нас важно, чтобы модель более точно предсказывала, кто
из клиентов может уйти, чем кто останется)
3
• В каком виде будут предоставляться данные для прогнозирования (например, доступ к
первоисточникам, доступ в хранилище, выгрузки файлов)
• Какие дополнительные внутренние или внешние данные можно будет использовать для
решения задачи прогнозирования (например, данные о рекламных кампаниях по SKU,
данные о погоде в разрезе городов, данные о доступности товаров к продаже и т.п.)
• За какой исторический период могут быть предоставлены данные (например, данные
могут быть выгружены за последние 5 лет, у нас есть данные только за последний год и
т.п.)
Бизнесе
Результате
Данных
16. +380 44 364 17 42 / 200
philipenko@rbcgrp.com
www.rbcgrp.com
Спасибо!
С уважением,
Игорь Филипенко,
Директор департамента
расширенной аналитики RBC Group
iphilipenko