Работење

Нови технологии: Вистински одговор на промените

05 ное 2019

Многубројните FMCG и трговски компании ја препознаваат вредноста на податоците што ги имаат и сè повеќе ги користат во секојдневното работење, па дури и заработуваат од нив

Приреди: Иван Шашиќ, „Спарк аналитикс“, ivan.sasic@sparkanalytics.net

Во претходните неколку години се случи голем напредок во развојот на машинското учење и вештачката интелигенција, а напредната аналитика сè повеќе се употребува. Зошто дојде во вакви поместувања? Одговорот е во сè поголемото количество податоци што мора да ги обработиме и во моќноста на компјутерите, кои тие податоци може за краток рок да ги „соџвакаат“. Во ерата на сè поголема затрупаност со информации и со податоци, честопати се прашуваме дали ние им служиме на податоците или тие ни служат нам?

Честопати поимите машинско учење, вештачка интелигенција и напредна аналитика се доживуваат како целосно нови концепти, но вистината е дека првите истражувања на темава почнале уште во средината на минатиот век. Пред речиси 70 години научникот Алан Тјуринг почнал експеримент, подоцна познат како Тјуринговиот тест, чија цел била да го препознае интелигентното однесување на машините.

Што всушност се вештачката интелигенција и машинското учење? Под вештачка интелигенција се подразбира машината да извршува одредена активност наместо човекот, за чие извршување тој би морал да ја користи сопствената интелигенција. Машинското учење, како процес што ѝ претходи на вештачката интелигенција, подразбира давање историски податоци на машината и нејзино тренирање како да заврши одредена задача. Машинското учење им овозможува на компјутерите да учат без експлицитно програмирање.

Употребата на податоците станува сè поголема, а толкувањето и вкрстувањето на различните извори стануваат сè попредизвикувачки.

Теоретски ова звучи одлично, но дали може да се примени во секојдневното работење? Сега сме во првиот бран на примена на вештачката интелигенција и на машинското учење. Во разумен период може да очекуваме роботи што одговараат на прашањата на купувачите, камери што ни зборуваат дали има од бараниот производ на полица, камиони без возачи и сл. Сепак, за овие големи чекори ќе мора да причекаме уште некое време.

Денес многубројните FMCG и трговски компании ја препознаваат вредноста на податоците што ги имаат и сè повеќе ги користат во секојдневното работење, па дури и заработуваат од нив.

Некои од примерите на употреба на машинското учење и предиктивната аналитика во FMCG и во трговската индустрија што може да се применат денес се:

  • Одредување оптимална цена на полица;
  • Предвидување на ризикот од соработка и измама;
  • Кои производи се продаваат заедно;
  • Сегментација на купувачите;
  • Кој е следниот производ што е најдобро да му се понуди на купувачот;
  • Предвидување на заминувањето на купувачот.

Одредување оптимална цена на полица

Еластичноста на цените претставува промена на побарувачката за некој производ, кога цената на производот ќе се промени. Со помош на податоците за цените и нивната промена, трговецот ќе добие сугестии за оптимални цени и фидбек за промената на цените. На овој начин и производителите и трговците полесно може да управуваат со цените и со профитабилноста.

Предвидување на ризикот од соработка и измама

Навременото откривање на измамата е тема што е применлива низ повеќе индустрии. Бројот на измамите и на обидите за измама со текот на годините се зголемува, па затоа раното откривање на потенцијалните чинители е поважно од кога и да е. Со помош на машинското учење и обработката на големиот број податоци, постои можност навреме да се направат обрасци за однесувањето и да се спречи потенцијалната измама. Со користењето на ваквите алатки се намалуваат идните потенцијални загуби што можат да произлезат од измамите. Предвидувањето на ризикот е можно не само за физички лица, туку и за правни при различни нарачки и побарувања.

Машинското учење и вештачката интелигенција може да ни ја олеснат работата и да ни помогнат да ги анализираме податоците побрзо и поефикасно.

Производи што се продаваат заедно

На голем број различни трансакции не е едноставно да се утврди кои артикли се купуваат заедно и под кои услови. Со машинско учење и длабинска анализа на податоците трговецот има можност да ги уочи обрасците на однесување и на тој начин да ги зголеми продажбата и задоволството на купувачот. Тоа отвора можност и за креирање понуди што се во согласност со навиките на потрошувачите.

Сегментација на купувачите

Сегментацијата не е нов процес – речиси сите компании прават некаков вид сегментација или профилирање на купувачите. Целта на сегментацијата е одредени елементи на маркетингот и на продажната стратегија да се агрегираат на ниво на група (профил), за доволно ефикасно да се настапи кон поединечните купувачи, без дополнителните трошоци за целосна персонализација.

Денес процесот на сегментација не е толку едноставен бидејќи купувачите не можеме да ги профилираме само според демографијата, парите со кои располагаат или преку прецизните купувачки навики. Сè повеќе постои индивидуализмот и нејасните одлуки на купувачите. Машинското учење помага да се обработат податоците за купувачите, да се следи нивното однесување низ времето и со поголема веројатност да се одреди сегментот на кој му припаѓаат.

Кој следен производ да му се понуди на купувачот?

Да му се понуди вистинскиот производ на купувачот кој му е најпотребен во вистинско време и преку вистинскиот канал. Звучи речиси совршено, нели? Со примена на машинското учење денес е можно да се биде во блиска врска со купувачите и да се персонализира понудата за секој купувач. Компаниите користат машинско учење за да стекнат дополнителен увид во купувачите и во нивните навики, со цел да изградат лојалност, да остварат дополнителен приход, да ја одредат вредноста на купувачот за компанијата или да го задржат купувачот со приспособена понуда.

Предвидување на заминувањето на купувачот

Ова е една од најчестите примени на машинското учење. Со помош на историските податоци за продажбата, демографијата, податоците од CRM (Customer Relationship Management) и од други извори, создаваме модел чија цел е да предвиди кои корисници е најизвесно дека ќе престанат да ги користат нашите услуги.

Употребата на податоците станува сè поголема, а толкувањето и вкрстувањето на различните извори стануваат сè попредизвикувачки. Машинското учење и вештачката интелигенција може да ни ја олеснат работата и да ни помогнат да ги анализираме податоците побрзо и поефикасно.

За крај, класичните информациски системи врз кои се темели работењето на компаниите често не нудат доволно релевантни податоци за решение на претпоставената аналитичка задача. Податоците може да бидат и консолидирани, структурирани, чисти и пополнети, но тоа паѓа во вода ако се недоволно релевантни за проблемот. Класичното квалитативно и квантитативно истражување може да биде одлично дополнување на аналитичкиот пристап. Со вкрстување на интерните податоци и податоците добиени од различни истражувања за купувачите, всушност, им даваме нова додадена вредност на податоците и моќен преглед на однесувањето на купувачите.

За компанијата:

„Спарк аналитикс“ се занимава со податоци и нивно длабинско разбирање со цел на своите клиенти да им овозможи користење на податоците на што е можно подобар начин. Младата компанија има искусен тим од експерти од полето на напредната аналитика. Областите со кои се занимава „Спарк аналитикс“ се: податочно рударење, аналитика (дескриптивна, предиктивна и прескриптивна), машинско учење (надгледувано и ненадгледувано), оптимизација и вкрстување на податоци, истражување на пазарот и советување врз основа на податоците.