Применение предиктивной аналитики в онлайн-торговле: реальные сценарии

Содержание

Сценарии применения видеоаналитики в розничной торговле. По следам «аналитика в Retail»

Применение предиктивной аналитики в онлайн-торговле: реальные сценарии

Война розничных сетей за покупателя — своего и чужого — принимает все более всеобъемлющий размах.

Неприхотливость постсоветского поколения сменяется тонко чувствующими миллениалами, для которых цена больше не является единственным определяющим фактором при выборе места «отоваривания».

Сама возможность выбора, порождаемая конкуренцией, сделала покупателя требовательным, в некоторых случаях привередливым и даже надменным. Малейший обман ожиданий приводит к снижению покупательской лояльности, поэтому сегодня лучше не делать и не обещать, чем обещать, но не делать.

В погоне за лидерством розница пытается соответствовать требованиям нового типа покупателя. Только, ой как сложно это, когда магазинов у тебя — 1000, работает в них 10 000 сотрудников продающих 100 000 уникальных SKU.

А ты — управленец и отвечаешь за все сразу, ну или за части целого — закупки, продажи, ценообразование, пополнение, безопасность и тебе каждый год нужно повышать операционную эффективность, показывать увеличение капитализации, соответствовать прихотям законодательной власти и захватывать все новые регионы/города/районы.

А главное — все измерять, анализировать, изменять и контролировать. При этом, каждое утро в тебе крепчает мысль, что люди работают только когда ты не дальше 10 метров от них. И не случайно, потому что занимаются они тем же, что и ты — максимизируют прибыль (ЗП) и минимизирую убытки (затрачиваемую энергию и время).

Вот и получается, что ценники не верные, полки пустые, выкладка ни к черту, в магазине транспортные тележки в проходах, из 5 касс — работает одна, к которой выстроилась очередь недовольных покупателей и единственный кассир не сильно и торопится исправить ситуацию, при этом ведет себя, прямо скажем, не дружелюбно.

А у тебя ведь две руки, две ноги и пара глаз — и тебя на всех их не хватит, стоять рядом, говорить каждому, что и как делать и контролировать. Или?…

Вот тут и приходят на помощь инновационные ИТ-технологии — в данном случае — видеоаналитика.

Сегодня, по следам доклада компании IBM, который был представлен на конференции «аналитика в Retail: уроки накопленного опыта», я расскажу о некоторых сценариях применения видеоаналитики в розничной торговле.

Компания сумела сделать продукт, совмещающий мощь нейронных сетей с User Friendly-интерфейсом, получившим золотую награду 2018 Spark: Experience Award.

Сценарий №1 Контролируем правильность выкладки

Погоня за доходностью на погонный метр торговой полки заставляет ритейлеров задумываться над такими тонкими материями, как оптимальная выкладка товара.

Оптимальная, как точки зрения количества SKU на единицу площади, объема выкладки одного SKU, так и оптимальности расположения SKU относительно друг друга.

Для определения оптимальных параметров активно применяют технологии BigData и Machine Learning что, к слову, тема целой отдельной статьи. Однако, после расчета очередной модели оптимальной выкладки, необходимо обеспечить ее трансляцию на сеть магазинов и контроль правильности.

Классический контроль через супервайзеров имеет большую латентность, выборочный охват и высокую долю ошибок. Технологии видеоаналитики позволяют контролировать изменение схемы выкладки в реальном времени с высокой точностью и на всех магазинах одновременно.

Изображение №1: распознавание корректности выкладки в холодильниках. В дополнении выполнена интеграция с датчиком открывания двери – контроль производится после открытия и закрытия.

Сценарий №2 Наличие товара и остатки на полке

Отсутствие товара на полке – это одно из следствий нарушений одного из множества внутренних бизнес-процессов магазина, ведущее к прямым убыткам.

Товар может отсутствовать по разным причинам: не успели или забыли выложить, товар отсутствует в магазине из-за сбоя в логистике последней мили, системе пополнения или цепочке поставки.

Технологии видеоаналитики позволяют не только анализировать факты отсутствия того или иного SKU, но и обеспечивать реагирование персонала магазина и контроль уровня сервиса по исправлению.

Помимо контроля отсутствия товара, возможно контролировать остатки того или иного SKU и обеспечивать реагирование заранее, до того, как товар закончится. Данный сценарий позволяет также проводить инвентаризацию остатков товара на полке, однако, в точность такой инвентаризации зависит от типа товара и полок, а также расположения видеокамер.

№1: Распознавание пустот на полках, оповещение персонала о необходимости пополнить товар.

Сценарий №3 Наличие и корректность ценника

Корректный ценник – обязательная часть продаваемого товара. К неприятным последствиям ведет не только отсутствия ценника на товар, но и его некорректность (Закон о защите прав потребителей, статья 10 пункт 1, ст. 14.15 КоАП РФ).

Даже если ценник присутствует и корректен – он может находится в несоответствующем месте, что затруднит его нахождение покупателем. Это вряд ли понравится последнему, т.к.

в зависимости от оснащения магазина, покупателю придется тратить время для поиска прайс-чекера, обратиться за помощью к персоналу, который может не иметь при себе необходимого оборудования или идти на кассу.

На себе многократно испытывал внутренне раздражение, когда приходилось искать ценник на охлажденную или замороженную продукцию в холодильниках с вертикальной загрузкой в магазинах моей любимой сети.

аналитика позволяет без привлечения супервайзеров не только обеспечить распознавание всех описанных выше проблемных ситуаций с ценниками, но и обеспечить реагирование персонала магазина и контроль уровня сервиса по устранению проблемы. Также, вопрос корректности ценников можно решить внедрением технологии ESL. Данная технология несет дополнительные преимущества увеличения гибкости ценообразования, однако, это совершенно другая история.

Сценарий №4 Качество товара

Зона фреш – одна из якорных для магазина и качество продукции фреш занимает львиную долю в восприятии покупателем магазина.

Удовлетворенность покупателем зоной фреш зависит как от качества продуктов, так и правильности выкладки, отсутствия подгнивающих овощей и фруктов, общего порядка. Даже одно испорченное яблоко может бросить тень на всю партию на полке.

аналитика позволяет следить за качеством товара на полке и моментально выявлять появление не качественных единиц товара – перезревшие бананы, овощи с недопустимым количеством гнили и т.д.

Изображение №2: Автоматизация контроля качества продукции на витринах

Сценарий №5 Контроль образования очередей

Очереди – один из сильнейших раздражителей для современного покупателя. Он отвык и не любит ждать, а если и готов это делать, то должен четко понимать, время ожидания.

Если систематично занижать ценность времени покупателя, заставляя его ждать в очередях и при этом наблюдать простаивающие кассы – его лояльности надолго не хватит и в условиях жесткой конкуренции – рано или поздно — он уйдет.

Технологии видеоаналитики позволяют взять под контроль хаос образования очередей, обеспечить реакцию персонала и контроль уровня сервиса по устранению очереди. При этом, технология позволяет учитывать не только количество человек в очереди, но и объем товара у каждого, что безусловно влияет на скорость прохождения кассовой зоны.

В дополнении, технология может обеспечивать предиктивный анализ образования очередей через подсчет количества входящих покупателей, их гендерную и возрастную принадлежность, а при подключении к CRM-системе – учет среднего объёма регулярных покупок постоянных покупателей, что повышает точность прогнозирования возникновения очередей до 90%.

№2: Распознавание количества человек в очереди, распознавание сотрудников и клиентов по форме одежды

Сценарий №6 Контроль кассовой зоны

К сожалению, обман – это способность живых организмов, которой их наделил сам естественный отбор и человек – не исключение. Согласно моего профессионального опыта, потери в кассовой зоне — это треть всех потерь в магазине.

В этом числе — 32% потерь это кражи посетителями, 20% — кражи персонала, в т.ч. кассира, еще 20% — мошенничество кассиров с сговоре с покупателями-сообщниками.

Технологии видеоаналитики позволяю обеспечить контроль кассовой зоны — правильность сканирования товара, контроль соответствия фактического и пробиваемого товара (для весовых товаров), контроль выкладки товаров из товарных тележек на транспортную ленту.

Данные механизмы контроля незаменимы, когда необходимо обеспечить аналогичный контроль на кассах самообслуживания. Но и это не все. Современные технологи видеоаналитики позволяют полностью отказаться от кассиров через автоматическое распознавание товаров к корзине.

№3: Распознавание проноса товаров мимо сканера штрих-кодов

№4: Контроль выкладывания всего товара из тележки на кассе

№5: распознавание товаров, складываемых в корзину и автоматическое формирование списка покупок

Сценарий №7 Порядок в торговом зале

В 1982 году английские учёные Уилсон и Келлинг выдвинули «Теорию разбитых окон». Она гласит, что чем заметнее нарушения людьми правил общественного поведения, тем больше становится таких фактов. Например, если разбитое стекло не заменить, вскоре ни одного целого окна в доме не останется, и шансы на то, что его ограбят, экспоненциально вырастут.

Порядок побуждает к порядку и обратно. Помимо эстетической составляющей порядка в магазине очень важна практическая составляющая – брошенный товар скорее всего потеряет товарный вид или полностью испортиться из-за нарушений условий хранения.

Брошенные паллеты, транспортные тележки или упаковочная тара – это нарушение потоков покупателей в торговом зале, затруднение доступа к участкам торговых полок и как следствие – снижение показателей продаж. Не говоря уже о раздражении покупателей, стоящих в «пробках» в заставленных проходах.

Технологии видеоаналитики позволяют распознавать брошенный товар, заставленные проходы, чистоту торгового зала, обеспечивать реагирование персонала и контролировать устранение данных проблем.

№6: Распознавание товаров, лежащих на полу и в других местах, не предназначенных для этого, оповещение персонала о необходимости положить на место или убрать товар

Технологии видеоаналитики тем привлекательней, что позволяют использовать существующую инфраструктуру видеонаблюдения магазина.

Наращивание количества камер может производится по необходимости для охвата «мертвых зон», которые при проектировании оказались «не интересны» службе внутренней безопасности.

Кроме того, существующие технологии робототехники позволяют использовать роботов с видеокамерами, которые не только выполняют роль консультантов, но и наблюдают за пространством магазина.

Однако, мощный технологически инструментарий – это только половина успеха. Технологии должны быть бесшовно интегрированы с существующими в компании информационными системами и встроены в бизнес-процессы магазина с их адаптацией под новые технические возможности.

Не менее важно, провести правильную подготовку персонала, не только профессиональную, но и морально-этическую, т.к. в их борьбе за оптимизацию своей личной прибыли любой инструмент контроля воспринимается, как посягательство на их ежедневный рабочий уклад.

Внедрение инновационных технологий должно выполнятся компаниями, осознающими комплексность задачи и имеющими соответствующий успешный опыт.

Источник: https://habr.com/ru/post/455878/

Прогнозная аналитика в маркетинге – сервисы и примеры | OWOX BI

Применение предиктивной аналитики в онлайн-торговле: реальные сценарии

Как сказал Томас Девенпорт (Thomas H. Davenport), никто не обладает способностью собирать и анализировать данные из будущего. Но у нас есть возможность предсказывать будущее, используя данные из прошлого. Это и называется прогнозной аналитикой, и на самом деле многие компании уже ее применяют. Самые простые примеры применения прогнозных данных в компании следующие:

  • Расчет жизненной ценности клиента (Customer Lifetime Value, CLV или LTV). Этот показатель поможет понять вам, какую ценность будет приносить клиент на протяжении всего жизненного цикла (включая будущие поступления).
  • Разработка оптимальных предложений/рекомендаций на основе полученных данных о поведении пользователя на сайте. 
  • Это аналитический прогноз продукта или услуги, которую ваш клиент с определенной долей вероятности купит в будущем.
  • Прогнозирование оттока клиентов.
  • Разработка плана и прогноза продаж в следующем квартале/полугодии/году.

Все это является простыми формами прогнозной аналитики. Давайте рассмотрим популярные методы, используемые в прогнозной аналитике.

Прогнозное моделирование

Прогнозное моделирование — широко используемый статистический метод для прогнозирования поведения различных явлений на основе анализа исторических и оперативных данных, и создания моделей, помогающих прогнозировать на основе этих данных.

Можно выделить следующие этапы прогнозного моделирования:

  • Сбор первичных данных
  • Формирование статистической модели
  • Формирование прогноза
  • Проверка/пересмотр модели по мере поступления дополнительных данных

Прогнозные модели анализируют прошлое поведение пользователя, чтобы оценить вероятность того, что он будет демонстрировать определенное поведение в будущем. Подобный вид анализа включает в себя также модели, которые находят трудноуловимые паттерны (шаблоны) данных, к примеру, для выявление недоброкачественного трафика (fraud detection models).

Часто прогнозные модели производят вычисления непосредственно в момент прохождения пользователя по конверсионной воронке на пути к выполнению конверсионного действия — например, чтобы оценить вероятность достижения цели либо риски того, что цель не будет достигнута. С точными данными о вероятности перехода с одного шага воронки на другой, бизнес может лучше управлять факторами, мешающими или помогающими пользователю перейти далее, и точнее описывать шаблоны поведения разных категорий покупателей.

Где можно использовать прогнозную аналитику?

В вашем смартфоне приблизительно 50 приложений. Каждое из них принимает, передает, генерирует информацию. Эти данные сохраняются в разных сервисах, в разных форматах.

И хотя на первый взгляд это является положительным фактором для маркетологов, возникает проблема эффективной работы с таким объемом структурированных и неструктурированных данных.

Давайте рассмотрим несколько примеров, где успешно применяются результаты, полученные с помощью прогнозной аналитики.

Amazon использует Predictive Marketing…

…с целью рекомендовать продукты и услуги пользователям на основе их прошлого поведения. По некоторым данным, подобные рекомендации приносят до 30% продаж Amazon.

Помимо этого в планах у Amazon была разработка инструмента, который на основе прогнозных данных мог бы поставлять товар в зону предполагаемого заказа еще до момента, когда на сайте будет размещен заказ, что позволило бы сократить время на доставку товара конечному пользователю.

Macys

Команда Macys воспользовались преимуществами прогнозной аналитики в более точном директ-маркетинге. В течение 3 месяцев компания увеличила объем онлайн-продаж с 8% до 12% за счет использования данных онлайн-поведения пользователей в рамках просмотра по категориям продуктов и отправки персонализированных электронных писем для каждого сегмента вовлеченных пользователей.

Harley Davidson использует прогнозную аналитику…

…для таргетирования на потенциальных клиентов, привлечения лидов и закрытия сделок. Они выявляют потенциальных наиболее ценных клиентов, готовых совершить покупку. Затем торговый представитель напрямую связывается с клиентами и проводит их через процесс продаж, чтобы найти максимально подходящее для клиента предложение.

StitchFix

StitchFix — это еще один ритейлер, который обладает уникальной моделью продаж, основанной на маркетинг-прогнозах.

При регистрации пользователь проходит опрос о стиле, затем применяются модели прогнозной аналитики, чтобы предложить клиентам именно ту одежду, которая с высокой долей вероятности им может понравиться. Если клиенту не понравилась одежда, которую они получили, ее можно вернуть с использованием бесплатной обратной доставки.

Компания Sprint использует AI-алгоритмы для выявления клиентов, подверженных риску оттока…

…и превентивно предоставляет необходимую информацию по удержанию. AI предсказывает, чего хотят клиенты, и предоставляет им предложение, когда они подвержены максимальному риску покинуть компанию.

С тех пор скорость оттока Sprint резко упала, и клиенты дали компании отличные оценки за персонализированный сервис и целевые предложения.

Как видим, прогноз оттока клиентов — еще одна посильная задачи для прогнозной аналитики среди SaaS-бизнеса и электронной коммерции.

Вот список самых популярных метрик из сферы “ответственности” прогнозной аналитики:

  1. Коэффициент оттока клиента (Churn rate)
  2. Прогноз выполнения плана продаж
  3. Точная жизненная ценность клиента

Как внедрять прогнозную аналитику?

Внедрение прогнозной аналитики невозможно без сотрудничества маркетингового и аналитического отделов, понимания целей исследования, установленного порядка в данных. Сама процедура приблизительно следующая:

  1. Постановка гипотезы
  2. Сбор данных — внутренних и внешних — для построения модели
  3. Определение параметров точности модели
  4. Использование готового сервиса или этап разработки:
    • построение MVP;
    • обучение модели в ограничениях параметров точности до стабильно работающей версии;
    • создание интерфейса или отчета;
    • обновление по новым требованиям или переобучение модели.

На этапе сбора данных убедитесь, что у вас настроена сквозная аналитика, так как без нее внедрение прогнозной аналитики обычно неэффективно.

Сервисы прогнозной аналитики

Доля использования маркетинговой аналитики в принятии компаниями решений достигла в начале 2019 года максимума за последние 6 лет по данным отчета The CMO Survey: Spring 2019. По данным исследования компании MarketsandMarkets рынок прогнозной аналитики вырастет с 4, млрд USD до 12+ млрд USD к 2022 году.

Подобный интерес к маркетинговой аналитики в целом, и к прогнозной аналитике в частности, побуждает компании к разработке простых в использовании решений и сервисов, которые делают прогнозную аналитику более доступной для бизнеса/

OWOX BI Insights

  • Один из продуктов OWOX BI (сервиса маркетинг-аналитики на полных данных), который помогает компаниям достигать маркетинговых целей и расти на 22% быстрее рынка.
  • Лидер весеннего и летнего рейтинга 2019 G2Crowd в категориях Программное обеспечение для маркетинг — аналитики, Программное обеспечение для аналитики в е-коммерс
  • Отправляет прогнозы о выполнении вашего плана прямо на почту

Сервис OWOX BI:

  • объединяет разрозненные маркетинговые данные из разных источников, делая их доступными для анализа в Google BigQuery;
  • определяет ценность каждого шага пользователя, используя собственную модель атрибуции на основе воронки;
  • автоматически строит отчеты для анализа эффективности маркетинга;
  • показывает, насколько будет выполнен план продаж, в чем зоны роста и слабые места, как меняется доля рынка.

Вы можете попробовать его прямо сейчас, воспользовавшись 14-дневным бесплатным триалом:

Infer

  • Платформа прогнозов продаж и маркетинга
  • Оптимизация воронки продаж и маркетинга с помощью машинного обучения

Прогнозные модели сервиса помогут объединить все источники данных чтобы предоставить вам полную картину по позиции лида в воронке продаж.

Infer отслеживает сигналы из онлайн-источников и публичных баз данных, после чего создает прогнозные модели на основе предыдущих ключевых учетных записей и заданных вами правил.

Полученные данные будут полезны маркетологам и специалистам по продажам как для поиска клиентов, которые с высокой долей вероятностью в будущем могут сконвертироваться в клиентов, так и для оптимизации воронки продаж в целом.

Radius

Radius предоставляет несколько услуг по анализу данных с упором на прогнозный B2B маркетинг. Некоторые из ключевых особенностей:

  • Radius Customer Exchange (RCX) сопоставляет профиль вашей компании с бизнесами других компаний, которые имеют одинаковую аудиторию, что дает вам возможность работать сообща, создавая собственные маркетинговые списки
  • Radius Connect: передает определенные прогнозные данные в Salesforce, чтобы ваши идеи работали там, где ваша команда продаж работает больше всего

Платформа также помогает маркетологам обмениваться данными между отделами и находить новые учетные записи во внутренних баз данных. Как и Infer, Radius является облачной системой.

BOARD

Основанный на правилах прогнозного моделирования, BOARD работает в адаптивном интерфейсе с real-time панелями мониторинга. Это означает, что вы можете подключать различные сценарии и анализировать возможные результаты без необходимости каждый раз создавать новую модель.

BOARD поставляется с несколькими встроенными коннекторами, поэтому вы можете извлекать данные практически из любого источника — вашей ERP-системы, облачной базы данных, куба OLAP и даже flat-файлов.

Вы также можете превратить свои прогнозы в пользовательские приложения с помощью представленных в сервисе инструментов.

TIBCO Data Science

Относительно новый продукт (был анонсирован в сентябре 2018 года).

Созданный в виде единой платформы, TIBCO Data Science объединяет в себе возможности предыдущих поколений сервисов от данной компании: TIBCO® Statistica, Spotfire Data Science, Spotfire Statistics Services и TERR.

Сервис помогает организациям внедрять инновации и быстрее решать комплексные проблемы, обеспечивая быструю конвертацию прогнозных результатов в оптимальные решения.

SAS Advanced Analytics

Компания владеет 33% долей рынка прогнозной аналитики, имеет 40-летний опыт работы и предоставляет пользователям возможности расширенного анализа данных на основе множества визуальных редакторов.

Основная функциональность SAS Advanced Analytics базируется на визуальных графиках, автоматической карте процессов, встраиваемом коде и автоматических временных правилах.

По отзывам пользователей, SAS отлично справляется с предсказаниями и анализом общего движения, а также может обрабатывать большие наборы данных за относительно быстрое время. SAS предоставляет бесплатные демо своих продуктов и базу знаний для старта работы с продуктом.

RapidMiner

Это дополнительное программное обеспечение позволяет автоматизировать создание отчетов на основе временных интервалов.

Вы можете импортировать свои собственные наборы данных и экспортировать их в другие программы благодаря более чем 60 встроенным интеграциям.

Расширения обеспечивают большую гибкость (например, обнаружение аномалий, обработка текста и веб-майнинг), но могут выходить за рамки базовой цены подписки.

Несмотря на то, что RapidMiner создан непосредственно для data scientists, его легко установить и начать работу.

IBM SPSS

IBM SPSS использует моделирование данных и аналитику на основе статистики. Программное обеспечение включает в себя структурированные и неструктурированные данные. Программное обеспечение доступно в облаке, локально либо через гибридное развертывание, чтобы соответствовать любым требованиям безопасности и мобильности.

Вы можете использовать свои существующие данные для построения прогнозных моделей в визуальном редакторе SPSS и на дашбордах моделирования.

Премиум поддержка неструктурированных данных включает лингвистические технологии и обработку естественного языка, поэтому вы можете включать в свои модели социальные сети и другие текстовые источники.

SAP HANA

SAP HANA предоставляет базы данных и приложения локально, либо в облаке. Это программное обеспечение сокращает время, необходимое для создания ваших моделей с дополнительными коннекторами для внешних наборов больших данных и интуитивно понятными визуализациями.

Вы также можете подключить библиотеки прогнозной аналитики (PAL), которые помогут вам получить дополнительные инсайты из больших наборов данных.

Для клиенто-ориентированных отраслей программное обеспечение предлагает анализ текстовых данных и данных социальных сетей, чтобы предсказать будущее поведение клиентов и рекомендовать продукты, основанные на прошлом поведении.

Программное обеспечение совместимо с кодом R, поэтому вам не нужно изучать новый язык для настройки ваших запросов. Когда ваша система объединяет достаточно внутренних данных, прогнозные модели автоматически предоставляют новые инсайты.

Итоги

Источник: https://www.owox.ru/blog/articles/predictive-analytics-marketing/

«Подстелить соломку»: как предиктивная аналитика помогает экономить производствам — Сервисы на vc.ru

Применение предиктивной аналитики в онлайн-торговле: реальные сценарии

Михаил Лифшиц, председатель cовета директоров АО «РОТЕК»

Несколько лет назад в Deloitte провели опрос среди топ-менеджеров крупнейших американских, китайских и европейских компаний из производственного сектора. Исследователи хотели выяснить, на какие технологии делают ставку руководители в своей стратегии развития.

Респонденты из США и Китая поставили во главу угла предиктивную аналитику, а европейцы включили ее в первую пятерку. Популярность прогностических систем на предприятиях только растет, а вместе с этим растет объем сэкономленных за их счет средств.

Поговорим о том, как именно производственные компании применяют «умные» прогнозы.

DRESNER data analytics & predictive solutions market study

В чем суть предиктивной аналитики

Инструменты для анализа конкурентной среды, вычисления производительности оборудования и прогнозирования спроса существуют давно. Даже самые ранние предшественники современных систем были полезны компаниям в решении их задач.

Серьезный толчок развитию этого направления дало появление алгоритмов обработки больших данных и систем анализа данных на основе машинного обучения. Объединенные сетью устройства и датчики стали поставщиками данных для анализа в реальном времени, а алгоритмы искусственного интеллекта позволили автоматизировать разработку вероятностных моделей.

В критически важных, в первую очередь, инфраструктурных отраслях предиктивные системы имеют особое значение из-за высокой стоимости ошибки.

Простой на металлургическом заводе или электростанции может нести с собой миллиардные потери, не говоря уже о человеческих жертвах в чрезвычайных ситуациях.

Аналитические инструменты дают возможность предсказывать вероятность наступления того или иного события, например, выхода из строя оборудования. Эта информация позволяет бизнесу перейти от модели устранения неполадок к модели предотвращения возможных проблем.

У предиктивной аналитики есть несколько распространенных сценариев использования в промышленности.

Обслуживание оборудования

У любого оборудования есть плановый цикл обслуживания, который необходимо учитывать в рабочем процессе. Но это не панацея от аварий, которые влекут за собой срочный ремонт и простои машин.

Системы предиктивной аналитики ведут журнал событий, оценивают актуальное состояние оборудования по множеству параметров, сравнивают их с нормальными показателями, выявляют отклонения и заранее предсказывают потенциальные сбои.

Несколько лет назад на одном из объектов энергетической компании Duke Energy зафиксировали незначительное увеличение вибрации в работе паровой турбины.

Предиктивная система в центре мониторинга электростанции «пришла к выводу», что аномалия связана с дефектом лопатки и проверка подтвердила прогноз.

В Duke Energy считают, что раннее выявление проблемы позволило сэкономить компании свыше $4 млн.

Похожая ситуация произошла на станции британской EDF Energy. Здесь алгоритмы также выявили механическую неисправность в работе турбины раньше сотрудников.

Своевременное устранение поломки сэкономило компании более миллиона долларов.

При этом, по данным McKinsey, прогнозная модель обслуживания дополнительно сокращает время простоя оборудования на 30–50% и увеличивает срок его службы на 20–40%.

Повышение производительности предприятия

Простои — одна из важнейших, но не единственная причина денежных потерь на производстве. На общую эффективность непосредственно влияет качество продукции и работы производственной линии. Предиктивная аналитика помогает в оптимизации и этих составляющих.

В Mercedes-AMG с помощью предиктивной системы несколько лет назад сократили время проведения тестов двигателей на 94%. Большинство дефектов и сбоев в работе моторов выявляются в течение нескольких минут после начала тестирования.

Однако инженерам Mercedesприходилось ждать окончания испытаний (они занимали час), чтобы проанализировать все результаты. Новая интеллектуальная система мониторила поведение двигателя в реальном времени и позволила завершать испытания досрочно — как только появлялась проблема.

Это дало возможность высвободить дополнительные временные ресурсы.

Прогноз спроса на продукцию

Есть несколько моделей планирования производства. Одна основана на фактических заказах, а другая — на прогнозах: сколько товаров понадобится клиентам в конкретный период. Само по себе предсказание спроса не является чем-то новым, производственные предприятия всегда использовали данные предыдущих лет и рассчитывали объем выпуска продукции с учетом текущих трендов.

Предиктивная аналитика может расширить спектр учитываемых факторов и предоставить компаниям более точные результаты.

Интеллектуальные системы способны учитывать погодные условия, поисковые запросы в интернете, а также значимые общественные события, например, праздники, чтобы составить максимально точный прогноз.

Производителям пищевой продукции это помогает выпускать необходимое количество товаров, избегая возвратов. Энергетические компании используют эту информацию для планирования объемов потребляемых ресурсов.

Например, американской компании VELCO прогнозы погоды и спроса помогают обеспечить отказоустойчивость энергосистемы и спланировать производство возобновляемой энергии, которое сильно зависит от силы ветра или облачности. Похожие решения есть у шведской Vattenfall и датской Ørsted.

Прогнозирование применяется не только в энергетической сфере. Одна из крупнейших пекарен в Нидерландах, Bakkersland, использует систему искусственного интеллекта, чтобы определить оптимальный объем выпуска хлеба и выпечки для каждого супермаркета.

Она анализирует исторические данные и меняющиеся ассортиментные предпочтения покупателей. Таким образом, Bakkersland производит необходимый объем продукции, и количество невостребованных товаров сводится к минимуму.

В случае со скоропортящимся продуктом это — прямое снижение издержек для ритейлеров, что сказывается на их лояльности к производителю.

Bakkersland predictive analytics supply chain management

Предиктивная аналитика сегодня — уже не дань моде, а необходимый инструмент, который помогает в обслуживании оборудования, повышении его эффективности и прогнозировании спроса. Есть и другие сферы ее применения, например, управление ценообразованием и персоналом.

В будущем число ниш для «умных» прогнозов будет расти, а предприятия будут двигаться в сторону максимальной автоматизации на основе предсказаний систем искусственного интеллекта. И данные для производств станут таким же ценным ресурсом, как потребляемое ими сырье.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать

Источник: https://vc.ru/services/64335-podstelit-solomku-kak-prediktivnaya-analitika-pomogaet-ekonomit-proizvodstvam

Предиктивная аналитика: 7 примеров использования в бизнесе

Применение предиктивной аналитики в онлайн-торговле: реальные сценарии

Для анализа больших объёмов информации, улучшения показателей и формирования прогнозов крупные и малые бизнесы используют предиктивную (она же — предсказательная) аналитику. Это интеллектуальный анализ данных, который включает статистическое моделирование, изучение исторического опыта и планирование результатов на основе полученных моделей.

Чтобы все эти операции выполнялись за считанные секунды, многие компании используют в предиктивной аналитике технологии искусственного интеллекта. Посмотрим, как именно это происходит на практике.

1. Walmart: оптимизация системы снабжения

Начнём с примера, который один может вдохновить всю розничную торговлю. Компания Walmart, крупнейшая в мире сеть оптовой и розничной торговли, адаптируется к эпохе цифровых технологий, связывая онлайн- и офлайн-данные. Система запрашивает информацию у кассовых терминалов и даёт прогноз, какие товары будут пользоваться спросом, а какие — нет.

Информацией управляют с помощью облака Data Cafe Walmart, которое обслуживается командой Walmart Labs в Силиконовой долине. Эта операция нужна для расчёта ожидаемых показателей. Благодаря инструментам предиктивной аналитики и искусственному интеллекту компания оптимизировала цепочку поставки товара и добилась соблюдения сроков доставки.

Стоит отметить, что такая технология может использоваться не только гигантами, как Walmart. Любой менеджер менее крупной компании с помощью доступных технологий от Google и Adobe может правильно организовать поставки товаров и минимизировать риски дорогостоящих корректировок, если спрос превышает предложение или наоборот.

2. Зоопарк Point Defiance: рост малого бизнеса

Опрос SAP показал, что более 70 % руководителей малого бизнеса также начинают использовать в работе аналитические данные. Приведём пример.

Посещаемость зоопарка Point Defiance (Такома, штат Вашингтон) то непредсказуемо росла, то падала. В случае небольшого числа людей расходы на персонал оказывались слишком большими. Чтобы выявить факторы, влияющие на посещаемость, руководство зоопарка начало сотрудничать с национальной метеорологической службой.

Объединение данных национальной метеорологической службы с управляемой искусственным интеллектом платформой Watson IBM позволило с точностью до 95 % определять, при каких погодных условиях люди посещают зоопарк, и обеспечивать его нужным количеством персонала.

Конечно, практическое применение этого метода гораздо шире, чем просто анализ числа посещений. В Point Defiance изучают, как посетители ведут себя в зоопарке, где проводят больше времени, какие маршруты выбирают.

Анализ этой информации позволяет улучшить качество обслуживания.

В планах также использование искусственного интеллекта для контроля данных о здоровье, диагностики проблем животных парка и проведения необходимого лечения.

3. Hopper: прогнозирование ценовых тенденций

Индустрия туризма печально известна высокой конкуренцией, недолговечными пиками, спадами спроса и низкорентабельными направлениями. Из-за этого многие путешественники сомневаются в правильном выборе времени для бронирования билетов: сделать заказ за несколько месяцев или за два дня до даты отправления.

Решить эту проблему помогают приложения для путешествий, использующие предиктивную аналитику на основе технологий искусственного интеллекта. Отличный пример в данном случае — Hopper.

Приложение использует статические модели и ежедневно сканирует миллиард цен и данных по каждому маршруту. Это позволяет прогнозировать модели ценообразования и оповещать путешественников о возможности купить самые дешёвые билеты на желаемое направление.

Конечно, это не единственная компания, предоставляющая такую услугу. В России широко известны AviaSales, Skyscanner, TripAdvisor и др.

4. IBM: сохранение персонала

Плюс предиктивной аналитики — возможность получить долгосрочные результаты, работающие на цели компании. Чаще всего это получение прибыли. Однако предиктивная аналитика и искусственный интеллект могут помочь не только в этом. С их помощью можно выявить проблемы текучки кадров и предложить пути их решения.

Так, суперкомпьютер Watson IBM оценивает общие факторы, влияющие на уход персонала. По структурированным данным (как на скриншоте ниже) он определяет показатели качества для каждого сотрудника и просчитывает вероятность его увольнения.

Владелец бизнеса или менеджер может использовать эти показатели, чтобы выявить причины возможного ухода сотрудников из компании и предотвратить это. Предиктивная аналитика также позволяет учитывать затраты на привлечение новых кадров и сохранение имеющихся специалистов. Благодаря этому появляется возможность снизить операционные расходы.

5. Under Armour: увеличение охвата аудитории

Компания Under Armour, производитель спортивного инвентаря, использует искусственный интеллект и предиктивную аналитику для анализа тональности публикаций и общественного мнения.

Они хотят понять отношение потребителя к бренду, найти свободные ниши на рынке и расширить аудиторию.

Для этого компания должна чётко знать, кто её потенциальный клиент, и взаимодействовать с ним посредством персонализированных сообщений.

Кроме того, сейчас компания производит не только спортивные товары, но и приложения и устройства, предназначенные для учёта отдельных характеристик организма пользователя (фитнес-трекеры, умные часы и пр.).

Чем больше людей используют эту продукцию, тем больше информации поступает в Under Armour. Так, в год компания получает данные от более чем 200 миллионов зарегистрированных пользователей.

Это позволяет не только связать офлайн- и онлайн-миры, но и даёт понимание, как именно улучшить продукцию.

6. Сбербанк: Big Five и риск-менеджмент

Для банка оценка рисков крайне важна, ведь любой риск — это возможность недополучить доход. Выдавая кредит или совершая другую операцию, банк должен быть уверен, что перед ним платежеспособный человек, не принимающий необдуманных решений. Сейчас для этого совсем не обязательно задавать миллион вопросов. Достаточно проанализировать поведение человека в социальных сетях.

Такую методологию искусственного интеллекта Сбербанк внедрил в свой риск-менеджмент. Она называется Big Five.

Технология позволяет составить психологический портрет личности и оценить его благонадёжность для банка на основе пяти черт характера: добросовестность, открытость, общительность, законопослушность и эмоциональная неустойчивость. Применяя эту методологию, Сбербанк получил $50 млн чистой прибыли.

Герман Греф

глава Сбербанка

Новая нейронная сеть, которую мы запустили, даёт значительно более высокий результат, коэффициент примерно на 8 процентных пунктов выше — это гигантское отличие от того, что было раньше. Это говорит о том, что мы сможем выдавать кредиты значительно быстрее большему количеству предпринимателей. И ставка будет падать.

Сегодня нет ни одной сферы деятельности, где бы компания ни пыталась применить искусственный интеллект: открытие счетов с помощью программного робота, одобрение кредитов без участия человека, оценка работы сотрудников и т. д. В планах у Сбербанка оптимизировать с помощью искусственного интеллекта до 80 % операций.

7. Ingate: технологический сервис для удержания клиентов

Клиент — это доход. Поэтому компания должна учитывать пожелания каждого из них.

А что делать, если у компании десятки, сотни или даже тысячи клиентов? Отследить их настрой на продолжение сотрудничества достаточно сложно, и без предиктивной аналитики и искусственного интеллекта уже не обойтись.

Мы тоже не остались на обочине прогресса и разработали сервис, который позволяет отслеживать готовность клиента к продолжению сотрудничества.

Олег Сахно

руководитель направления исследований Ingate

Для оценки мы учитываем более 100 факторов: как давно клиент заходил в аккаунт, менял в нём информацию, запрашивал отчёты, проверял статистику и т. д. После анализа аккаунт-менеджер получает список клиентов, где в процентах указана вероятность отказа от услуг компании, и связывается с ними для выявления проблем. Останется клиент или уйдет, уже зависит от работы менеджера.

Вот только малая часть примеров использования предиктивной аналитики на основе технологий искусственного интеллекта. Если у вас есть необходимые аналитические данные и люди, которые смогут грамотно их интерпретировать и сформировать прогнозы, не упускайте возможность зарабатывать больше.

*За основу мы взяли статью«5 businesses using AI to predict the future and profit».

Источник: https://blog.ingate.ru/detail/7-primerov-ispolzovaniya-prediktivnoy-analitiki-v-biznese/

Поделиться:
Нет комментариев

    Добавить комментарий

    Ваш e-mail не будет опубликован. Все поля обязательны для заполнения.