5 проблем на пути построения прогнозной аналитики: как их решить

Руководитель департамента маркетинга LT-Consult, Дмитрий Кузьменко рассказывает о внедрении прогнозной аналитики
Прогнозная аналитика – это мастхэв для любого более-менее серьезного бизнеса. С ее помощью вы можете строить предиктивные модели и на их основе принимать решение о целесообразности того или иного действия. Без прогнозной аналитики вам остается довольствоваться отчетами и судить об эффективности мероприятий, которые уже прошли.
Ладно, если эта прогнозная аналитика настолько классная штука, почему ее нет у каждого бизнеса? На самом деле построить грамотную прогнозную аналитику не так просто, в этой статье мы разберем 5 типичных проблем, с которыми может столкнуться каждый, а также попытаемся дать решение этих проблем.
Отсутствие подробной аналитики

Основная проблема здесь в том, что, говоря об аналитике, мы чаще всего думаем именно о прошедшем времени. Проще говоря, мы анализируем те показатели, которые позволяют нам оценить какое-то завершенное действие.

И даже собирая такую аналитику, многие компании, к сожалению, не делают всего возможного, лишая себя важных данных.
Один из шагов для преодоления этого этапа – это построение сквозной аналитики, которая позволит вам в автоматическом режиме анализировать каждый шаг.
Использование самых простых моделей

Используя простейшие алгоритмы искусственного интеллекта, мы можем получить ответ, какую прибыль принесет нам конкретный клиент, но они не в состоянии объяснить – почему это произойдет и тем более не смогут рассказать, что будет если какая-то из используемых переменных изменится.

Современные системы прогнозной аналитики используют теорию игр, алгоритмы машинного обучения и развитый искусственный интеллект, чтобы дать развернутые ответы, которые пользователь может легко интерпретировать и использовать в своей работе.

Работа с неполными данными

Одна из распространенных ошибок, которая особенно часто встречается у небольших компаний – использование для обучения моделей только собственных данных.

Как правило, это:

  • собственные предположения о поведении пользователей;
  • данные Яндекс Метрики и Google Analytics;
  • данные о конверсиях, заказах.
Известно, что для качественного обучения модели требуется огромные массивы данных. Важно позволить модели работать в неизолированном мире и загружать в нее не только свои данные, но и данные о конкурентах, об изменении спроса и так далее.
Непонимание ценности аналитики

Большинство бизнесов не понимают ценности прогнозов и не представляют, как их можно использовать. Но даже если вы на данном этапе не понимаете, для чего вам аналитика, все равно начинайте собирать данные, потому что когда вы поймете, у вас уже будет достаточное количество информации для анализа.

С их помощью вы сможете прогнозировать:

  • количество будущих конверсий;
  • прибыль от клиента за всё время сотрудничества;
  • срок жизни клиента;
  • эффективность каналов;
  • спрос на товары в разных регионах и у разных аудиторий.

Ожидание быстрого результата


Аналитика – игра в долгую. Ее внедрение требует значительных временных и трудовых затрат, кроме того, зачастую она способна изменить основные процессы в компании. Поэтому не стоит ждать мгновенного результата от аналитики. Прежде чем пойти в эту историю взвесьте все за и против, проанализируйте затраты от внедрения аналитики и выгоды, которые она может вам дать, и если все сходится в положительную сторону – дерзайте.

Дмитрий Кузьменко
Руководитель департамента маркетинга LT-Consult