Статья:

ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ ПРЕДИКТИВНОЙ АНАЛИТИКИ В СФЕРЕ РОЗНИЧНОЙ ТОРГОВЛИ

Журнал: Научный журнал «Студенческий форум» выпуск №9(276)

Рубрика: Технические науки

Выходные данные
Медведь А.Я. ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ ПРЕДИКТИВНОЙ АНАЛИТИКИ В СФЕРЕ РОЗНИЧНОЙ ТОРГОВЛИ // Студенческий форум: электрон. научн. журн. 2024. № 9(276). URL: https://nauchforum.ru/journal/stud/276/145554 (дата обращения: 03.12.2024).
Журнал опубликован
Мне нравится
на печатьскачать .pdfподелиться

ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ ПРЕДИКТИВНОЙ АНАЛИТИКИ В СФЕРЕ РОЗНИЧНОЙ ТОРГОВЛИ

Медведь Алексей Яковлевич
студент, ФГБОУ ВО Московский государственный технологический университет «СТАНКИН», РФ, г. Москва
Волкова Ольга Рудольфовна
научный руководитель, канд. техн. наук, доцент, ФГБОУ ВО Московский государственный технологический университет «СТАНКИН», РФ, г. Москва

 

В условиях современного бизнеса наиболее важным ресурсом является информация, и современные компании постоянно ищут новые способы ее поиска, чтобы получить преимущество над конкурентами. Одним из способов получения информации является предиктивная аналитика. Предиктивная аналитика – это методика, позволяющая обрабатывать огромное количество данных и прогнозировать будущее развитие событий.  Передовые компании уже много лет используют предиктивную аналитику как часть собственной маркетинговой стратегии. Предиктивная аналитика в ритейле использует Big Data и алгоритмы искусственного интеллекта (AI – artificial intelligence), данные о покупательском поведении. С помощью математических моделей такая аналитика находит закономерности в поведении клиентов и предсказывает, как они поведут себя в будущем. Это помогает оптимизировать бизнес-процессы в ритейле.

Алгоритм работы предиктивной аналитики построен следующим образом:

  • Проведя анкетирование с помощью опросов и рассылок, компания узнает важную информацию о потребителях, их предпочтениях, контактные данные и другие факты.
  • Программа обрабатывает данные и выдает рекомендации относительно того, какое предложение лучше сделать конкретному клиенту.
  • Шанс покупки существенно повышается, ведь бизнес «угадывает», что именно нужно потребителю.

На работе этого алгоритма построен принцип прогнозирования в сфере маркетинга [1]. Применение предиктивной аналитики предлагает компаниям следующие преимущества:

  • Повышение точности сегментации рынка. Методы предиктивной аналитики помогают компаниям построить более точный образ целевого покупателя.
  • Увеличение конверсии. На основе информации о предыдущих продажах, можно более эффективно находить новых потенциальных покупателей.
  • Увеличение эффективности прогнозирования продаж. Опираясь на точные прогнозы продаж, компании смогут более эффективно планировать производственные нагрузки и прибыль в течение финансового года.
  • Сегментация клиентов. Механизмы ПА позволяют разделить множество клиентов на группы (сегменты), чтобы обнаружить похожие потребности и предложить им максимально релевантные товары и услуги.
  • Выявление скрытого потенциала. Предиктивная аналитика помогает компаниям создать плодородную почву для будущего развития.

Предиктивная аналитика включает в себя сбор, обработку, изучение и интерпретацию данных. Этими задачами занимается профильный IT-специалист: аналитик данных. Он использует такие языки программирования, как Python и R, а также специализированные сервисы и платформа для Data Science, которые включают в себя:

  • RapidMiner – это программная многопользовательская платформа, которая представляет собой интегрированную среду для обработки данных в больших информационных массивах, машинного обучения, текстовой аналитики и построения прогностических моделей, а также для решения иных задач Data Mining.
  • Knime – это аналитическая платформа, позволяющая выгружать данные из различных источников, трансформировать данные, загружать их во всевозможные базы данных, а также позволяющая использовать предиктивную аналитику и статистический функционал для анализа данных.
  • IBM SPSS Modeler – это комплект инструментов исследования данных, при помощи которого можно быстро разрабатывать прогнозные модели, использующие деловые знания и опыт, и внедрять их в деловые операции для усовершенствования процесса принятия решений. Разработанный на основе модели промышленного стандарта CRISP-DM, IBM SPSS Modeler поддерживает весь процесс исследования данных, от обработки исходных данных до получения лучших деловых результатов.
  • SAS Enterprise Miner – это платформа для оптимизации процесса интеллектуального анализа данных при разработке описательных и прогнозных моделей с использованием структурированных алгоритмов и визуальных показателей оценки.
  • Oracle Big Data Preparation – это широкий комплекс решений, использование которых позволят обеспечить компаниям существенное конкурентное преимущество. Предлагаемые решения включают в себя инфраструктуру, инструменты для структурирования, управления, исследования, аналитики и готовые приложения, которые могут использоваться самостоятельно или комплексно и располагаться в вашем ЦОД или доступны как сервисы в облаке Oracle. Решения BigData от Oracle – это не только лучшие в своем классе решения по функциональности и комплексности подхода, но и по стоимости владения. Эти программные продукты помогают составлять функциональные и правдивые прогнозы в различных областях, тестировать гипотезы и находить оптимальные решения за счет использования точных данных [2].

 

Список литературы:
1. Пути использования предиктивной аналитики в бизнесе [Электронный ресурс] – Режим доступа: https://manzanagroup.ru/information/puti-ispolzovaniya-prediktivnoy-analitiki-v-biznese/, (дата обращения – 28.02.24).
2. Предиктивная аналитика: что это такое и как она помогает бизнесу [Электронный ресурс] – Режим доступа: https://www.mango-office.ru/products/calltracking/for-marketing/analitika/prediktivnaya/, (дата обращения – 28.02.24).