29 ოქტომბერი 2020 - 11:08

ხანდახან გაუცნობიერებლად ვყიდულობ ისეთ ნივთებს, რომელთა შეძენას არ ვგეგმავდი. რატომ? 

ფოტო: Facebook

ამის მიზეზია პრედიქტული იგივე პროგნოზირებადი ანალიტიკა. ამ ტექნოლოგიას ბევრი კომპანია იყენებს. მათ შორის არის თითქმის ყველა მიმართულება - მედიცინით დაწყებული, ნავთობმოპოვებით დასრულებული. სწორედ ეს ეხმარება ბიზნესს პოტენციურ კლიენტზე, ფაქტობრივად, ყველაფერი გაიგოს, რათა ესა თუ ის პროდუქტი მას სასურველი ფორმით შესთავაზოს.

რა არის პრედიქტული ანალიტიკა? 

ეს არის მონაცემთა ბაზაზე მუშაობის მიმართულებით ტექნოლოგიებისა და მიდგომების ერთობლიობა, რომლის მიზანია ფარული კანონზომიერების დადგენა და სამომავლო პროგნოზის გაკეთება. მათემატიკისა და ალგორითმების წყალობით, ნებისმიერი რამის წინასწარ განსაზღვრაა შესაძლებელი - ადამიანის ქცევიდან და ინტერესებიდან დაწყებული, ცაზე კომეტის მდებარეობით დამთავრებული. 


პრედიქტული ანალიტიკის ისტორია აშში-ში 1950-იან წლებში დაიწყო. სწორედ ამ დროს გამოჩნდნენ პირველი სააგენტოები, რომლებიც ბანკებს მომხმარებელთა კრედიტუნარიანობის შეფასებაში ეხმარებოდნენ. იმის გასაგებად, შეძლებდა თუ არა ესა თუ ის ადამიანი ნაკისრი ფინანსური ვალდებულების შესრულებას, საჭირო იყო ასზე მეტი განსხვავებული პარამეტრის გამოყენება. მას შემდეგ გამოთვლითი მექანიზმები დაიხვეწა, პროგნოზები უფრო ზუსტი გახდა და პრედიქტული ანალიტიკა ჩვენი ცხოვრების თითქმის ყველა სფეროში შემოიჭრა. მაგალითად, როდესაც სმარტფონზე  ტექსტს კრეფთ, სწორედ პროგნოზირებადი ანალიტიკა გკარნახობთ, რა სიტყვების დაწერა გსურთ და საამისოდ ის სხვადასხვა ვარიანტს გთავაზობთ. 


ყველაზე ხშირად პრედიქტულ ანალიტიკას მარკეტინგში  იყენებენ. ის საშუალებას გაძლევთ,  იპოვოთ უმცირესი კანონზომიერებებიც კი, რომელთაც პირდაპირ და აშკარად მარკეტოლოგთა მთელი ჯგუფიც კი ვერ პოულობს. გარკვეულ პროდუქტებზე მოთხოვნისა და კონკრეტული მომხმარებლის ქცევის შესახებ გრძელვადიანი პროგნოზები სწორედ ასე ჩნდება. როდესაც ონლაინ მაღაზია გირჩევთ შეიძინოთ გარკვეული პროდუქტი და დაუყოვნებლივ სურვილი გიჩნდებათ, ის თქვენს სამომხმარებლო კალათაში ჩააგდოთ, იცოდეთ, რომ ეს არის პრედიქტული ანალიტიკის შედეგი. უფრო კონკრეტულად, როგორ მუშაობს ეს ტექნოლოგია? აქ განსაკუთრებით მნიშვნელოვანი რამდენიმე კომპონენტია.

ფასების დადგენა

პრედიქტული ანალიტიკა ყველაზე წარმატებით ფასწარმოქმნის პოლიტიკის მიმართულებით გამოიყენება. მისი წყალობით, ბევრმა კომპანიამ შეძლო ფიქსირებულ ფასებზე უარი ეთქვა. მაგალითად, სასტუმროების ქსელმა „ჰილტონმა“ ჯერ კიდევ 2000-იანი წლების დასაწყისში  დინამიკური ფასწარმოქმნის  პრინციპის გამოყენება დაიწყო. მეორე მხრივ, Airbnb- ზე იჯარის მოცულობა მრავალი პარამეტრის ანალიზის საფუძველზე ყალიბდება: სეზონი, კვირის ესა თუ ის დღე, საცხოვრებლის ფოტოს ხარისხი, დღესასწაულებისა და სხვადასხვა კულტურული ღონისძიების თანხვედრა (მაგალითად, მუსიკალური ან კინოფესტივალები) და სხვ. სისტემა მეპატრონეს სთავაზობს იმ თანხის მითითებას, რა ფასადაც, სავარაუდოდ, ბინის გაქირავებას შეძლებს. იგივე პრინციპი მოქმედებს ტაქსის ტარიფის შემთხვევაში: მანქანებზე მოთხოვნას მოძრაობის გადატვირთვის, ამინდისა და სხვა ნიუანსების გათვალისწინებით ადგენენ.

რეკომენდაციების სისტემა 

სანამ გარკვეულ პროდუქტს გირჩევთ, ონლაინ მაღაზია ითვალისწინებს არა მხოლოდ თქვენი წინა შესყიდვების ისტორიას, არამედ - სეზონურობასა და ნივთებს, რომლებიც  თქვენს კალათას ახლახან დაამატეთ (მაშინაც კი, თუ ის ჯერ არ გაქვთ ნაყიდი). Amazon-ი მომხმარებლებს  პროდუქტებსა და მომსახურებებს მათი წარსული ქცევის საფუძველზე სთავაზობს და მისი გაყიდვების 30% -ი სწორედ რეკომენდაციებზე მოდის. ჭკვიანი სისტემის წყალობით, ონლაინ მაღაზია არასდროს ურჩევს წყლის ფობიის მქონე ადამიანს საზღვაო ფლოსტების შეძენას ან ვეგანს - სტეიკის ტაფის ყიდვას. დაბოლოს, სწორედ პრედიქტულ ანალიტიკაზე დაფუძნებული ჭკვიანი სისტემის რეკომენდაციის ბაზაა Netflix– ის წარმატების მთავარი იარაღი. 
 

ლოგისტიკა და შენახვა

შეიძლება მოგეჩვენოთ, რომ პრედიქტული ანალიტიკა მხოლოდ ციფრულ გარემოში მუშაობს, სინამდვილეში, მას სადაზღვევო კომპანიები და ბანკებიც იყენებენ. ის საცალო ვაჭრობაშიც აქტიურად არის დანერგილი. მაგალითად, სუპერმარკეტში სათვალთვალო კამერების  გაანალიზებით შეგიძლიათ გაიგოთ, თუ როგორ დადის მომხმარებელი მაღაზიაში, რომელ აქციებს უყურებს, უფრო მეტხანს რომელ თაროსთან ყოვნდება და აგრეთვე რა საქონელი აინტერესებს, მაგრამ რატომღაც არ ყიდულობს. Amazon Go-ს მაღაზიათა ქსელში, რომლებიც პერსონალის გარეშე მუშაობს, სისტემა თავად აფასებს, თუ რა მოათავსა ადამიანმა კალათაში, რა პროდუქტები  არ არის თაროებზე საკმარისი რაოდენობით და სხვ. ის გამორიცხავს მარაგის შემთხვევითი შევსების საჭიროებას და ზუსტ პასუხს იძლევა, თუ რისი მარაგის შევსებაა საჭირო და რა არის ჭარბი რაოდენობით, როდესაც ვარგისიანობის ვადა იწურება. ამავდროულად, იგივე სისტემა თავად ამბობს, თუ როგორ უნდა შეადგინოთ ასორტიმენტი და რომელ თაროზე რა გამოფინოთ.

გაყიდვების ზრდა

პროგნოზირებადი ანალიტიკა ყოველი კონკრეტული სარეკლამო კამპანიის ხარისხისა და ეფექტიანობის შეფასებაში განსაკუთრებულ როლს ასრულებს, რათა ბიუჯეტი ტყუილად არ დაიხარჯოს. მაგალითად, უნივერმაღმა Macyʼs- მა  მომხმარებელთა მონაცემებზე დაფუძნებული პერსონალური ელ.ფოსტის საშუალებით, მხოლოდ სამ თვეში გაყიდვები 8% –დან 12% –მდე გაზარდა. ეს კი ასეთი მსხვილი საცალო ვაჭრობის ობიექტისთვის მნიშვნელოვანი მაჩვენებელია. პროდუქტის ანალიზი საშუალებას გაძლევთ ინდივიდუალური მომხმარებლები და ქვეჯგუფები შეისწავლოთ, რათა მათ საჭირო პროდუქტი შესთავაზოთ და ურთიერთობა გქონდეთ მხოლოდ დაინტერესებულ და არა შემთხვევით მყიდველებთან. ვებანალიტიკის მეშვეობით ხელოვნური დაწკაპუნებებისა და ბოტების დადგენაც არის შესაძლებელი.

როგორ აანალიზებს კომპანია რიგითი მომხმარებლის ინტერესებს? 

სირთულე იმაში მდგომარეობს, რომ მომხმარებლის შესწავლის პარამეტრების ერთიანი სია არ არსებობს. ზოგიერთი კომპანია  მონაცემებს შესყიდვების ისტორიის საფუძველზე ადგენს, სხვა კი ამა თუ იმ ვებგვერდზე დაწკაპუნებებისა და ვიზიტის სიხშირეს იკვლევს. ეს ყველაფერი კონკრეტულ ბიზნეს გამოწვევაზეა დამოკიდებული. თუ ინტერნეტმაღაზია გუშინ გაიხსნა, ლოგიკურია, რომ მან თავის მომხმარებლებზე ძალიან ცოტა რამ იცის. თუმცა თანამედროვე პროგნოზირებად ანალიტიკაზე დაფუძნებული გადაწყვეტილებები საშუალებას იძლევა წინასწარი შეფასებები სარეკლამო კამპანიის ადრეულ ეტაპზე გაკეთდეს. 


ასევე არსებობს შემთხვევითი ფაქტორი. მაგალითად, ახალმა კორონავირუსმა  მომხმარებლების ქცევა ინტერნეტში და მათი ინტერესები მკვეთრად შეცვალა. კერძოდ, პიჟამებისა და სპორტული საქონლის გაყიდვები გაიზარდა, ტანსაცმლისა და ძვირფასეულობის კი - შემცირდა. თუმცა პანდემიის შემდეგ, სავარაუდოდ, ყველაფერი ჩვეულ რიტმს დაუბრუნდება. ამიტომაც ეპიდემიის პიკის დროს შეგროვებული მონაცემები პრედიქტული ანალიტიკისთვის ვერ გამოდგება, რადგან ამის საფუძველზე გაკეთებული დასკვნები, დიდი ალბათობით, მცდარი იქნება. 


სისტემა ბევრ ფაქტორს ითვალისწინებს, მაგრამ არის ისეთი მომენტებიც, რომელთა პროგნოზირებაც ძალიან რთულია. მაგალითად, თუ ონლაინ მაღაზიის აპლიკაცია AppStore-ის დღის რჩეული გახდება, ჩამოტვირთვების რაოდენობა პროგნოზირებულ მაჩვენებელს მკვეთრად გადააჭარბებს. თუმცა თუ საკმარისი მონაცემები არსებობს, თეორიულად, პრედიქტულ ანალიტიკას ნებისმიერი რამის მაღალი სიზუსტით წინაწარ შეფასება შეუძლია. მაგალითად, ვებგვერდმა თქვენი სქესი რომ დაადგინოს, ამისათვის უბრალოდ 7-10 სარეკლამო ბმული უნდა გახსნათ. ისეთმა დიდმა კორპორაციებმა კი, როგორიც არის Google-ი ან Facebook-ი (ისინი ათობით სერვისსა და აპლიკაციას აწარმოებენ), პუბლიკაციების, ძიების ისტორიის, მოწონებებისა და ინტერესების საფუძველზე ჩვენ შესახებ, ფაქტობრივად, ყველაფერი იციან. 


კომპანიებმა, რომლებიც მომხმარებლის მონაცემებს აგროვებენ, ეს კონფიდენციალობისა და ანონიმურობის სრული დაცვით უნდა გააკეთონ. ეს იმისთვის არის აუცილებელი, რომ მაშინაც კი, თუ თეორიულად, ვინმეს ამ მასალებზე უკანონო წვდომა ექნება, მან ინფორმაციის გამოყენება ვერ უნდა შეძლოს. ამის მიზეზი არის ის, რომ სისტემაში პერსონალური მონაცემები არ ინახება, აქ მხოლოდ დაშიფრული იდენტიფიკატორებია. ორობითი კოდის გაშიფრვა კი ძირითად საცავზე წვდომის გარეშე ვერ მოხერხდება.


უნდა ვიცოდეთ, რომ პრედიქტული ანალიტიკის ინსტრუმენტების შემუშავება ხანგრძლივი და რთული პროცესია, რომლის შესაძლებლობაც მხოლოდ ძალიან დიდ კომპანიებს აქვთ, ყველაზე ხშირად კი- IT სფეროდან. ეს ტექნოლოგია გულისხმობს არა ერთ პროგრამას, არამედ მონაცემებზე მუშაობის მეთოდოლოგიის მთლიან ნაკრებს. თითოეული დავალებისთვის საჭიროა ცალკე პროგრამული უზრუნველყოფის შექმნა. დროისა და ფულის დაზოგვის მიზნით კი მცირე ბიზნესი  უკვე შემუშავებულ მზა გადაწყვეტილებებს იყენებს.

სხვა თემები