Содержание статьи
Нейросети для прогнозирования — как нейронные сети помогут в прогнозировании поведения подписчиков
Примеры прогнозирования оптимального товарного запаса
В ходе проведенного испытания алгоритмов и программного продукта в целом на одном из магазинов торговой сети города можно сделать выводы о целесообразности и экономической эффективности применения данного решения. Достигнутая точность прогнозирования (в среднем 80%) позволяет определять оптимальный товарный запас с высокой точностью. За исключением скоропортящихся продуктов, для которых магазин имеет высокий реальный дефицит, все товарные остатки рекомендуемые системой оказались значительно ниже реальных. В случае скоропортящихся товаров необходимо определить, что является наиболее важным для магазина – отсутствие дефицита или избытка. Исходя из данного соображения, установить уровень страхового запаса для скоропортящихся товаров. Таким образом, применение программного средства позволит высвободить значительные оборотные средства и направить их в более эффективное русло. Разработанные алгоритмы показали свою эффективность в условиях нестабильного спроса, изменения рыночной ситуации, наличии неслучайного отсутствия спроса.
Нейросети для маркетплейсов могут анализировать данные о продажах за предыдущие периоды — то есть выявлять ключевые факторы, которые влияют на рост или спад. Они могут учитывать сезонность, праздники, изменения в потребительском поведении или изменения в ценах конкурентов. Это помогает построить прогноз на будущее и дает возможность предпринимателям адаптироваться и своевременно принимать решения. Например, нейросеть может проанализировать ваши данные продаж за последние 6 месяцев и выявить, какие товары наиболее популярны в определенные периоды.
Пример: нейросеть для маркетплейса может определить, что продажи спортивной одежды стабильно растут весной, а спад происходит в середине осени. Это поможет вам правильно планировать закупки на следующий год.
Для повышения эффективности email-кампаний многие из авторов в отделах маркетинга обращаются к использованию нейронных сетей. Один из способов их использования — прогнозирование поведения подписчиков. И в ближайшем будущем такой подход с большой долей вероятности станет основным. ИИ может анализировать большие объёмы данных на разных языках и выявлять закономерности, которые помогут предсказать, какие клиенты склонны открывать письма, какие темы и интересы, какие ссылки с большей вероятностью откроют, и какие факторы дают эффект увеличения конверсии в покупки.
Рассмотрим первый этап – построение прогнозов. Здесь и далее, красным представлены реальные продажи. Синие – прогнозируемые. Вертикальные пунктирные линии показывают прогнозируемые участки, горизонт прогнозирования 7 дней. Обучение системы происходило на данных, которые предшествуют вертикальным отметкам. Как можно заметить из данного графика, система хорошо адаптируется к резко меняющемуся тренду, даже в том случае, если таких изменений не наблюдалось в истории продаж ранее.
Важным аспектом использования нейронных сетей в email-маркетинге является возможность прогнозирования поведения аудитории. Алгоритмы машинного обучения могут анализировать большие данные (big data) и проводить проверки, чтобы предсказывать, какие клиенты склонны к оттоку и перестали читать рассылки, какие товары им будут интересны или какие действия на сайте приведут к покупке. Это позволяет компаниям видеть полную картину и предпринимать целенаправленные действия для удержания клиентов и увеличения продаж.
Таким образом, собственно применение нейронных сетей в email-маркетинге не только улучшает персонализацию контента и оптимизацию кампаний, но также помогает компаниям лучше понимать свою аудиторию, прогнозировать её поведение и автоматизировать процессы для достижения лучших результатов.
На данном графике представлен товар из разряда скоропортящихся, для которого неправильно выбран уровень закупки. Спрос ограничен 20 ед. товара, видны частые провалы из-за отсутствия товара на складе. Легко заметить сильный дефицит. Точность прогноза 90%. Дефицит устраняется предложенным страховым запасом.
Прогнозируемые продажи еще не являются оптимальным товарным запасом. Поэтому здесь очень важно не приблизиться ко всем выбросам продаж, которые существуют в истории, а сгладить их наиболее приемлемым образом. После получения прогноза, высчитывается страховой товарный запас с учетом степени отклонения модели прогнозирования от реальных продаж. Оптимальный товарный запас складывается из величины страхового товарного запаса, помноженного на степень учета риска (различную для скоропортящихся и долгохранящихся товаров) и прогнозируемого значения продаж. Таким образом,
Прогнозирование поведения подписчиков
Переходя от прогноза к реальному товарному запасу, были получены следующие результаты. Во всех случаях, когда реальные складские остатки не ограничивали спроса, то есть не наблюдалось неслучайного отсутствия спроса или его ограничения, получены положительные результаты по сокращению числа занятых оборотных средств и избытка. В других же случаях видно, что при отсутствии страхового запаса в магазине время от времени случается дефицит. На графиках рекомендуемый товарный запас и его расход отмечены синим цветом.
Компаниям, которые решили улучшить свой маркетинг на долгую перспективу, стоит присмотреться к тому, чтобы попробовать использование нейросетей. За последние несколько лет эта технология показала значительный прогресс, а в течение следующих двух нас ждёт ещё большее число изменений, так как вектор эволюции технологии становится всё круче.
Обычно нейросеть состоит из трёх типов слоёв: входного, скрытого, и выходного. На вход подаётся исходный набор данных, который проходит через один или несколько скрытых, где каждый нейрон обрабатывает входящую информацию и передаёт её дальше. Завершается процесс на выходном, где система выдаёт сформированный конечный результат или прогноз.
Уже многие годы электронная почта играет значительную роль в маркетинге. Каждая компания стремится сделать свои email-кампании более эффективными и интересными, чтобы привлечь больше клиентов и увеличить продажи. Однако, в условиях очень жёсткой конкуренции, которая преобладает во многих сферах бизнеса, сделать это становится всё сложнее.
Красным цветом – реальные остатки и их расход. Почти во всех случаях (за исключением дефицита, который в магазине характерен для скоропортящихся продуктов) товарный запас, предложенный системой, оказался ниже, чем реальный товарный запас. При этом спрос был полностью удовлетворен. В случаях скоропортящегося товара возможно различное, на усмотрение менеджера по закупкам, поведение программы, либо использование страхового запаса и гарантированное (95% вероятность) отсутствие дефицита, либо гарантированное отсутствие избытка.
Одним из способов решения этой задачи является использование рекуррентных нейросетей, которые специально разработаны для анализа последовательных данных с высокой эффективностью. Нейросеть должна научиться на временных рядах поведения подписчиков и может быть использована для прогнозирования их будущих действий.
Для этого сначала разберемся, что это.
Нейросети — это мощные алгоритмы, которые могут анализировать и интерпретировать огромные объемы данных. А любой прогноз основывается именно на анализе массивов уже существующей информации. То есть, чтобы спронозировать продажи на маркетплейсе, можно просто загрузить в нейросеть необходимые данные.
Для прогнозирования поведения подписчиков с помощью нейронных сетей можно использовать метод обучения нейросети на временных рядах. Для этого необходимо использовать информацию об активности подписчиков за определённый период времени, такие как открытия писем, клики на ссылки, среднее время, проведённое на сайте, и другие метрики.
Предсказание событий с помощью ИИ
Для каждого товара было построено 8 прогнозов, каждый на неделю. Таким образом, был смоделирован процесс работы пользователя с программой в течение 56 дней. Расписание приезда поставщиков было выбрано точно таким же, как на самом деле происходили поставки. Качество прогноза оценивалось по ошибке sMAPE, которая рассчитывалась исключительно на прогнозируемом промежутке, что позволяет говорить об объективности такой оценки в реальных условиях. Для расчета ошибки были получены реальные продажи на данном участке и вычислено абсолютное отклонение от прогноза в процентах.
Чтобы спрогнозировать продажи, можно обратиться за помощью к специалистам, агентствам или платным сервисам аналитики. Но с развитием нейросетей для маркетплейсов у селлеров появилась возможность делать прогнозы и самостоятельно. Искусственный интеллект для маркетплейсов помогает экономить время и деньги, создавать прогнозы спроса без необходимости глубоких знаний в аналитике.
Максимальная точность, которая была достигнута, составила 96,3%. Минимальная точность 68%. Средняя – 80,3%. Среднеквадратичное отклонение ошибки 5%. Данная величина показывает, что основная масса товаров спрогнозирована с точностью от 75 до 85%. Точность выше 75% достигнута на 292 товарах из 362, что составляет 80% от общего числа товаров. Высокая ошибка получена преимущественно на тех товарах, у которых наблюдается неожиданная смена тренда. Однако даже в таких условиях система показывает крайне хорошую точность прогноза, составляющую порядка 70%. Точность прогнозирования может быть повышена за счет увеличения истории продаж. В таком случае, могут быть учтены праздники, имеющие годовую сезонность, такие как Новый Год, 8 марта и пр.
Благодаря способности обучаться на примере и адаптироваться к новым задачам и целям, применение нейронных сетей составляет сегодня один из главных трендов в различных сферах жизни, который подходит для самых разных компаний. С помощью эффективного обучения и применения система имеет возможность значительно улучшить точность и эффективность прогнозирования всего за несколько минут, что делает её незаменимым инструментом в современном мире больших и сложных данных.
Совместно с представителями одной из торговых сетевых компаний города были выбраны 362 продукта для оценки эффективности работы программы. Для тестирования была предоставлена база данных с историей продаж за 1 год и месяц. Продукты были выбраны таким образом, чтобы как можно более полно были представлены всевозможные случаи продаж разного рода:
Искусственный интеллект будет помогать в прогнозировании поведения подписчиков, позволяя бизнес эффективно анализировать информацию, предсказывать будущие действия аудитории и принимать решения для увеличения эффективности маркетинговых кампаний и рассылок.
На графике ниже представлен товар с ярко выраженной длительной сезонностью, сильно изменяющимся трендом. Система успешно замечает смену тренда, хотя период прогнозирования начинается именно на этом участке. Достигнута высокая точность прогноза 85%. Если при прогнозировании такого товара использовать простые методы учета среднесуточной уходимости товара, то на складе возникнет большой избыток товара, ввиду резкого изменения величины среднесуточной уходимости.
Сам процесс прогнозирования можно разделить на два ключевых этапа: сбор данных и их анализ. Нейросети в основном облегчают второй этап, хотя они также могут помочь в сборе статистической информации. Однако, эту информацию стоит проверять вручную для большей точности. Рассмотрим подробнее, какие именно функции нейросети могут выполнять, чтобы помочь с анализом и прогнозом продаж.