Prediktivní analýza: Jak předvídat chování zákazníků a výkyvy v poptávce

01Začněte rozhodnutím, které chcete zlepšit

Prediktivní analýza odhaduje budoucí hodnotu nebo pravděpodobnost události z dostupných údajů. Pro firmu má význam tehdy, když podle výsledku může někdo včas jednat. Zeptejte se nejdřív, kdo odhad převezme, jaké rozhodnutí udělá a kolik času na něj potřebuje.

Nákupčí s měsíční dodací lhůtou nepotřebuje pouze předpověď na zítřek. Vedoucí podpory potřebuje odhad práce ve směně, ne celkovou roční návštěvnost webu. Obchodník potřebuje vysvětlený seznam kontaktů, kterým má smysl zavolat, a kapacitu hovory skutečně uskutečnit.

Pro první projekt zvolte jeden výstup: například týdenní poptávku po konkrétní skupině zboží nebo pravděpodobnost, že aktivní zákazník v dalším období nenakoupí. Určete okamžik výpočtu, horizont a definici výsledku. „Předvídat zákazníky pomocí AI“ je příliš široké zadání pro vývoj i následné hodnocení.

02Rozlište chování zákazníka a objem poptávky

Odhad odchodu zákazníka a prognóza objednávek řeší jiné otázky. U zákazníka posuzujete budoucí událost a pravděpodobnost. U poptávky odhadujete množství v určitém čase. Nemusí proto používat stejná data, model ani metriku úspěchu.

Ujasněte si také cíl měření. Prodej není vždy skutečná poptávka: nulový prodej vyprodaného výrobku neznamená nulový zájem. Zapište dostupnost, zrušené objednávky, vratky a známé akce. Jinak můžete přesně předpovídat historické omezení firmy místo potřeby zákazníků.

03Připravte údaje tak, jak byly dostupné tehdy

Ke každému záznamu potřebujete nejen datum události, ale podle situace také čas, kdy se informace dostala do systému. Zpětně opravená faktura nebo doplněné hodnocení nemusely být při původním rozhodnutí známé. Historický pohled má odpovídat tomu, co by tehdejší aplikace skutečně viděla.

Scikit-learn označuje použití tehdy nedostupných informací za únik dat. Takový postup nadhodnocuje výsledky. Data rozdělte dřív, než z nich odvodíte pravidla předzpracování; také doplňování chybějících hodnot či výběr vstupů se nesmí učit z testovací části.

Praktický příklad: chcete na začátku měsíce odhadnout zákazníkův odchod. Datum pozdějšího zrušení účtu nesmí být vstupem. Ani sloupec „kontaktoval ho retenční tým“ není automaticky vhodný, pokud vznikl až po hodnoceném okamžiku. Ke každému vstupu si proto napište jeho původ, dostupnost a způsob aktualizace.

Propojení objednávek, skladu a CRM řešte před výběrem složitého modelu. Nejdřív potřebujete stejného zákazníka a výrobek rozpoznat napříč systémy. To je konkrétní úkol pro integrace a API. Osobní údaje vybírejte podle účelu a přístup omezte na potřebné role.

Při skládání historie ze starších zdrojů pomůže přehled chyb při migraci dat z Excelu a starého systému.

04Testujte budoucnost, kterou model neviděl

Náhodné promíchání časově navazujících záznamů může vytvořit nereálnou zkoušku. Princip časového dělení ve scikit-learn používá starší data pro učení a pozdější pro ověření. Pro vaši úlohu navrhněte dělení podle skutečného rozhodovacího kalendáře.

Postup opakujte z několika historických okamžiků a předpovídejte vždy stejný horizont. Poslední nedotčené období si ponechte pro závěrečnou kontrolu. Pokud výsledek zákazníka vyhodnocujete až po třiceti dnech, nedávejte do tréninku případy, jejichž výsledky by k danému dni ještě nebyly známé. Podle potřeby ponechte mezi částmi odstup.

Jestli model budete používat pro nové zákazníky nebo výrobky, ověřte i tuto skupinu zvlášť. Výkon na opakovaných zákaznících není automaticky výkon na nových. Zkontrolujte také sezónu, akce a slabě zastoupené pobočky. Jediné průměrné číslo může skrýt právě chybu, která provoz nejvíc bolí.

05Porovnejte model s jednoduchým pravidlem

Nejdřív si připravte srovnávací základ, třeba odhad podle posledního srovnatelného týdne nebo současný postup nákupčího. Teprve pak zkoušejte složitější model. Hodnoťte stejná období, produkty a informace dostupné v okamžiku odhadu.

Následující čísla jsou čistě modelová ukázka výpočtu, ne výsledek klienta ani naměřený výkon algoritmu. Předpokládejme čtyři postupné týdenní odhady pro jednu skupinu zboží. Každý odhad vzniká před příslušným týdnem. Všechny hodnoty jsou kusy.

Průměrná absolutní chyba, MAE, průměruje velikost odchylek bez znaménka. Jednoduchý odhad má (10 + 20 + 20 + 10) / 4 = 15 kusů. Kandidát má (0 + 10 + 10 + 0) / 4 = 5 kusů. Přitom součet skutečnosti i obou předpovědí je 400 kusů. Pouhá kontrola součtu by problém neodhalila.

Čtyři týdny nestačí pro rozhodnutí o nasazení. Ukázka vysvětluje metriku. V praxi navíc rozlišujte nedostatek a přebytek, protože stojí různé peníze. U zákaznického modelu posuzujte kvalitu kontaktů v množství, které tým zvládne oslovit, a náklady zbytečných i zmeškaných zásahů.

06Ukažte nejistotu a ověřte přínos zásahu

Samotný bodový odhad nedává nákupčímu úplný obraz. Hyndman a Athanasopoulos vysvětlují predikční intervaly jako způsob vyjádření nejistoty budoucí hodnoty. Uvádějte také jejich úroveň pokrytí a ověřujte, zda skutečné výsledky do intervalů odpovídajícím způsobem padají.

Úzký interval není automaticky kvalitní. Může jen podceňovat nejistotu. Dohodněte postup, pokud je rozpětí tak široké, že mění nákupní rozhodnutí: menší objednávku, ruční posouzení nebo doplnění čerstvých údajů. Předpověď má pomoci s rozhodnutím i tehdy, když výsledek není jednoznačný.

Riziko odchodu zároveň neříká, komu pomůže sleva. Zákazník s vysokým rizikem nemusí reagovat a zákazník s nízkým rizikem by nakoupil i bez nabídky. Přínos oslovení ověřujte vhodně navrženou kontrolní skupinou, pokud to provoz umožňuje. Změnu výsledku po kampani nepřipisujte automaticky modelu.

07Zaveďte pilot s vlastníkem a náhradním postupem

Nejprve nechte model vytvářet doporučení vedle běžného rozhodování. Ukládejte čas odhadu, vstupy, verzi modelu, rozhodnutí člověka a pozdější skutečnost. Získáte podklad pro posouzení, zda systém přináší užitečné informace a kolik práce zabere jejich kontrola.

Google ve svých pravidlech strojového učení upozorňuje na rozdíly mezi tréninkem a skutečným provozem. Hlídejte proto stáří vstupů a shodu jejich výpočtu. Nový ceník, změna měření nebo nedostupný skladový export může výsledek zhoršit i bez změny modelu.

Určete, kdo řeší chybějící data, kdo schvaluje novou verzi a kdy se systém vrátí k jednoduchému pravidlu. Započítejte provoz, přeučení i práci lidí. Pokud kandidát nepřináší užitek proti srovnávacímu základu, ponechte jednodušší řešení. Další využití AI ve firmě stavte na doloženém výsledku pilotu.

Při vyhodnocení pilotu oddělte očekávání od doloženého přínosu podle návodu na výpočet návratnosti investice do softwaru.

08Časté otázky

09Vyberte jeden odhad, podle kterého můžete jednat

Pošlete nám příklad rozhodnutí, dostupné datové zdroje a současný způsob odhadu. Probereme pilot prediktivní analýzy s jasným horizontem, srovnávacím základem a pravidly vyhodnocení.