Prediktívna analýza: Ako predvídať správanie zákazníkov a výkyvy dopytu

01Začnite rozhodnutím, ktoré chcete zlepšiť

Prediktívna analýza odhaduje budúcu hodnotu alebo pravdepodobnosť udalosti z dostupných údajov. Pre firmu je užitočná vtedy, keď podľa výsledku môže niekto včas konať. Najskôr určite, kto odhad prevezme, aké rozhodnutie prijme a koľko času naň potrebuje.

Nákupca s mesačnou dodacou lehotou nepotrebuje iba predpoveď na zajtra. Vedúci podpory potrebuje odhad práce počas zmeny, nie celkovú ročnú návštevnosť webu. Obchodník potrebuje zrozumiteľný zoznam kontaktov, ktorým má zmysel zavolať, aj kapacitu hovory naozaj uskutočniť.

Pre prvý projekt si vyberte jeden výstup: napríklad týždenný dopyt po skupine tovaru alebo pravdepodobnosť, že aktívny zákazník v ďalšom období nenakúpi. Určite okamih výpočtu, horizont a definíciu výsledku. „Predvídať zákazníkov pomocou AI“ je priveľmi široké zadanie na vývoj aj následné hodnotenie.

02Odlišujte správanie zákazníka a objem dopytu

Odhad odchodu zákazníka a prognóza objednávok odpovedajú na iné otázky. Pri zákazníkovi posudzujete budúcu udalosť a jej pravdepodobnosť. Pri dopyte odhadujete množstvo v určitom čase. Preto nemusia používať rovnaké údaje, model ani mieru úspechu.

Ujasnite si, čo vlastne meriate. Predaj nemusí zodpovedať skutočnému dopytu: nulový predaj vypredaného výrobku neznamená nulový záujem. Zaznamenávajte dostupnosť, zrušené objednávky, vratky aj známe akcie. Inak môžete presne predpovedať minulé obmedzenia firmy namiesto potrieb zákazníkov.

03Pripravte údaje tak, ako boli dostupné vtedy

Pri zázname potrebujete nielen dátum udalosti, ale podľa situácie aj čas, keď sa informácia dostala do systému. Spätne opravená faktúra či doplnené hodnotenie nemuseli byť pri pôvodnom rozhodnutí známe. Historický pohľad má zodpovedať tomu, čo vtedajšia aplikácia skutočne videla.

Scikit-learn označuje použitie vtedy nedostupných informácií za únik údajov. Výsledky tak vyzerajú lepšie, než sú. Údaje rozdeľte skôr, než z nich odvodíte pravidlá predspracovania; aj dopĺňanie chýbajúcich hodnôt či výber vstupov sa nesmie učiť z testovacej časti.

Príklad: na začiatku mesiaca chcete odhadnúť odchod zákazníka. Dátum neskoršieho zrušenia účtu nemôže byť vstupom. Ani stĺpec „kontaktoval ho retenčný tím“ nie je automaticky vhodný, ak vznikol až po hodnotenom okamihu. Pri každom vstupe preto zapíšte jeho pôvod, dostupnosť a spôsob aktualizácie.

Prepojenie objednávok, skladu a CRM riešte pred výberom zložitého modelu. Najskôr musíte vedieť spojiť rovnakého zákazníka a výrobok naprieč systémami. To je konkrétna úloha pre integrácie a API. Osobné údaje vyberajte podľa účelu a prístup obmedzte na potrebné roly.

Pri skladaní histórie zo starších zdrojov pomôže prehľad chýb pri migrácii dát z Excelu a starého systému.

04Testujte budúcnosť, ktorú model nevidel

Náhodné premiešanie časovo nadväzujúcich záznamov môže vytvoriť nereálnu skúšku. Princíp časového delenia v scikit-learn používa staršie údaje na učenie a neskoršie na overenie. Delenie pre váš prípad prispôsobte skutočnému kalendáru rozhodovania.

Postup zopakujte z viacerých historických okamihov a vždy predpovedajte rovnaký horizont. Posledné nedotknuté obdobie si nechajte na záverečnú kontrolu. Ak výsledok zákazníka vyhodnocujete až po tridsiatich dňoch, do tréningu nepatria prípady, ktorých výsledky by vtedy ešte neboli známe. Podľa potreby nechajte medzi časťami odstup.

Ak model použijete pre nových zákazníkov alebo výrobky, overte túto skupinu samostatne. Výkon pri opakovaných zákazníkoch neznamená rovnaký výkon pri nových. Skontrolujte aj sezónu, akcie a slabo zastúpené pobočky. Jediný priemer môže zakryť chybu, ktorá prevádzku poškodí najviac.

05Porovnajte model s jednoduchým pravidlom

Najskôr pripravte porovnávací základ, napríklad odhad podľa posledného porovnateľného týždňa alebo súčasný postup nákupcu. Až potom skúšajte zložitejší model. Hodnoťte rovnaké obdobia, výrobky aj informácie dostupné v okamihu odhadu.

Nasledujúce čísla sú čisto modelový príklad výpočtu, nie výsledok klienta ani nameraný výkon algoritmu. Predpokladajme štyri postupné týždenné odhady pre jednu skupinu tovaru. Každý odhad vzniká pred daným týždňom. Všetky hodnoty sú v kusoch.

Priemerná absolútna chyba, MAE, je priemer veľkostí odchýlok bez znamienka. Jednoduchý odhad má (10 + 20 + 20 + 10) / 4 = 15 kusov. Kandidát má (0 + 10 + 10 + 0) / 4 = 5 kusov. Súčet skutočnosti aj oboch predpovedí je pritom 400 kusov. Kontrola samotného súčtu by problém neodhalila.

Štyri týždne nestačia na rozhodnutie o nasadení. Príklad vysvetľuje metriku. V praxi navyše odlišujte nedostatok a prebytok, pretože majú rozdielne náklady. Pri zákazníckom modeli posudzujte kvalitu kontaktov v počte, ktorý tím dokáže osloviť, aj náklady zbytočných a zmeškaných zásahov.

06Ukážte neistotu a overte prínos zásahu

Samotný bodový odhad nedáva nákupcovi úplný obraz. Hyndman a Athanasopoulos vysvetľujú predikčné intervaly ako spôsob vyjadrenia neistoty budúcej hodnoty. Uvádzajte aj úroveň ich pokrytia a overujte, či skutočné výsledky padajú do intervalov zodpovedajúcim spôsobom.

Úzky interval nie je automaticky kvalitný. Môže iba podceňovať neistotu. Dohodnite postup, ak je rozpätie také široké, že mení nákupné rozhodnutie: menšiu objednávku, ručné posúdenie alebo doplnenie čerstvých údajov. Predpoveď má pomáhať pri rozhodovaní aj vtedy, keď výsledok nie je jednoznačný.

Riziko odchodu zároveň nehovorí, komu pomôže zľava. Zákazník s vysokým rizikom nemusí reagovať a zákazník s nízkym rizikom by nakúpil aj bez ponuky. Prínos oslovenia overujte vhodne navrhnutou kontrolnou skupinou, ak to prevádzka umožňuje. Zmenu výsledku po kampani nepripisujte automaticky modelu.

07Zaveďte pilot s vlastníkom a náhradným postupom

Najprv nechajte model vytvárať odporúčania popri bežnom rozhodovaní. Ukladajte čas odhadu, vstupy, verziu modelu, rozhodnutie človeka a neskoršiu skutočnosť. Budete vedieť posúdiť, či systém prináša užitočné informácie a koľko práce zaberie ich kontrola.

Google v pravidlách strojového učenia upozorňuje na rozdiely medzi tréningom a skutočnou prevádzkou. Sledujte preto vek vstupov aj zhodu ich výpočtu. Nový cenník, zmena merania alebo nedostupný skladový export môže zhoršiť výsledok bez zmeny samotného modelu.

Určite, kto rieši chýbajúce údaje, schvaľuje novú verziu a rozhoduje o návrate k jednoduchému pravidlu. Započítajte prevádzku, opakované učenie aj prácu ľudí. Ak kandidát neprináša úžitok oproti porovnávaciemu základu, ponechajte jednoduchšie riešenie. Ďalšie využitie AI vo firme postavte na doloženom výsledku pilotu.

Pri vyhodnotení pilotu oddeľte očakávania od doloženého prínosu podľa návodu na výpočet návratnosti investície do softvéru.

08Časté otázky

09Vyberte jeden odhad, podľa ktorého môžete konať

Pošlite nám príklad rozhodnutia, dostupné zdroje údajov a súčasný spôsob odhadu. Preberieme pilot prediktívnej analýzy s jasným horizontom, porovnávacím základom a pravidlami vyhodnotenia.