Šiame tinklaraščio įraše parodysime, kaip naudoti duomenų gavybą, kad būtų galima nustatyti ryšį tarp vystyklų ir alaus pardavimo, ir kaip galite tai panaudoti pardavimui padidinti.
Esate didelio prekybos centro „L-Mart“ parduotuvės A parduotuvės vadovas. Neseniai netoliese atsidarė konkurentas „H-Mart“, o jūs nerimaujate, kad jūsų parduotuvės pardavimai smarkiai sumažėjo. Nusprendžiate paprašyti būstinės pagalbos. Darbuotojas iš būstinės aprodo jums parduotuvę ir prašo atsiųsti jam trijų mėnesių pardavimo istoriją. Po kelių dienų darbuotojas paduoda jums popieriaus lapą su nurodymais pakeisti lentynų išdėstymą. Ką? Alus prie kūdikių sauskelnių? Alus prie sauskelnių, kurios nėra nei servetėlės, nei kūdikių žaislai, neturi jokios sveikos prasmės. Tačiau esate per nedrąsus skųstis būstinei, todėl nusprendžiate pertvarkyti daiktus taip, kaip nurodyta. Po mėnesio patikrinate savo pardavimus ir suprantate, kad alaus pardavimai labai išaugo.
Tai nėra išgalvota tikros istorijos versija. Anksčiau „Walmart“ JAV išanalizavo duomenis ir išsiaiškino, kad vystyklų ir alaus pardavimas yra susiję, o tai reiškia, kad vaikų tėvai dažnai pirkdavo alų pirkdami sauskelnes. Jie galėjo tuo pasinaudoti, kartu sudėję sauskelnes ir alų, todėl alaus pardavimai gerokai išaugo.
Grįžkime prie parduotuvės A pavyzdžio. Kaip štabo darbuotojai rado šią koreliaciją? Atsakymas yra duomenų gavyba. Duomenų gavyba – tai vertingos informacijos išgavimas iš didelio duomenų kiekio, nustatant ryšius, panašumus, šablonus ir pan. Duomenys, kuriuos kaupiame kiekvieną dieną, yra tik skaičių krūva, ir juos reikia „apdoroti“, kad jie taptų vertingi. Apčiuopiama to analogija yra „šiukšlių menas“. Šlamšto menas yra tada, kai sukuriate meną iš šiukšlių ar šiukšlių. Gražūs ir stulbinantys meno kūriniai sukuriami iš krūvos padangų atliekų, nuorūkų, butelių kamštelių ir kitų šiukšlių, į kurias dauguma net nepažiūrėtų. Šlamšto menininkai rūšiuoja ir derina šiuos daiktus, kad pasiektų norimą spalvą, tekstūrą ir blizgesį, o galutinis rezultatas yra meno kūrinys. Panašiai daug duomenų neturi jokios vertės, bet kai jie surūšiuojami ir sujungiami su tam tikra intencija, sukuria kažką vertingo.
Yra penki pagrindiniai duomenų gavybos tipai: klasės aprašymas ir klasių diskriminacija, klasterių analizė, asociacijų analizė, pašalinių duomenų analizė ir nuosekliųjų modelių analizė. Kai duomenų rinkinys, sugrupuotas pagal tam tikrus kriterijus, vadinamas klase, duotų duomenų elementų charakteristikų radimas vadinamas klasės aprašymu, o specialiųjų charakteristikų, kurios gali suskirstyti duomenis į dvi grupes, nustatymas vadinamas stratifikacija, naudojama klasterinė analizė. naujų klasių paieškai, o asociacijų analizė naudojama ryšiams tarp duomenų grupių rasti. Duomenų, kurie gerokai nukrypsta nuo vidurkio, radimas vadinamas išorinių rodiklių analize, o elgesio modelių analizavimas laikui bėgant vadinamas nuoseklia modelių analize.
Mūsų pavyzdyje naudojamas duomenų gavybos tipas yra asociacijų analizė. Asociacijos analizėje naudojami trys matai asociacijos laipsniui nustatyti. Pirmasis yra „parama“, ty visų sandorių, kai kartu prekiaujama dviem punktais (A ir B), procentas. Antrasis yra „pasitikėjimas“, kuris yra visų A sandorių, kuriais prekiaujama kartu, procentas. Paskutinis yra „padidinimas“, ty A ir B, kuriais prekiaujama kartu, procentas (pasitikėjimas) nuo visų sandorių, kuriuose buvo prekiaujama B, procentinės dalies. Jei patobulinimų reikšmė yra 1, jie yra nepriklausomi vienas nuo kito, o jei jie yra didesni nei 1, jie yra teigiamai koreliuojami, o jei jie yra mažesni nei 1, jie koreliuoja neigiamai. Pirma, palaikymas apskaičiuojamas visiems elementams, o tada patikimumas elementams, kurie turi tam tikrą paramos lygį. Duomenų gavėjas nusprendžia, koks turėtų būti paramos lygis. Tada apskaičiuojame elementų, kurie, mūsų manymu, yra šiek tiek susiję, patobulinimą ir išsiaiškiname, kaip jie yra susiję. Taip mes nustatėme, kad vystyklai ir alus yra susiję ir teigiamai koreliuoja.
Nors mes tik aptarėme, kaip duomenų gavyba gali būti naudojama rinkodaroje, ji gali būti naudojama įvairiose srityse. Finansų srityje jis naudojamas kredito įvertinimui, kreditinių kortelių sukčiavimo aptikimui ir akcijų kainų prognozavimui; telekomunikacijose jis naudojamas klientų dingimo prevencijai, charakterių ir modelių atpažinimui ir saugumo valdymui; sveikatos priežiūros srityje jis naudojamas ligų diagnostikai ir genetinei analizei; energetikoje jis naudojamas elektros energijos poreikio prognozavimui ir išteklių paieškai; o gamyboje jis naudojamas naujų produktų / naujų paslaugų kūrimui, defektų prognozavimui, gamyklos automatizavimui, atsargų ir paklausos valdymui. Be to, jis gali būti naudojamas kaip būdas suprasti praeitį ar dabartinę situaciją arba numatyti ateitį iš pateiktų duomenų.
Šiais laikais dideli duomenys yra labai populiarūs visame pasaulyje. Visur naudojant IT įrenginius, duomenys nuolat generuojami. Remiantis viena statistika, vien 120 metais visame pasaulyje buvo sukurta ir sunaudota apie 2024 ZB (Zettabaitų) duomenų. Duomenų gavyba yra būtina norint, kad šie duomenys būtų naudingi, o ne išmetami, o kadangi tikimasi, kad internetinė gyvenamoji aplinka ateityje vystysis toliau, duomenų gavybos svarba turėtų dar labiau išaugti.
Duomenų gavyba gali būti naudojama ne tik siekiant padidinti pardavimus, bet ir nustatyti klientų pirkimo modelius, vykdyti individualiai pritaikytą rinkodarą, pagerinti atsargų valdymo efektyvumą ir kurti įvairias strategijas, siekiant maksimaliai padidinti klientų pasitenkinimą. Duomenys yra šiuolaikinio pasaulio žalia nafta, o tai, kaip gerai juos išgaunate ir apdorojate, gali padėti jūsų verslui arba jį sužlugdyti, todėl labai svarbu pripažinti duomenų gavybos svarbą ir ja pasinaudoti.
