Прогнозирование ключевых показателей эффективности в Интернет-маркетинге

Задача прогнозирования ключевых показателей эффективности (KPI) в Интернет-марктинге не является тривиальной. Связано это с тем, что кроме конкурентных процессов между участниками рынка активную роль в интернет-маркетинге играют основные регуляторы рынка - поисковые системы и социальные сети. Они регулярно вносят изменения в свою работу, тем самым корректируют эффективность интернет-проектов.

Однако, несмотря на сложность процессов в Интернет-маркетинге, задача прогнозирования KPI имеет решение.

Для прогнозирования ключевых показателей эффективности можно воспользоваться несколькими методами - например методом экстраполяции.

Прогнозирование методом экстраполяции

Зная историю изменения ключевого показателя эффективности в прошлые периоды можно построить функцию, которая при прогнозировании будет аппроксимироваться вне заданного интервала, а в будущем периоде. Это простой метод и на "короткие дистанции" он показывает хорошие результаты. По причине своей простоты этот способ пользуется наибольшей популярностью у маркетологов.

Однако, есть и другой способ, более эффективный способ, который опирается на методы предиктивной аналитики и тоже в своей работе использует исторические данные.

Прогнозирование с использованием предиктивной аналитики

Все наблюдаемые данные, собранные за время развития бизнес-проекта или интернет-ресурса традиционно недооценены. Как правило, даже если ведется их сбор, то применение находят только ключевые показатели эффективности, а остальные цифры идут в корзину. Так происходит потому, что специалисты не видят возможности применения этих цифр в интересах своего интернет-проекта, а такая возможность есть.

Существует целая группа методов, которая позволяет находить неявные зависимости между множеством данных (ключевых показателей и неключевых), а найденные зависимости позволят сделать прогноз значений ключевых показателей эффективности.

Рассмотрим на практике как применять такие методы и в качестве инструмента воспользуемся нейросетевым прогнозированием.

Предположим, ваш интернет магазин работает уже не первый день и вы конечно все это время собираете информацию о его работе.

Пример такой информации представлен в таблице - в ней указано сколько товара было "на витрине" интернет-магазина в определенный день, сколько в этот день было зафиксировано целевого трафика, проводилась ли скидочная акция в этот день или нет, какая сумма выручки интернет-магазина была в этот день.  Таких параметров может быть намного больше, кроме того чем их больше, тем точнее будет прогнозирование нейросетевым методом. Наша задача - сделать прогноз объема продаж интернет-магазина в будущие периоды при разных объемах привлечения целевого трафика (например с помощью контекстной рекламы).

Кроме числа параметров важным является объем истории наблюдения - чем он больше, тем точнее будет прогноз.

Не смотря на то, что в нашем примере история наблюдения состоит из 5 дней, мы не рекомендуем использовать этот метод если у вас нет сотен, а лучше тысяч исторических данных. При малых объемах исторических данных качество прогнозирования не будет высоким.

После подготовки исторических данных необходимо произвести процедуру нахождения неявных зависимостей между этими показателями, и если мы используем нейросетевое прогнозирование, то так называемое обучение нейронной сети. Для этого необходимо указать какие параметры считаются управляемыми и поступают на вход нейронной сети, а какие мы как раз хотим спрогнозировать.

Так, если в нашем примере мы делаем прогноз объема продаж интернет-магазина, то Сумма транзакций это показатель, которые будет рассчитываться на выходе нейронной сети.

Процедуру обучения можно провести с помощью давно автоматизированных методов, которых выложены в виде готовых решений в сети Интернет. В нашем примере мы будем использовать пакет NeuralTools, которые встраивается в Excel. Скачать его можно на сайте разработчика

В результате обучения у нас появится возможность определять набор входных параметров и сразу получать прогноз по выходному параметру.

Например, если мы хотим спрогнозировать наш объем продаж в интернет-магазине в тот день, когда в ассортименте будет 60 товаров, целевой трафик мы привлечем в объеме 800 уникальных посетителей, а скидочную акцию мы проводить не будем, то с помощью предиктивного анализа получим прогноз - объем продаж составит 505 829 рублей.   

Несмотря на то, что предиктивная аналитика не дает ответ на вопрос как именно связаны все показатели, она дает на главный вопрос - что будет с неизвестными показателями если известные показатели достигнут определенных значений.

Более подробнее мы рассматриваем методы предиктивной аналитики и способы их применения в работе профессионального интернет-маркетолога на наших курсах по интернет-маркетингу.