Preisnachlassmanagement: Modelle zur Quantifizierung der Wirkung von Tankstellen als Beispiel

Wir veröffentlichen weiterhin Berichte, die auf dem RAIF 2019 (Russian Artificial Intelligence Forum) veröffentlicht wurden. Diesmal teilt Vadim Abbakumov, Ph.D. in Physik und Mathematik, Chefexperte bei Gazprom Neft, seine Erfahrungen mit. Wir geben ihm das Wort:

Auf dem RAIF 2019-Forum für Systeme für künstliche Intelligenz (veranstaltet von Jet Infosystems) sprachen meine Kollegen mehr über den technologischen Fortschritt und ich hielt einen Vortrag über einen Durchbruch in Geschäftsprozessen.

Zunächst - über die Messung der Wirkung von Werbeaktionen. Wir verkauften die Waren zum gleichen Preis, dann ging er für einen Monat mit einem Rabatt und dann kehrten wir zum alten Preis zurück. Jetzt müssen Sie verstehen, ob das Unternehmen schwarze Zahlen geschrieben hat und wie viel Umsatz gestiegen ist.

Einerseits argumentieren die Autoren von Lehrbüchern, dass in 60% der Fälle, in denen ermäßigte Werbeaktionen nicht den gewünschten Effekt erzielen, solche Maßnahmen unrentabel sind. Andererseits nehmen Umfang und Häufigkeit von Werbeaktionen zu. Zum Beispiel beträgt der Umsatz mit Rabattkaffee 69%.

Warum passiert es? Tatsächlich hat fast kein Unternehmen Daten darüber, welche Aktien rentabel und welche unrentabel waren. Es liegen keine Daten zur Höhe der Verluste vor. Daher gibt es keine Prozesssteuerungswerkzeuge.

Wir wissen seit langem, wie man die Effektivität von Werbeaktionen misst, aber für eine große Anzahl von Unternehmen ist dies immer noch ein Problem - sie wenden sich ständig an mich, um sich beraten zu lassen: Wie geht das kompetent? Also habe ich beschlossen, darüber zu sprechen.

Nehmen wir zum Beispiel unser Unternehmen. Sie fragen sich vielleicht: Was hat Gazprom Neft damit zu tun? Sie bohren Brunnen, produzieren Öl. Das ist wahr, aber nicht alles. Gazprom Neft ist einer der führenden Anbieter von ... Kaffee. Jede Tankstelle (und das sind 800 Punkte) hat einen eigenen Laden. In jeder Tankstelle organisieren wir Werbeaktionen, um den Einkauf anzuregen.

Zunächst diskutieren wir beliebte, aber nicht optimale Methoden.

Option 1. Messen Sie also den Effekt von Werbeaktionen von 80% der Unternehmen. Wenn die Rabatte im Februar waren, dann vergleichen Sie mit den Februar-Verkäufen des Vorjahres. Der Unterschied ist das Ergebnis der Aktion. Wenn es eine Überlagerung gab (zum Beispiel gab es im vergangenen Februar auch eine Art von Werbung und es ist unmöglich, sie mit diesem Schema zu vergleichen), dann nehmen wir den arithmetischen Durchschnitt der Verkäufe im Januar und März! Diese Option wird in Excel perfekt berechnet, ist jedoch nicht optimal. Tatsache ist, dass dies entweder eine Änderung des Trends oder eine Änderung der saisonalen Komponenten ignoriert.

Option 2A / B-Test - Durchführung einer Aktion nur in einem Teil der Filialisten, um die Verkaufszahlen in diesen und in Filialen zu vergleichen, in denen keine Aktion durchgeführt wurde. Dies ist ein mächtiges, cooles Tool, aber nicht ganz einfach. Unsere Experten sagen, dass die Logistik sehr kompliziert wird (es ist schwierig, eine Aktion an einer Tankstelle zu organisieren und nicht an einer anderen abzuhalten). Darüber hinaus macht dies das Testen bereits teuer. Zweitens warnen die Anwälte des Unternehmens vor möglichen Problemen, wenn die Beförderung von Tankstellen durchgeführt wird. Somit ist der A / B-Test theoretisch möglich und gut, aber in der Praxis ist es zu schwierig, zu viele organisatorische Probleme anzuwenden.

Option 3 (am schlimmsten).Nehmen Sie die Zeitreihen der Verkäufe und vergleichen Sie die Werte im Februar des vorherigen und aktuellen Jahres mit dem Student-T-Test. Es scheint, dass dies der gleiche A / B-Test sein wird, aber Halbwissen ist schlimmer als Unwissenheit: Beobachtungen der Zeitreihen hängen voneinander ab, daher kann das t-Kriterium nicht angewendet werden.

Option 4 (optimal): Betrachten Sie das einfachste Schema, bei dem wir zwei Verkaufsreihen haben. Rote Farbe zeigt Verkäufe ohne Lager an, blaue Farbe zeigt eine modifizierte Serie an, bei der von 4 auf 6 Beobachtungen Rabatte und dementsprechend eine Umsatzsteigerung zu verzeichnen waren. Wir müssen messen, wie weit die blaue Linie über der roten liegt.

Wir konstruieren ein Paar gewöhnlicher linearer Regressionsmodelle.

Für die rote Linie ist das Modell offensichtlich:

$$

$$=a +b\cdot t$$

Fügen Sie für die blaue Linie den Prädiktor hinzu :xt

$$

$$=a +b\cdot t+c\cdot x_{t}$$

In Bezug auf die rote Linie werden wir den Trend als gerade Linie beschreiben. Die Variable ist an den Tagen der Werbeaktionen gleich eins und an den Tagen ihrer Abwesenheit gleich null (wenn die Verkäufe für jeden Tag gespeichert werden). Die Variable wird mit der Variablen multipliziert , die ein Indikator für einen Umsatzanstieg ist. Wenn das Ergebnis negativ ist, sind die Verkäufe gesunken und um Einheiten gesunken . Dies ist das Grundschema. Ansichtsvariablen werden als Indikatoren oder Dummy-Variablen bezeichnet. Solche Variablen werden in verschiedenen Situationen verwendet, beispielsweise bei der One-Hot-Codierung. In unserem Fall handelt es sich um eine Intervention, dh ein Ereignis, das die Art der Serie vorübergehend oder dauerhaft verändert. Trotz der Tatsache, dass das Grundschema offensichtlich ist, beginnen Probleme in der Phase der Verfeinerung des Modells. Die Tendenz.xtxt

xtxt



Der Trend ist meistens nicht linear, daher müssen Sie darauf achten, dass er keine mit Aktien verbundenen Höhen und Tiefen beinhaltet. Umgekehrt muss darauf geachtet werden, dass die Wirkung der Aktion keine Höhen und Tiefen umfasst, die durch den Trend beschrieben werden sollten. Um dieses Problem zu lösen, hat sich das Prophet-Verfahren (auch bekannt als fbprophet) bewährt. Darin wird der Trend durch eine stückweise lineare Funktion beschrieben, die Segmente beschreiben den lokalen Trend flexibel.

Saisonalität Eine Serie kann eine oder mehrere saisonale Komponenten enthalten. An einer Tankstelle gibt es beispielsweise drei Jahreszeiten: Intraday (nachts an einer Tankstelle gibt es weniger Menschen als tagsüber), Intraday (am Freitag gibt es mehr Kunden an einer Tankstelle als am Dienstag) und jährlich (im Sommer gibt es mehr Autos als im Winter). Darüber hinaus ist die Saisonalität multiplikativ oder additiv. Im Verkauf ist die Saisonalität normalerweise multiplikativ.

Zusätzliche Prädiktoren. Das Modell wird unweigerlich viele zusätzliche Prädiktoren enthalten. Ich werde zwei Beispiele geben. Wenn die Lufttemperatur unter 24 ist ^auf C, dann haben wir prosyadut Benzinverkäufe, was Rabatt noch Angebot Benzin ist nicht erforderlich, weil viele einfach den Motor gestartet. Bei -24 ^auf Mit Menschen oft öffentliche Verkehrsmittel benutzen , anstatt unterwegs zu seinem Auto. Daher sollte ein Multiplikator in das Modell eingebaut werden, der den Umsatz bei niedrigen Temperaturen reduziert.

Zweites Beispiel. Vielleicht ist das rein St. Petersburg Phänomen, aber auch wenn die -30 auf der Straße ^vonC, die Leute kaufen sogar Eis, aber wenn es anfängt zu regnen, verschwinden die Käufer. Vom Anfang bis zum Ende des Regens hören die Verkäufe einfach auf, aber warum dies geschieht, ist völlig unverständlich. Und es spielt keine Rolle, Sie müssen nur den Multiplikator in das Modell integrieren, wodurch der Umsatz in den Stunden, in denen es regnet, reduziert wird.

Wir müssen zusätzliche externe Variablen korrekt und genau hinzufügen, wobei wir den gesunden Menschenverstand und das Verständnis der Geschäftsprozesse verwenden. In der Datenanalyse wird dies als Feature-Engineering bezeichnet.

Das Modell hat bereits folgende Form:

$$

$$=+++...+c\cdot x_{t}+d\cdot z_{t}$$

Dabei ist derselbe wie zuvor und der Vektor zusätzlicher Prädiktoren. Weitere Verbesserungen umfassen die Aufgabe gewöhnlicher linearer Regressionsmodelle. Wie kann ich die Beschreibung der Aktion noch verbessern? Für die oben diskutierte Version der Variablen haben wir das folgende Diagramm der Zeitänderung:xtzt

xt

Wenn das Unternehmen den Preis nicht „vorübergehend“, sondern „für immer“ erhöht, ist dies eine Intervention, deren Einfluss bestehen bleibt. Das Diagramm sieht folgendermaßen aus:

Hier sind die Verkäufe gestiegen (und häufiger - gesunken), und all dies dauert auf unbestimmte Zeit.

Ich empfehle die folgende flexible Beschreibung der Intervention:

Nicht zu kompliziert, aber nicht zu einfach. Zuerst gibt es einen Anstieg, dann lässt die Wirkung der Aktion langsam nach. In diesem Fall müssen Anfang und Ende der „Aktion“ manuell ausgewählt werden. Beispielsweise lieben Python-Programmierer die Rastersuche, mit der Sie den Beginn und das Ende eines Prozesses bestimmen können.

Wir schweifen ab, um ein Beispiel für eine Intervention zu diskutieren, die keine Beförderung ist. Ein Kollege arbeitete im "Tape", wo vor einem der Läden ein Kreisverkehr gebaut wurde. Der Weg zu diesem Supermarkt war daher sehr unpraktisch - der Kundenstrom ging zurück. Die Wirkung dieses Eingriffs kann wie oben beschrieben gemessen werden. Es muss geschätzt werden, wie viele Kunden das Geschäft während der gesamten Bauzeit verloren hat. Als die Auflösung abgeschlossen war, mussten sich die Käufer an die Idee gewöhnen, dass es bequem war, zu diesem Supermarkt zu gelangen. So ließ die Wirkung des Baus leise nach, hielt aber einige Zeit an, und dies musste berücksichtigt werden.

Nun wenden wir uns dem realen Beispiel für die Bewertung der Wirkung einer Aktie zu. Angenommen, wir verkaufen alkoholfreie Getränke. In der folgenden Grafik gibt Gelb die Größe des Rabatts und Blau das Umsatzvolumen an.

Einige Beobachtungen.

Im September 2018 führte der Rabatt zu einer Umsatzsteigerung. Alles ist logisch - das Modell ermöglicht es uns, ein solches Wachstum zu bewerten.

Im November 2017 gab es einen maximalen Rabatt, aber der Umsatz blieb auf dem gleichen niedrigen Niveau. Was hat das Wachstum gebremst? Wir nehmen den Einfluss eines nicht berücksichtigten Faktors an und wählen zusätzliche Merkmale sorgfältig aus.

Im Juni 2017 steigerte ein kleiner Rabatt den Umsatz stark. Vielleicht ist es überhaupt kein Rabatt, sondern eine Sommerhitze?

Im Dezember 2019 arrangierte der Hersteller eine Meisterklasse. Sie kamen zu Tankstellen und legten am Eingang Getränke aus, dekorierten sie. Infolgedessen hat sich der Umsatz allein aufgrund der Berechnung der Waren vervierfacht. Es scheint, dass jeder viel von denen lernen kann, die den Geschäftsprozess ausgearbeitet haben.

Ergebnisse:

Manchmal läuft alles so, wie es sollte, manchmal umgekehrt.

Wenn das Modell funktioniert, ist alles in Ordnung.

Aber auch ein schlechtes Modell ist besser als kein Modell. Bei der Vorhersage der gleichen. Ein schlechtes Modell lässt uns zumindest über die Effektivität unserer Marketingaktivitäten nachdenken.

Autor: Vadim Abbakumov, Ph.D. in Physik und Mathematik, Chefexperte bei Gazprom Neft.