Gestión de descuentos de precios: modelos para cuantificar el efecto de las estaciones de servicio como ejemplo

Continuamos publicando informes entregados en el RAIF 2019 (Foro de Inteligencia Artificial de Rusia). Esta vez, Vadim Abbakumov, Ph.D. en Física y Matemáticas, analista experto jefe de Gazprom Neft, comparte su experiencia. Le damos la palabra:

En el foro de sistemas de inteligencia artificial RAIF 2019 (organizado por Jet Infosystems), mis colegas hablaron más sobre el progreso tecnológico e hice una presentación sobre un avance en los procesos comerciales.

Para empezar, sobre la medición del efecto de las promociones. Vendimos los productos al mismo precio, luego durante un mes tuvo un descuento y luego volvimos al precio anterior. Ahora debe comprender si la compañía se ha mantenido en el negro, cuánto han aumentado las ventas.

Por un lado, los autores de los libros de texto argumentan que en el 60% de los casos con promociones de descuento no produce el efecto deseado, tales acciones no son rentables. Por otro lado, el volumen y la frecuencia de las promociones están creciendo. Por ejemplo, las ventas de café con descuento son del 69%.

¿Por qué sucede? De hecho, casi ninguna compañía tiene datos sobre qué acciones fueron rentables y cuáles no rentables. No hay datos sobre la magnitud de las pérdidas. Como resultado, no hay herramientas de control de procesos.

Hace tiempo que sabemos cómo medir la efectividad de las promociones, pero para un gran número de empresas esto sigue siendo un problema: constantemente acuden a mí para consultas: ¿cómo hacerlo de manera competente? Entonces decidí hablar sobre eso.

Por ejemplo, tome nuestra empresa. Usted puede preguntar: ¿qué tiene que ver Gazprom Neft con él? Perforan pozos, producen petróleo. Esto es cierto, pero no todo. Gazprom Neft es uno de los líderes en la venta de ... café. Cada estación de servicio (y esto es 800 puntos) tiene su propia tienda, y en cada una organizamos promociones, tratando de estimular las compras.

Primero, discutimos métodos populares pero no óptimos.

Opción 1. Mida el efecto de las promociones del 80% de las empresas. Si los descuentos fueron en febrero, compárelos con las ventas de febrero del año anterior. La diferencia es el resultado de la promoción. Si hubo una superposición (por ejemplo, en febrero pasado también hubo algún tipo de promoción y es imposible comparar con este esquema), ¡entonces tomamos el promedio aritmético de las ventas en enero y marzo! Esta opción se calcula perfectamente en Excel, pero en realidad no es óptima. El hecho es que esto ignora un cambio en la tendencia o un cambio en los componentes estacionales.

opcion 2Prueba A / B: realizar una promoción solo en parte de las cadenas de tiendas para comparar las cifras de ventas en ellas y en las tiendas donde no había promoción. Esta es una herramienta poderosa y genial, pero no del todo simple. Nuestros expertos dicen que la logística se está volviendo muy complicada (es difícil organizar una acción en una estación de servicio y no mantenerla en otra), además, esto ya hace que las pruebas sean caras. En segundo lugar, los abogados de la compañía advierten sobre posibles problemas si la promoción se realiza por parte de las estaciones de servicio. Por lo tanto, la prueba A / B es teóricamente posible y buena, pero en la práctica es demasiado difícil de aplicar, hay demasiados problemas de organización.

Opción 3 (peor).Tome la serie temporal de ventas y compare los valores en febrero del año anterior y actual, utilizando la prueba t de Student. Parece que esta será la misma prueba A / B, pero el medio conocimiento es peor que la ignorancia: las observaciones de las series de tiempo dependen unas de otras, como resultado, el criterio t no puede aplicarse.

Opción 4 (óptima): considere el esquema más simple en el que tenemos dos filas de ventas. El color rojo indica ventas sin stock, el azul indica una serie modificada, en la que de 4 a 6 observaciones hubo descuentos y, en consecuencia, un aumento en las ventas. Necesitamos medir cuánto está la línea azul sobre el rojo.

Construimos un par de modelos de regresión lineal ordinarios.

Para la línea roja, el modelo es obvio:

$$

$$=a +b\cdot t$$

Para la línea azul, agregue el predictor :xt

$$

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

En cuanto a la línea roja, describiremos la tendencia como una línea recta. La variable es igual a uno en los días de promociones y cero en los días de su ausencia (si se guardan las ventas de cada día). La variable se multiplica por la variable , que es un indicador de mayores ventas. Si el resultado es negativo, las ventas han caído y han disminuido por unidades. Este es el esquema básico. Las variables de vista se denominan indicadores o variables ficticias. Dichas variables se utilizan en diferentes situaciones, por ejemplo, en una codificación en caliente. En nuestro caso, es una intervención, es decir, un evento que cambia temporal o permanentemente la naturaleza de la serie. A pesar de que el esquema básico es obvio, los problemas comienzan en la etapa de refinamiento del modelo. La tendencia.xtxt

xtxt



La tendencia es a menudo no lineal, por lo que se debe tener cuidado de no incluir los altibajos asociados con las existencias. Por el contrario, se debe tener cuidado de que el efecto de la promoción no incluya subidas y bajadas, que deben describirse por la tendencia. Para resolver este problema, el procedimiento Profeta (también conocido como fbprophet) demostró ser bueno. En él, la tendencia se describe mediante una función lineal por partes, los segmentos describen de manera flexible la tendencia local.

Estacionalidad Una serie puede tener uno o más componentes estacionales. Por ejemplo, en una estación de servicio hay tres estaciones: intradía (en la noche en una estación de servicio hay menos personas que durante el día), intradía (el viernes hay más clientes en una estación de servicio que el martes) y anual (en verano hay más automóviles que en invierno). Además, la estacionalidad es multiplicativa o aditiva. En ventas, la estacionalidad suele ser multiplicativa.

Predictores adicionales. El modelo incluirá inevitablemente muchos predictores adicionales. Daré dos ejemplos. Si la temperatura del aire es inferior a 24 ^en C, entonces tenemos ventas de gasolina prosyadut, no se necesita qué descuento ni oferta de gasolina, porque muchos simplemente arrancaron el motor. A las -24 en ^{adelante, las} personas a menudo usan el transporte público en lugar de ir a su automóvil. Por lo tanto, se debe incorporar un multiplicador en el modelo que reduzca las ventas a bajas temperaturas.

Segundo ejemplo Quizás este es un fenómeno puramente de San Petersburgo, pero incluso si el -30 en la calle ^deC, la gente incluso compra helado, pero si comenzó a llover, los compradores desaparecen. Desde el principio hasta el final de la lluvia, las ventas simplemente se detienen, pero por qué sucede esto es completamente incomprensible. Y no importa, solo necesita integrar el multiplicador en el modelo, lo que reducirá las ventas en esas horas cuando llueve.

Debemos agregar variables externas adicionales de manera correcta y precisa, utilizando el sentido común y la comprensión de los procesos comerciales. En el análisis de datos, esto se llama ingeniería de características.

El modelo ya tiene la siguiente forma:

$$

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

donde es lo mismo que antes, y es el vector de predictores adicionales. Otras mejoras incluyen el abandono de los modelos de regresión lineal ordinarios. ¿De qué otra forma puedo mejorar la descripción de la promoción? Para la versión de la variable discutida anteriormente, tenemos el siguiente gráfico del cambio en el tiempo:xtzt

xt

Si la compañía aumentó el precio no "temporalmente", sino "para siempre", esto será una intervención, cuya influencia permanece. El cuadro se verá así:

Aquí, las ventas han aumentado (y más a menudo, han caído), y todo esto dura indefinidamente.

Recomiendo la siguiente descripción flexible de la intervención:

No demasiado complicado, pero no demasiado simple. Primero, hay un aumento, luego el efecto de la acción se desvanece lentamente. En este caso, el principio y el final de la "acción" deben seleccionarse manualmente. Por ejemplo, los programadores de Python adoran la búsqueda de cuadrícula, con la que puede determinar el comienzo y el final de un proceso.

Nos desviamos para discutir un ejemplo de una intervención que no es una promoción. Un colega trabajaba en la "Cinta", donde frente a una de las tiendas comenzó a construir una rotonda. Como resultado, llegar a este supermercado fue muy incómodo: el flujo de clientes disminuyó. El efecto de esta intervención se puede medir como se describe anteriormente. Es necesario estimar cuántos clientes perdió la tienda durante todo el período de construcción. Además, cuando se completó el desenlace, los clientes tuvieron que acostumbrarse a la idea de que era conveniente llegar a este supermercado. Por lo tanto, el efecto de la construcción disminuyó silenciosamente, pero persistió durante algún tiempo, y esto tuvo que ser tenido en cuenta.

Ahora pasamos al ejemplo real de evaluar el efecto de una acción. Supongamos que vendemos refrescos. En el gráfico a continuación, el amarillo indica el tamaño del descuento y el azul indica el volumen de ventas.

Algunas observaciones

En septiembre de 2018, el descuento llevó a un aumento en las ventas. Todo es lógico: el modelo nos permite evaluar dicho crecimiento.

En noviembre de 2017, hubo un descuento máximo, pero dejó las ventas en el mismo nivel bajo. ¿Qué retrasó el crecimiento? Asumimos la influencia de un factor no contabilizado y seleccionamos cuidadosamente características adicionales.

En junio de 2017, un pequeño descuento aumentó considerablemente las ventas. ¿Quizás no es un descuento en absoluto, sino un calor de verano?

En diciembre de 2019, el fabricante organizó una clase magistral. Llegaron a las estaciones de servicio y colocaron bebidas en la entrada, las decoraron. Como resultado, simplemente debido al cálculo de los bienes, las ventas se han cuadruplicado. Parece que todos tienen mucho que aprender de aquellos que han trabajado en el proceso comercial.

Recomendaciones:

A veces todo va como debería, a veces lo contrario.

Si el modelo funciona, todo está bien.

Pero incluso un mal modelo es mejor que ningún modelo. En pronosticar lo mismo. Un mal modelo al menos nos hace pensar en la efectividad de nuestras actividades de marketing.

Autor: Vadim Abbakumov, Ph.D. en Física y Matemáticas, analista experto jefe de Gazprom Neft.