मूल्य छूट प्रबंधन: एक उदाहरण के रूप में गैस स्टेशनों के प्रभाव को निर्धारित करने के लिए मॉडल

हम RAIF 2019 (रूसी आर्टिफिशियल इंटेलिजेंस फोरम) में दी गई रिपोर्ट प्रकाशित करना जारी रखते हैं । इस बार, वादिम अब्बाकुमोव, भौतिकी और गणित में पीएचडी, गज़प्रोम नेफ्ट के मुख्य विशेषज्ञ विश्लेषक, अपने अनुभव साझा करते हैं। हम उसे शब्द देते हैं:

RAIF 2019 आर्टिफिशियल इंटेलिजेंस सिस्टम फोरम (जेट इन्फोसिस्टम्स द्वारा होस्ट किया गया) में, मेरे सहयोगियों ने तकनीकी प्रगति के बारे में अधिक बात की, और मैंने व्यावसायिक प्रक्रियाओं में एक सफलता पर एक प्रस्तुति दी।

के साथ शुरू करने के लिए - पदोन्नति के प्रभाव को मापने के बारे में। हमने सामान उसी कीमत पर बेचा, फिर एक महीने के लिए वह छूट गया और फिर हम पुरानी कीमत पर लौट आए। अब आपको यह समझने की जरूरत है कि क्या कंपनी काले रंग में बनी हुई है, बिक्री में कितनी वृद्धि हुई है।

एक तरफ, पाठ्यपुस्तकों के लेखकों का तर्क है कि 60% मामलों में रियायती पदोन्नति वांछित प्रभाव नहीं लाती है, इस तरह की कार्रवाई लाभहीन हैं। दूसरी ओर, प्रचार की मात्रा और आवृत्ति बढ़ रही है। उदाहरण के लिए, डिस्काउंट कॉफी की बिक्री 69% है।

ऐसा क्यों होता है? वास्तव में, लगभग किसी भी कंपनी के पास डेटा नहीं है जिस पर स्टॉक लाभदायक था और जो लाभहीन था। नुकसान की भयावहता का कोई आंकड़ा नहीं है। नतीजतन, कोई प्रक्रिया नियंत्रण उपकरण नहीं हैं।

हम लंबे समय से जानते हैं कि पदोन्नति की प्रभावशीलता को कैसे मापें, लेकिन बड़ी संख्या में कंपनियों के लिए यह अभी भी एक समस्या है - वे लगातार मुझसे परामर्श के लिए मुड़ते हैं: यह कैसे करना है? इसलिए मैंने इसके बारे में बात करने का फैसला किया।

उदाहरण के लिए, हमारी कंपनी को लें। आप पूछ सकते हैं: गज़प्रॉम नेफ्ट का इससे क्या लेना-देना है? वे कुओं को ड्रिल करते हैं, तेल का उत्पादन करते हैं। यह सच है, लेकिन सभी नहीं। गज़प्रॉम नेफ्ट ... की बिक्री में अग्रणी नेताओं में से एक है ... कॉफी। प्रत्येक गैस स्टेशन (और यह 800 अंक है) का अपना स्टोर है, और प्रत्येक में हम पदोन्नति को व्यवस्थित करते हैं, खरीद को प्रोत्साहित करने की कोशिश कर रहे हैं।

सबसे पहले, हम लोकप्रिय लेकिन गैर-इष्टतम तरीकों पर चर्चा करते हैं।

विकल्प 1. तो 80% कंपनियों के प्रचार के प्रभाव को मापें। यदि छूट फरवरी में थी, तो पिछले वर्ष की फरवरी की बिक्री के साथ तुलना करें। अंतर पदोन्नति का परिणाम है। यदि एक ओवरले था (उदाहरण के लिए, पिछले फरवरी में भी कुछ प्रकार का प्रचार था और इस योजना का उपयोग करना तुलना करना असंभव है), तो हम जनवरी और मार्च में अंकगणितीय औसत बिक्री लेते हैं! यह विकल्प एक्सेल में पूरी तरह से गणना करता है, लेकिन वास्तव में इष्टतम नहीं है। तथ्य यह है कि यह या तो प्रवृत्ति में बदलाव या मौसमी घटकों में बदलाव की उपेक्षा करता है।

विकल्प 2ए / बी-परीक्षण - केवल बिक्री के आंकड़ों की तुलना करने के लिए और उन दुकानों में जहां पदोन्नति नहीं थी, चेन स्टोर्स के हिस्से में एक पदोन्नति का आयोजन करना। यह एक शक्तिशाली, शांत उपकरण है, लेकिन काफी सरल नहीं है। हमारे विशेषज्ञ कहते हैं कि लॉजिस्टिक्स बहुत जटिल होता जा रहा है (एक गैस स्टेशन पर कार्रवाई को व्यवस्थित करना और इसे दूसरे पर न पकड़ना मुश्किल है), इसके अलावा, यह पहले से ही परीक्षण को महंगा बनाता है। दूसरी बात, गैस स्टेशनों की ओर से पदोन्नति होने पर कंपनी के वकील संभावित समस्याओं की चेतावनी देते हैं। इस प्रकार, ए / बी परीक्षण सैद्धांतिक रूप से संभव और अच्छा है, लेकिन व्यवहार में इसे लागू करना बहुत कठिन है, बहुत अधिक संगठनात्मक समस्याएं भी हैं।

विकल्प 3 (सबसे खराब)।छात्र टी-टेस्ट का उपयोग करके, बिक्री की समय श्रृंखला लें और पिछले और वर्तमान वर्ष के फरवरी के मूल्यों की तुलना करें। ऐसा लगता है कि यह एक ही ए / बी टेस्ट होगा, लेकिन आधा-ज्ञान अज्ञानता से भी बदतर है: समय श्रृंखला के अवलोकन एक-दूसरे पर निर्भर करते हैं, परिणामस्वरूप, टी-मानदंड लागू नहीं किया जा सकता है।

विकल्प 4 (इष्टतम): सबसे सरल योजना पर विचार करें जिसमें हमारे पास बिक्री की दो पंक्तियाँ हों। लाल एक प्रचार के बिना बिक्री को इंगित करता है, नीला एक संशोधित श्रृंखला को इंगित करता है, जिसमें 4 से 6 अवलोकन से छूट थी और तदनुसार, बिक्री में वृद्धि। हमें यह मापने की आवश्यकता है कि नीली रेखा लाल रंग के ऊपर कितनी है।

हम साधारण रैखिक प्रतिगमन मॉडल की एक जोड़ी का निर्माण करते हैं।

लाल रेखा के लिए, मॉडल स्पष्ट है:

$$

$$=a +b\cdot t$$

नीली रेखा के लिए, भविष्यवक्ता जोड़ें :xt

$$

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

लाल रेखा के रूप में, हम एक सीधी रेखा के रूप में प्रवृत्ति का वर्णन करेंगे। चर पदोन्नति के दिनों में एक के बराबर है और उनकी अनुपस्थिति के दिनों में शून्य है (यदि प्रत्येक दिन बिक्री बच जाती है)। चर को चर से गुणा किया जाता है , जो बढ़ी हुई बिक्री का एक संकेतक है। यदि परिणाम नकारात्मक है, तो बिक्री गिर गई है, और वे इकाइयों द्वारा कम हो गए हैं। यह मूल योजना है। देखें चर को संकेतक या डमी चर कहा जाता है। ऐसे चर का उपयोग विभिन्न स्थितियों में किया जाता है, उदाहरण के लिए, एक-गर्म-एन्कोडिंग में। हमारे मामले में, यह एक हस्तक्षेप है, अर्थात्, एक ऐसी घटना जो अस्थायी रूप से या स्थायी रूप से श्रृंखला की प्रकृति को बदल देती है। इस तथ्य के बावजूद कि बुनियादी योजना स्पष्ट है, मॉडल के शोधन के स्तर पर समस्याएं शुरू होती हैं। प्रवृत्ति।xtxt

xtxt



प्रवृत्ति सबसे अधिक बार गैर-रैखिक होती है, इसलिए आपको यह ध्यान रखने की आवश्यकता है कि इसमें शेयरों के साथ जुड़े उतार-चढ़ाव शामिल नहीं हैं। इसके विपरीत, ध्यान रखा जाना चाहिए कि पदोन्नति के प्रभाव में उतार-चढ़ाव शामिल नहीं है, जिसे प्रवृत्ति द्वारा वर्णित किया जाना चाहिए। इस समस्या को हल करने के लिए, पैगंबर प्रक्रिया (उर्फ fbprophet) ने खुद को अच्छी तरह से साबित कर दिया। इसमें, प्रवृत्ति को एक टुकड़े-टुकड़े रैखिक फ़ंक्शन द्वारा वर्णित किया जाता है, खंड लचीले ढंग से स्थानीय प्रवृत्ति का वर्णन करते हैं।

मौसम एक श्रृंखला में एक या अधिक मौसमी घटक हो सकते हैं। उदाहरण के लिए, गैस स्टेशन पर तीन मौसम होते हैं: इंट्राडे (गैस स्टेशन पर रात में दिन के दौरान कम लोग होते हैं), इंट्राडे (शुक्रवार की तुलना में शुक्रवार को गैस स्टेशन पर अधिक ग्राहक होते हैं) और वार्षिक (गर्मियों में सर्दियों की तुलना में अधिक कारें होती हैं)। इसके अलावा, मौसमी गुणात्मक या योगात्मक है। बिक्री में, मौसमी आमतौर पर गुणात्मक होती है।

अतिरिक्त भविष्यवक्ता। मॉडल में अनिवार्य रूप से कई अतिरिक्त भविष्यवक्ता शामिल होंगे। मैं दो उदाहरण दूंगा। यदि सी ^पर हवा का तापमान 24 से नीचे है, तो हमारे पास गैसोलीन की बिक्री है, क्या छूट और न ही गैसोलीन की पेशकश की आवश्यकता है, क्योंकि कई बस इंजन शुरू करते हैं। At -24 ^पर लोग अक्सर अपनी कार पर जाने के बजाय सार्वजनिक परिवहन का उपयोग करते हैं। इसलिए, एक गुणक को मॉडल में बनाया जाना चाहिए जो कम तापमान पर बिक्री को कम करेगा।

दूसरा उदाहरण। शायद यह पूरी तरह से सेंट पीटर्सबर्ग की घटना है, लेकिन भले ही -30 सड़क ^परसी, लोग आइसक्रीम भी खरीदते हैं, लेकिन अगर बारिश होने लगी, तो खरीदार गायब हो जाते हैं। बारिश की शुरुआत से लेकर अंत तक बिक्री रुक जाती है, लेकिन ऐसा क्यों होता है यह पूरी तरह से समझ से बाहर है। और इससे कोई फर्क नहीं पड़ता, आपको केवल गुणक को मॉडल में एकीकृत करना होगा, जिससे बारिश होने पर उन घंटों में बिक्री कम हो जाएगी।

हमें व्यावसायिक प्रक्रियाओं की सामान्य समझ और समझ का उपयोग करते हुए सही और सटीक रूप से अतिरिक्त बाहरी चर जोड़ना चाहिए। डेटा विश्लेषण में, इसे फीचर इंजीनियरिंग कहा जाता है।

मॉडल में पहले से ही निम्न रूप है:

$$

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

जहां पहले जैसा ही है, और अतिरिक्त भविष्यवक्ताओं का वेक्टर है। आगे के सुधारों में साधारण रेखीय प्रतिगमन मॉडल का परित्याग शामिल है। मैं प्रचार के विवरण को कैसे सुधार सकता हूं? ऊपर चर्चा किए गए चर के संस्करण के लिए , हमारे पास समय में परिवर्तन के निम्नलिखित ग्राफ हैं:xtzt

xt

यदि कंपनी ने कीमत "अस्थायी" नहीं, बल्कि "हमेशा के लिए" बढ़ा दी, तो यह एक हस्तक्षेप होगा, जिसका प्रभाव बना हुआ है। चार्ट इस तरह दिखेगा:

यहां, बिक्री बढ़ी है (और अधिक बार - गिर गई है), और यह सब अनिश्चित काल तक रहता है।

मैं हस्तक्षेप के निम्नलिखित लचीले विवरण की सिफारिश करता हूं:

बहुत जटिल नहीं है, लेकिन बहुत सरल नहीं है। पहले, एक वृद्धि होती है, फिर कार्रवाई का प्रभाव धीरे-धीरे फीका पड़ता है। इस स्थिति में, "कार्रवाई" की शुरुआत और अंत को मैन्युअल रूप से चुना जाना चाहिए। उदाहरण के लिए, पायथन प्रोग्रामर ग्रिड-खोज को मानते हैं, जिसके साथ आप एक प्रक्रिया की शुरुआत और अंत निर्धारित कर सकते हैं।

हम एक हस्तक्षेप के एक उदाहरण पर चर्चा करने के लिए खुदाई करते हैं जो पदोन्नति नहीं है। एक सहयोगी ने "टेप" में काम किया, जहां दुकानों में से एक के सामने एक गोल चक्कर का निर्माण शुरू हुआ। इस सुपरमार्केट को प्राप्त करना बहुत असुविधाजनक था, परिणामस्वरूप - ग्राहकों का प्रवाह गिर गया। इस हस्तक्षेप के प्रभाव को ऊपर वर्णित अनुसार मापा जा सकता है। यह अनुमान लगाना आवश्यक है कि पूरी निर्माण अवधि के दौरान स्टोर में कितने ग्राहक खो गए। इसके अलावा, जब संप्रदाय पूरा हो गया था, तो खरीदारों को इस विचार के लिए इस्तेमाल किया जाना था कि इस सुपरमार्केट में जाना सुविधाजनक था। इस प्रकार, निर्माण का प्रभाव चुपचाप कम हो गया, लेकिन कुछ समय तक बना रहा, और इसे ध्यान में रखा गया।

अब हम स्टॉक के प्रभाव का मूल्यांकन करने के वास्तविक उदाहरण की ओर मुड़ते हैं। मान लीजिए हम शीतल पेय बेचते हैं। नीचे दिए गए ग्राफ़ में, पीला छूट के आकार को इंगित करता है, और नीला बिक्री की मात्रा को इंगित करता है।

कुछ अवलोकन।

सितंबर 2018 में, डिस्काउंट के कारण बिक्री में वृद्धि हुई। सब कुछ तार्किक है - मॉडल हमें इस तरह के विकास का मूल्यांकन करने की अनुमति देता है।

नवंबर 2017 में, अधिकतम छूट थी, लेकिन इसने समान स्तर पर बिक्री छोड़ दी। क्या हुआ विकास? हम एक बेहिसाब कारक के प्रभाव को मानते हैं और सावधानीपूर्वक अतिरिक्त विशेषताओं का चयन करते हैं।

जून 2017 में, एक छोटे से डिस्काउंट ने बिक्री में तेजी से वृद्धि की। शायद यह एक छूट नहीं है, लेकिन एक गर्मी गर्मी है?

दिसंबर 2019 में, निर्माता ने एक मास्टर क्लास की व्यवस्था की। वे गैस स्टेशनों पर आए और प्रवेश द्वार पर पेय पदार्थ रखे, उन्हें सजाया। नतीजतन, सामानों की गणना के कारण, बिक्री चौगुनी हो गई है। ऐसा लगता है कि हर किसी के पास उन लोगों से सीखने के लिए बहुत कुछ है जिन्होंने व्यावसायिक प्रक्रिया को अंजाम दिया है।

जाँच - परिणाम:

कभी-कभी सब कुछ वैसा ही हो जाता है, जैसा कि कभी-कभी होता है।

यदि मॉडल काम करता है, तो सब ठीक है।

लेकिन एक खराब मॉडल भी बिना मॉडल से बेहतर है। उसी के पूर्वानुमान में। एक खराब मॉडल कम से कम हमें हमारी विपणन गतिविधियों की प्रभावशीलता के बारे में सोचने देता है।

लेखक: वादिम अब्बाकुमोव, भौतिकी और गणित में पीएचडी, गज़प्रोम नेफ्ट के मुख्य विशेषज्ञ विश्लेषक।