Manajemen diskon harga: model untuk mengukur pengaruh pompa bensin sebagai contoh

Kami terus menerbitkan laporan yang dikirim di RAIF 2019 (Forum Inteligensi Buatan Rusia). Kali ini, Vadim Abbakumov, PhD dalam Fisika dan Matematika, kepala analis ahli di Gazprom Neft, berbagi pengalamannya. Kami memberinya kata:

Di forum sistem intelijen buatan RAIF 2019 (diselenggarakan oleh Jet Infosystems), rekan-rekan saya berbicara lebih banyak tentang kemajuan teknologi, dan saya membuat presentasi tentang terobosan dalam proses bisnis.

Untuk mulai dengan - tentang mengukur efek promosi. Kami menjual barang-barang dengan harga yang sama, kemudian selama satu bulan dia pergi dengan diskon, dan kemudian kami kembali ke harga lama. Sekarang Anda perlu memahami apakah perusahaan tetap dalam kegelapan, berapa banyak penjualan yang meningkat.

Di satu sisi, penulis buku teks berpendapat bahwa dalam 60% kasus memegang promosi diskon tidak membawa efek yang diinginkan, tindakan seperti itu tidak menguntungkan. Di sisi lain, volume dan frekuensi promosi meningkat. Misalnya, penjualan kopi diskon adalah 69%.

Kenapa itu terjadi? Faktanya, hampir tidak ada perusahaan yang memiliki data saham mana yang menguntungkan dan mana yang tidak menguntungkan. Tidak ada data tentang besarnya kerugian. Akibatnya, tidak ada alat kontrol proses.

Kami sudah lama tahu bagaimana mengukur efektivitas promosi, tetapi bagi sejumlah besar perusahaan ini masih menjadi masalah - mereka terus-menerus meminta saya untuk berkonsultasi: bagaimana melakukannya dengan kompeten? Jadi saya memutuskan untuk membicarakannya.

Sebagai contoh, ambil perusahaan kami. Anda mungkin bertanya: apa hubungan Gazprom Neft dengan itu? Mereka mengebor sumur, menghasilkan minyak. Ini benar, tetapi tidak semua. Gazprom Neft adalah salah satu pemimpin dalam penjualan ... kopi. Setiap pompa bensin (dan ini adalah 800 poin) memiliki toko sendiri, dan di masing-masing kami mengatur promosi, mencoba merangsang pembelian.

Pertama, kami membahas metode populer tetapi tidak optimal.

Opsi 1. Jadi, ukur efek promosi dari 80% perusahaan. Jika diskon pada bulan Februari, maka bandingkan dengan penjualan Februari tahun sebelumnya. Perbedaannya adalah hasil dari promosi. Jika ada overlay (misalnya, Februari lalu ada juga semacam promosi dan tidak mungkin untuk membandingkan menggunakan skema ini), maka kami mengambil rata-rata aritmatika penjualan pada bulan Januari dan Maret! Opsi ini menghitung dengan sempurna di Excel, tetapi sebenarnya tidak optimal. Faktanya adalah bahwa ini mengabaikan perubahan tren atau perubahan komponen musiman.

pilihan 2A / B-test - mengadakan promosi hanya di sebagian rantai toko untuk membandingkan angka penjualan di dalamnya dan di toko-toko di mana tidak ada promosi. Ini adalah alat yang kuat dan keren, tetapi tidak cukup sederhana. Pakar kami mengatakan bahwa logistik menjadi sangat rumit (sulit untuk mengatur tindakan di satu pompa bensin dan tidak menahannya di pompa bensin lain), apalagi, ini sudah membuat pengujian mahal. Kedua, pengacara perusahaan memperingatkan kemungkinan masalah jika promosi diadakan di pihak SPBU. Dengan demikian, tes A / B secara teori dimungkinkan dan baik, tetapi dalam praktiknya terlalu sulit untuk diterapkan, terlalu banyak masalah organisasi.

Opsi 3 (terburuk).Ambil rangkaian waktu penjualan dan bandingkan nilainya pada bulan Februari tahun sebelumnya dan saat ini, menggunakan uji-t Student. Tampaknya ini akan menjadi tes A / B yang sama, tetapi setengah pengetahuan lebih buruk daripada ketidaktahuan: pengamatan dari deret waktu bergantung satu sama lain, sebagai akibatnya, kriteria-t tidak dapat diterapkan.

Opsi 4 (optimal): Pertimbangkan skema paling sederhana di mana kami memiliki dua baris penjualan. Merah menunjukkan penjualan tanpa stok, biru menunjukkan seri yang dimodifikasi di mana diskon diamati dari 4 menjadi 6, dan, akibatnya, meningkatkan penjualan. Kita perlu mengukur seberapa banyak garis biru di atas garis merah.


Kami membangun sepasang model regresi linier biasa.

Untuk garis merah, modelnya jelas:

$$

$$=a +b\cdot t$$

Untuk garis biru, tambahkan prediktor :xt

$$

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

Adapun garis merah, kami akan menggambarkan tren sebagai garis lurus. Variabelnya sama dengan satu pada hari promosi dan nol pada hari ketidakhadiran mereka (jika penjualan untuk setiap hari disimpan). Variabel dikalikan dengan variabel , yang merupakan indikator peningkatan penjualan. Jika hasilnya negatif, maka penjualan turun, dan unit-unitnya menurun . Ini adalah skema dasar. Variabel tampilan disebut indikator atau variabel dummy. Variabel-variabel seperti itu digunakan dalam situasi yang berbeda, misalnya, dalam one-hot-encoding. Dalam kasus kami, ini adalah intervensi, yaitu, peristiwa yang sementara atau permanen mengubah sifat seri. Terlepas dari kenyataan bahwa skema dasarnya jelas, masalah dimulai pada tahap penyempurnaan model. Tren.xtxt

xtxt



Tren ini paling sering non-linier, jadi harus diperhatikan bahwa itu tidak termasuk naik turun terkait dengan saham. Sebaliknya, harus diperhatikan bahwa pengaruh promosi tidak termasuk pasang surut, yang harus dijelaskan oleh tren. Untuk mengatasi masalah ini, prosedur Nabi (alias fbprophet) membuktikan dirinya dengan baik. Di dalamnya, tren digambarkan oleh fungsi linear piecewise, segmen secara fleksibel menggambarkan tren lokal.

Musiman Serangkaian mungkin memiliki satu atau beberapa komponen musiman. Misalnya, di pompa bensin ada tiga musim: intraday (pada malam hari di pompa bensin ada lebih sedikit orang daripada siang hari), intraday (pada hari Jumat ada lebih banyak pelanggan di pompa bensin daripada pada hari Selasa) dan tahunan (di musim panas ada lebih banyak mobil daripada di musim dingin). Selain itu, musiman adalah multiplikasi atau tambahan. Dalam penjualan, musiman biasanya multiplikasi.

Prediktor tambahan. Model ini pasti akan mencakup banyak prediktor tambahan. Saya akan memberikan dua contoh. Jika suhu udara di bawah 24 ^pada C, maka kami memiliki penjualan bensin prosyadut, berapa diskon atau penawaran bensin tidak diperlukan, karena banyak yang hanya menyalakan mesin. Pada -24 ^pada Dengan orang sering menggunakan transportasi umum daripada pergi ke mobilnya. Oleh karena itu, pengali harus dibangun ke dalam model yang akan mengurangi penjualan pada suhu rendah.

Contoh kedua. Mungkin ini adalah murni fenomena St Petersburg, tetapi bahkan jika -30 di jalan ^dariC, orang bahkan membeli es krim, tetapi jika mulai turun hujan, maka pembeli menghilang. Dari awal hingga akhir hujan, penjualan berhenti begitu saja, tetapi mengapa ini terjadi benar-benar tidak dapat dipahami. Dan itu tidak masalah, Anda hanya perlu mengintegrasikan pengganda ke dalam model, yang akan mengurangi penjualan pada jam-jam saat hujan.

Kita harus menambahkan variabel eksternal tambahan dengan benar dan akurat, menggunakan akal sehat dan pemahaman proses bisnis. Dalam analisis data, ini disebut rekayasa fitur.

Model sudah memiliki bentuk berikut:

$$

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

di mana sama dengan sebelumnya, dan merupakan vektor dari prediktor tambahan. Perbaikan lebih lanjut termasuk ditinggalkannya model regresi linier biasa. Bagaimana lagi saya bisa meningkatkan deskripsi promosi? Untuk versi variabel yang dibahas di atas, kami memiliki grafik perubahan waktu berikut:xtzt

xt


Jika perusahaan menaikkan harga bukan “sementara”, tetapi “selamanya”, ini akan menjadi intervensi, yang pengaruh tetap ada. Bagan akan terlihat seperti ini:


Di sini, penjualan telah meningkat (dan lebih sering - telah jatuh), dan semua ini berlangsung tanpa batas.

Saya merekomendasikan uraian intervensi yang fleksibel berikut ini:


Tidak terlalu rumit, tetapi tidak terlalu sederhana. Pertama, ada kenaikan, maka efek dari tindakan perlahan memudar. Dalam hal ini, awal dan akhir dari "tindakan" harus dipilih secara manual. Misalnya, programmer Python sangat menyukai pencarian jaringan, yang dengannya Anda dapat menentukan awal dan akhir suatu proses.

Kami ngelantur untuk membahas contoh intervensi yang bukan promosi. Seorang kolega bekerja di "Tape", di mana di depan salah satu toko mulai membangun bundaran. Mendapatkan ke supermarket ini sangat merepotkan, akibatnya - aliran pelanggan turun. Efek dari intervensi ini dapat diukur seperti dijelaskan di atas. Perlu untuk memperkirakan berapa banyak pelanggan yang hilang toko selama seluruh periode konstruksi. Ditambah lagi, ketika denouement selesai, pembeli harus terbiasa dengan gagasan bahwa nyaman untuk sampai ke supermarket ini. Dengan demikian, efek konstruksi diam-diam surut, tetapi bertahan selama beberapa waktu, dan ini harus diperhitungkan.

Sekarang kita beralih ke contoh nyata mengevaluasi efek suatu saham. Misalkan kita menjual minuman ringan. Pada grafik di bawah ini, kuning menunjukkan ukuran diskon, dan biru menunjukkan volume penjualan.


Beberapa pengamatan.

Pada bulan September 2018, diskon menyebabkan peningkatan penjualan. Semuanya logis - model ini memungkinkan kami untuk mengevaluasi pertumbuhan tersebut.

Pada November 2017, ada diskon maksimum, tetapi meninggalkan penjualan pada level rendah yang sama. Apa yang menghambat pertumbuhan? Kami mengasumsikan pengaruh faktor yang tidak terhitung dan memilih karakteristik tambahan dengan hati-hati.

Pada Juni 2017, diskon kecil meningkatkan penjualan secara tajam. Mungkin ini bukan diskon sama sekali, tapi musim panas?

Pada Desember 2019, pabrikan mengatur kelas master. Mereka datang ke pompa bensin dan meletakkan minuman di pintu masuk, mendekorasi mereka. Akibatnya, hanya karena perhitungan barang, penjualan menjadi empat kali lipat. Tampaknya setiap orang memiliki banyak hal untuk dipelajari dari mereka yang telah mengerjakan proses bisnis.

Temuan:

Terkadang semuanya berjalan seperti seharusnya, terkadang sebaliknya.

Jika modelnya berhasil, semuanya baik-baik saja.

Tetapi bahkan model yang buruk lebih baik daripada tidak ada model. Dalam peramalan yang sama. Model yang buruk setidaknya membuat kita berpikir tentang efektivitas kegiatan pemasaran kita.

Penulis: Vadim Abbakumov, Ph.D dalam Fisika dan Matematika, kepala analis ahli di Gazprom Neft.