Gerenciamento de descontos de preços: modelos para quantificar o efeito de postos de gasolina como exemplo

Continuamos a publicar relatórios entregues no RAIF 2019 (Russian Russian Intelligence Intelligence Forum). Desta vez, Vadim Abbakumov, PhD em Física e Matemática, analista chefe especialista da Gazprom Neft, compartilha sua experiência. Nós damos a ele a palavra:

No fórum de sistemas de inteligência artificial RAIF 2019 (hospedado pela Jet Infosystems), meus colegas conversaram mais sobre o progresso tecnológico e fiz uma apresentação sobre uma inovação nos processos de negócios.

Para começar - sobre como medir o efeito das promoções. Vendemos as mercadorias pelo mesmo preço, depois, durante um mês, ele teve desconto e, em seguida, voltamos ao preço antigo. Agora você precisa entender se a empresa permaneceu no escuro, quantas vendas aumentaram.

Por um lado, os autores de livros didáticos argumentam que em 60% dos casos, a realização de promoções com desconto não traz o efeito desejado, tais ações não são lucrativas. Por outro lado, o volume e a frequência das promoções estão crescendo. Por exemplo, as vendas de café com desconto são de 69%.

Por que isso acontece? De fato, quase nenhuma empresa possui dados sobre quais ações eram lucrativas e quais não eram lucrativas. Não há dados sobre a magnitude das perdas. Como resultado, não há ferramentas de controle de processo.

Há muito tempo sabemos como medir a eficácia das promoções, mas para um grande número de empresas isso ainda é um problema - elas recorrem constantemente a mim para consultas: como fazê-lo com competência? Então eu decidi falar sobre isso.

Por exemplo, leve a nossa empresa. Você pode perguntar: o que a Gazprom Neft tem a ver com isso? Eles perfuram poços, produzem petróleo. Isso é verdade, mas não tudo. A Gazprom Neft é uma das líderes na venda de ... café. Cada posto de gasolina (com 800 pontos) possui loja própria e, em cada uma, organizamos promoções, tentando estimular as compras.

Primeiro, discutimos métodos populares, mas não ideais.

Opção 1. Portanto, meça o efeito das promoções de 80% das empresas. Se os descontos ocorreram em fevereiro, compare com as vendas de fevereiro do ano anterior. A diferença é o resultado da promoção. Se houve uma sobreposição (por exemplo, em fevereiro passado, houve também algum tipo de promoção e é impossível comparar com esse esquema), calculamos a média aritmética das vendas em janeiro e março! Esta opção calcula perfeitamente no Excel, mas na verdade não é ideal. O fato é que isso ignora uma mudança na tendência ou uma mudança nos componentes sazonais.

opção 2Teste A / B - realização de uma promoção apenas em parte das cadeias de lojas, a fim de comparar os números de vendas nelas e nas lojas onde não houve promoção. Essa é uma ferramenta poderosa e interessante, mas não é simples. Nossos especialistas dizem que a logística está se tornando muito complicada (é difícil organizar uma ação em um posto de gasolina e não realizá-la em outro). Além disso, isso já torna o teste caro. Em segundo lugar, os advogados da empresa alertam para possíveis problemas se a promoção for realizada por parte de postos de gasolina. Assim, o teste A / B é teoricamente possível e bom, mas na prática é muito difícil aplicar muitos problemas organizacionais.

Opção 3 (pior).Faça a série temporal de vendas e compare os valores em fevereiro do ano anterior e atual, usando o teste t de Student. Parece que esse será o mesmo teste A / B, mas o meio conhecimento é pior que a ignorância: as observações das séries temporais dependem umas das outras, como resultado, o critério t não pode ser aplicado.

Opção 4 (ideal): considere o esquema mais simples em que temos duas linhas de vendas. A cor vermelha indica vendas sem estoque, o azul indica uma série modificada, na qual de 4 a 6 observações houve descontos e, consequentemente, um aumento nas vendas. Precisamos medir o quanto a linha azul está acima do vermelho.

Construímos um par de modelos de regressão linear comuns.

Para a linha vermelha, o modelo é óbvio:

$$

$$=a +b\cdot t$$

Para a linha azul, adicione o preditor :xt

$$

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

Quanto à linha vermelha, descrevemos a tendência como uma linha reta. A variável é igual a um nos dias das promoções e zero nos dias da ausência deles (se as vendas para cada dia forem salvas). A variável é multiplicada pela variável , que é um indicador de aumento de vendas. Se o resultado for negativo, as vendas caíram e diminuíram em unidades. Este é o esquema básico. As variáveis ​​de exibição são chamadas de indicadores ou variáveis ​​dummy. Tais variáveis ​​são usadas em diferentes situações, por exemplo, na codificação one-hot. No nosso caso, é uma intervenção, ou seja, um evento que muda temporária ou permanentemente a natureza da série. Apesar do fato de o esquema básico ser óbvio, os problemas começam no estágio de refinamento do modelo. A tendência.xtxt

xtxt



Geralmente, a tendência não é linear, portanto, é necessário ter cuidado para não incluir altos e baixos associados aos estoques. Por outro lado, deve-se tomar cuidado para garantir que o efeito da promoção não inclua altos e baixos, que devem ser descritos pela tendência. Para resolver esse problema, o procedimento do Profeta (aka fbprophet) mostrou-se bem. Nele, a tendência é descrita por uma função linear por partes, os segmentos descrevem de forma flexível a tendência local.

Sazonalidade Uma série pode ter um ou mais componentes sazonais. Por exemplo, em um posto de gasolina, existem três estações: intradiário (à noite em um posto de gasolina, há menos pessoas do que durante o dia), intradiário (na sexta-feira há mais clientes em um posto de gasolina do que na terça-feira) e anual (no verão, há mais carros do que no inverno). Além disso, a sazonalidade é multiplicativa ou aditiva. Nas vendas, a sazonalidade é geralmente multiplicativa.

Preditores adicionais. O modelo incluirá inevitavelmente muitos preditores adicionais. Vou dar dois exemplos. Se a temperatura do ar está abaixo de 24 ^em C, então temos vendas de gasolina prosyadut, o desconto nem oferta de gasolina não é necessário, porque muitos simplesmente ligou o motor. Aos -24 ^{em diante As} pessoas costumam usar o transporte público em vez de ir ao carro dele. Portanto, um multiplicador deve ser incorporado ao modelo que reduzirá as vendas a baixas temperaturas.

Segundo exemplo. Talvez este seja um fenômeno puramente de São Petersburgo, mas mesmo se o -30 na rua ^deC, as pessoas até compram sorvete, mas se começou a chover, os compradores desaparecem. Do começo ao fim da chuva, as vendas simplesmente param, mas por que isso acontece é completamente incompreensível. E isso não importa, você só precisa integrar o multiplicador ao modelo, o que reduzirá as vendas naquelas horas em que chove.

Devemos adicionar variáveis ​​externas adicionais corretamente e com precisão, usando o bom senso e a compreensão dos processos de negócios. Na análise de dados, isso é chamado de engenharia de recursos.

O modelo já possui o seguinte formato:

$$

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

onde é o mesmo de antes e é o vetor de preditores adicionais. Outras melhorias incluem o abandono de modelos de regressão linear comuns. De que outra forma posso melhorar a descrição da promoção? Para a versão da variável discutida acima, temos o seguinte gráfico da mudança no tempo:xtzt

xt

Se a empresa elevou o preço não "temporariamente", mas "para sempre", será uma intervenção cuja influência permanece. O gráfico ficará assim:

Aqui, as vendas aumentaram (e mais frequentemente - caíram), e tudo isso dura indefinidamente.

Eu recomendo a seguinte descrição flexível da intervenção:

Não é muito complicado, mas não muito simples. Primeiro, há um aumento, depois o efeito da ação desaparece lentamente. Nesse caso, o início e o final da "ação" devem ser selecionados manualmente. Por exemplo, os programadores Python adoram a pesquisa em grade, com a qual você pode determinar o início e o fim de um processo.

Discutimos para discutir um exemplo de intervenção que não é uma promoção. Um colega trabalhou no "Tape", onde em frente a uma das lojas começou a construir uma rotatória. Chegar a este supermercado foi muito inconveniente, como resultado - o fluxo de clientes caiu. O efeito desta intervenção pode ser medido como descrito acima. É necessário estimar quantos clientes a loja perdeu durante todo o período de construção. Além disso, quando o desenlace foi concluído, os compradores precisavam se acostumar com a ideia de que era conveniente chegar a esse supermercado. Assim, o efeito da construção diminuiu silenciosamente, mas persistiu por algum tempo, e isso teve que ser levado em consideração.

Agora nos voltamos para o exemplo real de avaliação do efeito de uma ação. Suponha que vendamos refrigerantes. No gráfico abaixo, amarelo indica o tamanho do desconto e azul indica o volume de vendas.

Algumas observações.

Em setembro de 2018, o desconto levou a um aumento nas vendas. Tudo é lógico - o modelo nos permite avaliar esse crescimento.

Em novembro de 2017, houve um desconto máximo, mas deixou as vendas no mesmo nível baixo. Que crescimento atrofiado? Assumimos a influência de um fator não contabilizado e selecionamos cuidadosamente características adicionais.

Em junho de 2017, um pequeno desconto aumentou acentuadamente as vendas. Talvez não seja um desconto, mas um calor de verão?

Em dezembro de 2019, o fabricante organizou uma master class. Chegaram a postos de gasolina e colocaram bebidas na entrada, decorando-as. Como resultado, simplesmente devido ao cálculo das mercadorias, as vendas quadruplicaram. Parece que todo mundo tem muito a aprender com quem trabalhou no processo de negócios.

Constatações:

Às vezes, tudo corre como deveria, às vezes o oposto.

Se o modelo funcionar, está tudo bem.

Mas mesmo um modelo ruim é melhor que nenhum modelo. Na previsão do mesmo. Um modelo ruim pelo menos nos faz pensar na eficácia de nossas atividades de marketing.

Autor: Vadim Abbakumov, Ph.D. em Física e Matemática, analista chefe da Gazprom Neft.