Инструментарий

Что такое Пространственная аналитика

0

Наверное, кто хоть сколько-нибуть занят в аналитике, уже встречал данное понятие, но если нет, давайте я Вам попробую объяснить что это такое и как это можно использовать.
Что же такое «Пространственная аналитика» — это собственно говоря любая аналитика, привязанная к географическим координатам месторасположения изучаемого объекта. При этом объектом анализа может выступать любой предмет, имеющий возможность привязки к месторасположению. При этом под месторасположением не обязательно можно понимать точку на географической карте, но и любое другое место, например, в доме, в торговом центре и т.д.
Если для Вас месторасположение имеет хоть сколько-нибудь важное значение, то обратите внимание на пространственную аналитику.
На мой взгляд, это конечно же больше маркетинговый ход с точки зрения выделения инструментария вендоров в отдельные субпродукты.
Но с другой стороны ход достаточно логичный, ведь географический фактор и фактор месторасположения объекта очень сильно влияет иногда на изучаемый предмет, будь-то расположение бутика в торговом центре, будь-то плотность населения в конкретном регионе, удаленность от складов и т.д. Примеров можно найти множество. И это может очень сильно зацепить потенциального заказчика.
С точки зрения прорывного инструментария, на мой взгляд здесь особо выделить и нечего.
Поэтому, если Вы проводите аналитику в разрезе регионов, то Вы уже можете говорить, о том, что применяете Пространственную аналитику.

Удачи Вам!

Как оценить Customer LifeTime Value (CLV)

0

Сегодня я делюсь еще одним интересным калькулятором, в этот раз от Harvard Business School Publishing по оценке Customer LifeTime Value (CLV).

А вот собственно и ссылка. Переходите на вкладку TOOL и наслаждаетесь. Cumulative Net Present Value это и есть CLV.

Что же такое CLV? CLV — это сумма денег, которую приносит Вам клиент в течение всего жизненного цикла с Вами (пока он покупает товар у Вас), дисконтированная на время и сумму денег, потраченную на привлечение клиента. CLV очень важный показатель с точки зрения построения долгосрочных отношений с клиентом. Если CLV отрицательный, то по-хорошему Вам надо менять стратегию взаимоотношения со своими клиентами. Возможно, начать сегментировать своих клиентов и дифференцировать подход или снизить затраты на привлечение (Acquisition cost). В любом случае, Вы по-новому посмотрите на взаимоотношения со своим клиентом.

Удачи в применении!

Бизнес-симуляции как средство обучения

0

Вчера состоялось мероприятие «Аналитические решения IBM — новые возможности для руководителей и лиц принимающих решения», организатором которого, как Вы наверное и догадались, выступил IBM. Вашему покорному слуге удалось поучаствовать в данном мероприятии.
Что могу отметить, так это формат мероприятия. Он, хотя и носил рекламный характер, все же этого не чувствовалось.
Мероприятие проходило в формате симуляции живого бизнес-кейса, всех участников разбили на 3 команды и все участники были менеджерами одной и той же компании с одинаковыми начальными условиями. Задача участников была задать параметры модели бизнеса таким образом, чтобы достичь поставленных целей к концу года. Участники могли влиять на ценообразование, используя знание об эластичности, на частоту коммуникации с клиентом, перераспределять маркетинговые бюджеты на каналы коммуникаций с клиентом, перераспределять ресурсы с одного рынка на другой и т.д. Каждый квартал можно было изменять параметры модели, таким образом, чтобы пытаться влиять на ситуацию. Модель очень близко напоминала рыночную ситуацию, хотя и носила упрощенный характер по некоторым параметрам. А по некоторым областям действительно очень напоминала рыночную ситуацию.
Сама модель заставила задуматься, можно ли похожую модель создать на своем предприятии, обладая огромным объемом данных. Действительно ведь данных в телекоммуникационной компании их очень много и можно моделировать исход события, воздействуя на определенные факторы. И если хотя бы не 100% доверять модели в принятии решения, то в качестве обучающего кейса довольно полезно использовать. Как минимум, приходит новый человек в компанию, и понимает некий упрощенный скелет бизнеса.
В своей практике я часто строил модели для прогнозирования событий в будущем, строя модели на исторических данных и многие из них давали просто отличные результаты.
Поэтому, если Вы действительно строите успешный бизнес и хотите, чтобы все сотрудники понимали как устроен бизнес, на какие параметры стоит влиять, чтобы увеличивать эффективность Вашего бизнеса, присмотритесь к бизнес-симуляции, это действительно стоящий инструмент.
Могу сказать, что это не первое подобное мероприятие, на котором мне удалось побывать, но надеюсь и не последнее. Потому как действительно лучше понимаешь и структуру бизнеса и как рынок реагирует на твои решения. Для обучения действительно очень полезный формат. Не сказать, что я научился чему-то новому, но лишний раз попрактиковаться очень было интересно.
Удачи Вам и эффективных бизнес-решений!


Купоны — миф про неэффективность

4

Сегодня мне хотелось бы развеять самый большой миф, который существует в среде специалистов по поводу неэффективности участия компаний в групповых продажах (сервис типа Groupon, количество которых в последнее время сильно увеличилось).
В последнее время на Западе некоторые специалисты стали заявлять о неэффективности участия компаний в использования таких сервисов.
Естественно, прежде чем предложить огромную скидку на свои услуги, необходимо осуществить грамотный расчет.
Итак, почему участие в таких программах выгодно, когда выгодно и почему:
1. Если Вы могли заметить, то в основном доступны купоны в компаниях, которые обеспечивают времяпрепровождения клиентов. Практически не найти готовую продукцию со скидкой. Есть такое понятие как ЧНН — часы наибольшей нагрузки. Так вот в такие часы, скорее всего, купоны Вы найти и не сможете. Но в часы, когда персонал достаточно свободен, настает самая выгодная пора для участия в таких мероприятиях. Издержки предприятий практически постоянны, а выручка падает, ее можно восстановить как раз за счет участия в таких сервисах.
2. Ваши издержки в единицу времени изменяются много меньше, чем изменяется финансовый поток. Существует такое понятие как сезонность продаж. В низкие сезоны, необходимо привлечь покупателя любой ценой.
3. Кафе/ресторанам также выгодно участие. Количество простаивающих столиков также можно оценить. Если принять во внимание, что часть из них простаивает, в то время как затраты Ваши не снижаются. Даже получая 10% от чека, если объем переменных издержек меньше, это может быть уже выгодно.

Давайте постараемся понять когда участие выгодно, а когда нет. Сделаем небольшие обозначения и выведем математическую модель максимальной скидки.
Итак:
K1 — количество клиентов/занятых столиков и т.д.в ЧНН
K2 — количество клиентов/занятых столиков и т.д.в низкие сезоны
R — средний чек на клиента/столик.
d — максимальная скидка.
w — вознаграждение сервиса за привлечение 1 клиента/столика.
С1 — постоянные затраты
С2 — переменные затраты на 1 клиента/столик.

M — максимальное число клиентов/столиков, которые Вы готовы обслужить.
Итак в ЧНН:
наша выручка составит = K1*R
Расходы составят = C1 + C2*K1

В часы наименьшей нагрузки:

наша выручка составит = K2*R
Расходы составят = C1 + C2*K2

Теперь нам надо привлечь некоторое количество клиентов X:

K2*R + X*R*(1-d) — новые доходы

С1+С2*(K2+X) + w*X — новые расходы

Дальше Ваша задача составить неравенство следующего вида и решить его относительно d:

K2*R — (C1+C2*K2) < K2*R + X*R*(1-d) — (C1+С2*(K2+X) + w*X)

с учетом следующего ограничения K2+X<=M

Раскрывая скобки и сокращая, получаем следующую систему неравенств:

d<(R-C2-w)/R,

K2+X<=M, хотя это иногда не выполняют и получают волну критики в свой адрес.

при соблюдении этих неравенств, привлечение клиентов будет выгодно, в противном случае не выгодно.

Модель можно усложнять, если есть статистика по использованию сервиса, вводя вероятность того, что часть клиентов могут купить, но не воспользоваться сервисом.

Помните, чтобы клиенты остались довольны не забываем, что:

K2+X<=M, хотя это иногда не выполняют и получают волну критики в свой адрес. Понятно, что в этом случае увеличивается вероятность того, что клиенты заплатят и не воспользуются сервисом, т.е. заплатят только за возможность. Но вероятность того, что они вернутся к Вам снова, будет в этом случае минимальна.

Эффективных Вам акций!

Помните, всегда можно построить математическую модель и посчитать эффективность любого мероприятия. О том, как оценивать эффективность, читайте на страницах моего блога.

Удачи Вам!


Бесплатный сервис для прогнозирования

2

Сегодня я Вам расскажу об одном сервисе, который построен по модели SaaS, в тестировании которого я принимал непосредственное участие и предложил одну доработку сервиса, которую охотно приняли на вооружение.

Но обо все по порядку. URL ресурса: ForecasterOnline.com. Авторы сервиса — Индусы.

Все, что нужно для начала использования сервиса — это зарегистрироваться. Пока сервис бесплатен для пользователей. На входе вы задаете Excel таблицу с данными, на выходе построенный прогноз и возможность выгрузить прогнозные данные в CSV файл, который также можно просмотреть в Excel.

На сегодняшний момент реализованы следующие модели для прогнозирования:

Линейная регрессия (Single Variable Regression Model)

В качестве модели рассматривается уравнение вида Y=A*X+B, где Y — предсказываемая величина, X — независимая переменная, которая может показывать, например, период. A, B — искомые параметры.

Полиномиальная регрессия 2-ого и 3-его порядка (Single Variable Polynomial Regression Model)

В качестве модели рассматривается уравнение вида Y=A*X^2+B*X+C или Y=A*X^3+B*X^2+C*X+D, где Y — предсказываемая величина, X — независимая переменная, которая может показывать, например, период. A, B, С, D — искомые параметры.

Скользящее среднее (Moving Average Method)

Самый простой из ныне известных методов прогнозирования. В качестве прогноза берется среднее арифметическое за некоторое количество рассматриваемых периодов. По умолчанию берется среднее за 5 периодов. Самый простой прогноз это взять значение предыдущего периода — в литературе Вы можете встретить такое понятие как «Наивная модель». Довольно часто применяется на практике, если необходимо, например, план продаж распределить по устоявшемуся соотношению между точками реализации. В качестве прогноза процента используется предыдущее фактическое значение.

Взвешенное скользящее среднее (Weighted Moving Average Method)

В отличии от предыдущего метода исторические значения взвешиваются по определенным весам. Можно варьировать значимость исторических данных. По умолчанию в качестве модели используется среднее по двум значениям с весами 0,7 и 0,3. Изменяя параметры весов, можно учитывать небольшое влияние исторических данных и больший вес данных, которые произошли в недавнем прошлом.

Экспоненциальное сглаживание (Exponential Smoothing)

Метод очень похож на предыдущий, чем более давнее событие тем меньший вес оно имеет. Чем давность события меньше,тем больше оно учитывается.

Простое экспоненциальное сглаживание (Single Exponential Smoothing)

Модель больше подходит когда данные не показывают какого-либо тренда или сезонности. Данные перед прогнозированием сглаживаются.

Двойное экспоненциальное сглаживание (Double Exponential Smoothing)

Для сглаживания применяется модель Хольта. Подходит для прогнозирования, когда в данных прослеживается линейный тренд без сезонности.

Тройное экспоненциальное сглаживание (Triple Exponential Smoothing)

Модель подходит для прогнозирования данных, в которых прослеживается и тренд и сезонность.

Автоматическое нахождение модели (Best Fit Model) — данная опция была добавлена авторами после моей рекомендации.

Выбирает автоматически модель для прогнозирования исходя из минимума ошибки прогноза и максимума точности модели.

Данная опция подходит для людей не очень разбирающихся в методах прогнозирования, но желающих найти оптимальную модель для прогнозирования. Есть и негативный момент применения данной опции. Иногда лучше взять более устойчивую модель, нежели более точную на исторических данных. Поэтому лучше аккуратно подходить к использованию данной опции и все же протестировать несколько моделей, которые дают хорошие результаты, перед выбором лучшей.

Если у Вас остались вопросы по применению методов, я постараюсь детально освятить методы нахождения и критерии оценки моделей прогнозирования в другой раз.

Ну что же удачи авторам и удачного вам применения сервиса!



Вверх