Инструментарий

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!



IBM некоторые новости и обзор Cognos TM1

0

Вчера был на встрече в IBM, смотрел функционал системы бюджетирования Cognos TM-1, которая также как и Oracle Hyperion Planning, построена на многомерной СУБД.

Какие бы я интересности выделил в этой системе. Система может выступать в качестве реального инструмента аналитика для планирования продаж. Реализован функционал автоматической увеличения показателей по году с учетом сезонности, распределения по подразделениям и товарным категориям. Достаточно встать на итоговую цифру, указать, что она должна увеличиться на столько-то, указать какие периоды не должны меняться, указать какие категории должны участвовать в увеличении и система сама распределит по пропорции данные показатели. Поидее ничего особенно, достаточно также поупражнятся в Excel-е, но у кого несколько тысяч товарных категорий, тот поймет, что если по каждой товарной категории необходимо заложить свою логику, то необходимо взять ряд, перенести его, рассчитать доли, умножить сумму увеличения на каждую из этих долей, после чего добавить к исходному показателю. Достаточно трудоемко, здесь все реализовано много проще.

Доступен как Web-интерфейс, так и Excel, реализована функция write для изменения данных в БД. Можно менять в Excel-е и сохранять изменения на сервере. Кто знаком с BI-системами, тот понимает что там только функция read, поэтому для полноценной аналитики BI-системы не очень-то подходят. Хотя в OHP это тоже есть.

Понятно, что есть базовый статический функционал, свои мини-дешборды, которые реально отображают ключевые показатели, очень удобно визуально, когда количество подразделений большое, проверять на адекватность финансовые показатели, выводя на дешборды, например маржу, динамику выручки и т.д.

В общем у кого есть потребность в реальном инструменте для прогнозирования, анализа финансовых показателей, система в данном случае очень гибка. Но как и все продукты IBM имеет недостаток в виде цены.

Еще одна приятная новость для пользователей SAP. Все-таки SAP и IBM договорились по поводу использования SPSS совместно с решениями SAP в качестве аналитической части. Если бы не договорились, SAP бы значительно ослабил позиции. А так пока еще повисят в лидерах.

Удачи Вам в выборе инструментария!


Проблемы IT отрасли в России

2

Сегодня я хотел бы порассуждать о проблемах IT отрасли в России. Все больше на форумах всплывают сообщения такого плана, вот лишь несколько из них:

1. CRM мертв

2. CRM в России не работает

3. Да ни черта оно не работает, ну внедрили мы и толку, результат нулевой, штат раздули, а финансовые показатели на том же уровне.

Помню как-то давно приехал IBM в гости к нашей компании по вопросу модернизации IT-инфрастуктуры. Пригласили на встречу бизнес в качестве экспертов по направлениям: продажи, маркетинг, обслуживание, продуктологи. Я попал в качестве эксперта по маркетингу. Попросили нас заполнить опросники. Простые опросники, но ответы на эти вопросы меня заставили задуматься.

Одним из вопросов был такой, а как блок IT участвует в бизнесе компании? Ответы примерно следующего содержания:

1. Никак не участвует

2. Закрывает лишь вопросы, связанные с проблемами пользователей.

3. Проводят экспертизу требований по автоматизации и предлагают решение

4. Активно участвуют в увеличении эффективности бизнеса, заранее продумывают стратегию модернизации ПО, рекомендуют бизнесу ПО.

В общем суть отражает, стоит ли говорить что оценки со стороны бизнеса выше 3-ки не поднимались, и то я могу сказать, что на тот момент я считал наш блок IT просто отличным.

Отсюда, первая проблема — нет в блоке IT нормальной бизнес экспертизы.

И это проблема не только внутреннего IT, но и крупных интеграторов. Да, ребята классно разбираются в софте, знают как его внедрить, но на этом услуга заканчивается. Если отсутствует внутренняя экспертиза, а, как правило, она отсутствует, потому как внутренний IT блок с трудом справляется с теми задачками, которые им подкидывает бизнес, что уж там до интереса к новинкам ПО и бизнес-экспертизы.

Бизнес-коллеги как правило слабо разбираются в ПО и порой не понимают какое программное обеспечение способно решить их проблему. Им что-то предлагают вендоры, они ухватываются за некий кусочек, который вроде бы частично решает их проблемы, а потом CRM систему вдруг стараются доточить до BI-системы, системы Inventory и т.д.

А потом начинают жалобы, CRM-системы не работают.

Вторая проблема, отсутствие бизнес экспертизы у вендора или интеграторов, но есть исключения, крайне редкие. Например, компания Terradata набирает бизнес-консультантов для продвижения своих хранилищ и ПО. Т.е. основное требование, все же не IT, а бизнес требования. Консультанты находят задачу, которая может быть решена для заказчиков, как правило требующая больших вычислительных мощностей, делают бесплатный стенд, проводят демонстрацию, а затем предлагают свое хранилище и демонстрируют на сколько быстро и успешно эта инфраструктура справляется с такой задачей, при этом решается бизнес-задача.

Присутствует консалтинг также у других вендоров и интеграторов, но могу сказать одно, их стоимость настолько большая, что прибегать к их помощи могут только очень крупные заказчики. У первых стоимость намного больше, чем у вторых. Упомянутая Terradata тоже не из дешевых.

Поэтому, при внедрении лучше бы чтобы в компании была сильная внутренняя экспертиза, иначе Вы пополните стройные ряды заказчиков, внедрение проектов в которых провалилось.

Если Вы не знаете какой софт выбрать для решения бизнес-задачи, напишите мне на cases@fsecrets.ru и я постараюсь опубликовать материал на эту тему.

Удачи Вам при внедрении!


Немного о сэмплировании данных

6

Сегодня я бы хотел поговорить о сэмплировании при проведении анализа.

Давайте для начала разберемся с понятием, что такое сэмплирование и для чего оно применяется.

Сэмплирование заключается в отборе некоторого подмножества данных из основного множества данных. Иногда, количество транзакций настолько велико, что мощностей компьютера не хватает, для того, чтобы обработать это многообразие данных. Чтобы избавиться от этой проблемы, переходят к сэмплированию.

Давайте я приведу несколько примеров, когда семплирование обязательно Вам понадобится.

Например, Вы захотели построить диаграмму в Excele по 50 тыс. точкам. Вынужден Вас огорчить, Excel имеет ограничение на количество одновременно отображаемых точек, что-то около 30 тыс.

Вы захотели провести обработку анкетных данных в Excel 2003, а количество анкет 80 тыс. И тут у Вас возникнут проблемы, ограничение в 65,5 тыс. 2007 Excel имеет ограничение в 1 млн. строк.

Вы решили проанализировать структуру своей абонентской базы, нужно ли анализировать каждого клиента? А если я Вам скажу, что их 40 млн.?

Вы решили проанализировать реализацию товаров крупной розничной сети, не каждую же транзакцию анализировать.

Вот когда объем данных настолько велик, что невозможно их уместить в доступный под рукой инструмент или мощности компьютеров не хватает, переходят к сэмплированию данных.

Несколько способов сэмплирования, возможно кто-то предложит какие-то еще:

1. Выбирают 2 похожие строки и откидывают одну из них, при этом добавляют новый столбец, в котором указывают количество сгруппированным таким образом строк.

2. Выбирают несколько похожих строки группируют их по одинаковым характеристикам, по количественным характеристикам либо выбирают максимум подмножества, минимум, среднее, медиану и т.д.

3. Сортируют по убыванию/возрастанию и с конкретным шагом выбирают следующую строку.

4. Сортируют по убыванию/возрастанию и случайным числом определяют следующую строку.

Возможно Вы еще какие-то методы предложите.

Какие бы я советы дал при сэмплировании:

1.Перед сэмплированием проверить чтобы данные не содержали неких аномалий и выбросов.

2. Посчитать среднее, медиану, минимум, максимум и другие характеристики выбранного подмножества и исходного и сравнить. Если данные сильно отличаются, я бы попробовал другой метод сэмплирования, потому как результат анализа может сильно отличаться для сэмплированного подмножества данных и исходного.

3. Построить гистограммы рассеивания, графики исходного множества и сэмплированного, они визуально должны быть похожи. Опять же если есть возможность построить.

Если эти условия выполняются, то скорее всего Вы провели корректное сэмплирование и можете работать уже с намного меньшим количеством данных не переживая за результаты анализа.

Если у Вас остались вопросы, пишите на cases@fsecrets.ru.

Удачи Вам!


Вверх
Яндекс.Метрика