Планирование

Рассуждения на тему инноваций

0

Недавно натолкнулся на одну интересную статью об инновациях и об одном конкурсе на создание малогабаритного жилья для бедных стран, себестоимость которых не должна превышать 300 долларов. Дудки скажете вы. Так сначала подумал и я. Больше похоже на себестоимость палатки из ткани. Но победитель конкурса предложил оригинальный подход, при котором дом действительно удался на славу. Но это лишь частный пример того, как делаются инновации.

Интересно, ведь если мы накладываем на какой-то параметр ограничения, которые сами по себе могут казаться абсурдными либо мало вероятными, рождаются инновации.

Т.е. в теории можно вывести формулу рождения инновации. Находим интересующую многих жителей планеты земля тему, желательно массовую, формулируем желание снять какое-либо ограничение. Находим решение, которое позволяет снять это ограничение, получаем инновацию.

В теории все выглядет очень просто, но на деле инноваций рождается не так много. Камнем предкновения как раз является нахождение решения для снятия ограничений. Иногда мы сами себя Далее >

Что Data mining может, а чего нет?

0

Недавно натолкнулся на очень интересное интервью с Питером Фэйдером (Peter Fader) с редактором журнала CIO Insight Алланом Алтером (Allan Alter), мастером по количественным ислледованиям в маркетинге бизнес-школы Wharton, который обращается к IT-директорам компаний: «хватит накапливать множество абонентских данных и не правильно применять алгоритмы Data mining-а».

Несмотря на то, что интервью бралось еще в далеком 2007 году, мне оно кажется очень актуальным, тем более после появления новых трендов, таких как Big Data. Я уже ни раз говорил о том, что не всегда продвинутый инструментарий позволяет получить гораздо лучшие результаты при аналитической обработке данных, чем при построении простейших моделей в том же Excel. После прочтения этого интервью я еще больше укрепился в этом мнении.

Статья на столько понравилась, что решил сделать перевод для читателей блога.

CIO INSIGHT: Питер, расскажите о сильных и слабых сторонах использования инструментария Data Mining и Business Intelligence.

FADER: 

Инструментарий Далее >

Что делать с низкододными клиентами

0

Недавно наткнулся на очень интересную дискуссию относительно того, что делать с клиентами, которые являются низкодоходными либо вообще убыточными для компании. Ну и задавался риторический вопрос – может стоит от них вообще отказаться. Я бы не торопился с ответом, а прежде всего начинал с анализа таких абонентов. Когда мы раньше говорили про правило Парето – 20% клиентов приносит 80% доходов (а возможно и прибыли). Тогда в таком случае мы говорим об отказе в обслуживании 80% клиентской базы. Неужели все так плохо?

Ответ не так уж прост. С одной стороны отказаться от этих клиентов легко и я уверен, что в краткосрочной перспективе это может оказаться даже более эффективно, чем продолжать их обслуживать, НО с точки зрения долгосрочной стратегии работы с клиентом это может привести к полному краху предприятия, ну или по крайней мере глубокому застою. Так как привлечь высокодоходного клиента не просто.

Если говорить, про шаги, которыми Далее >

Оптимизация работ по прогнозированию

0

Сегодня я хотел бы поговорить об усилиях и времени, которые мы тратим на прогнозирование и о том, как можно оптимизировать эту работу, фокусируясь на главном.

Интересный алгорит предложил Даррин Оливер (Darrin Oliver). Он предложил ввести интегральную оценку качества работы FVA (forecact value added), которая рассчитывается делением самой точности прогноза по отношению к факту, на статистическую точность прогноза, получаемую при использовании статистического алгоритма или применения мат. методов.

С точки зрения практического применения инструмент довольно интересен тем, что он позволяет сосредоточить работу над созданием прогноза по SKU действительно на прогнозировании важных продуктов.

 Как это работает, напротив каждого SKU рассчитываем показатель FVA.

Для примера, если итоговый показатель равен 90%, в то время как статистический всего 80%. Значит Вы проделали хорошую работу, и время затраченное на подготовку прогноза действительно прошло не даром, FVA>1. Если FVA меньше или равен единицы, забудьте о том, чтобы делать прогноз вручную по таким SKU, компьютерный Далее >

Как бороться с погрешностью в планировании?

2

Сегодня мне бы хотелось рассказать о некоторых способах борьбы с погрешностью планирования, которые можно взять на вооружение.

Вообще говоря на 100% угадать что будет завтра наверное никому не по силам, если только вы не Господь Бог или вы действительно очень удачливы. Наша задача всегда сводится к одному – минимизации отклонение фактических данных от прогнозных.

Давайте для начала введем некую классификацию причин погрешности. Во-первых, причины бывают внутренними и внешними. Очень редко когда причина кроется в выборе инструментария и методов прогнозирования, если вы конечно только это не делаете впервые. На внешние причины вы не можете повлиять практически никогда, соответственно ваша задача накапливать базу знаний того, как ведет ваш прогноз при изменении той или иной внешней ситуации и постараться в будущем при планировании видеть динамику изменения внешней ситуации и учитывать это в своей модели прогнозирования.

На внутренние причины вы можете влиять, не всегда самостоятельно, но никто не запретит вам Далее >

Вверх