Прогнозирование результатов деятельности...

Прогнозирование в деятельности маркетолога.

Практический подход

Остюченко Игорь

igor@educore.ru

www.educore.ru

Многопрофильный образовательный центр

Международный банковский институт

История становления специалистов по прогнозированию

KPI

-5%

• Существенны для вашего бизнеса• KPI не может быть много

Говорим языком цифрЧто будет в результате деятельности маркетолога?

Признаки KPI:

Некоторые примеры KPI

• ROI

• Прибыль

• Срок работы с клиентом

• Стоимость привлечения клиента

Прогнозирование KPI во времени

KPI

Прогноз Времяв это время

0

Наблюдаемое время

Силамаркетинга

Прогноз

История наблюдений

Прогнозирование KPI во времени

1

Прибыль

Прогноз Времяв это время

0

Наблюдаемое время

Стратегия 1Прогнозстратегии 1

2

Стратегия 2Прогноз

стратегии 2

История наблюдений

Приступим!

Спрос на данные растет

• CRM• ERP• Системы веб-аналитики

1 шаг. Организовать сбор данных

Аналитическая пирамида

Аналитические приложения

Транзакционные системы(«моментальный снимок»)

Системы храненияи обработки данных

OLTP, ERP

KPI

Извлечение,преобразование, загрузка

ETL

OLAP,Data mining

2 шаг. Объединение и подготовка данных к анализу

Пример: Прогноз продажи в турагентстве

Период 2012 2013 2014 2015

Январь 50,0 53,0 59,0 ?

Февраль 54,0 56,0 61,0 ?

Март 55,0 58,0 62,0 ?

Апрель 54,0 60,0 67,0 ?

Май 58,0 63,0 72,0 ?

Июнь 65,0 69,0 75,0 ?

Июль 70,0 77,0 81,0 ?

Август 78,0 84,0 87,0 ?

Сентябрь 65,0 71,0 74,0 ?

Октябрь 52,0 57,0 61,0 ?

Ноябрь 51,0 56,0 59,0 ?

Декабрь 83,0 88,0 91,0 ?

Как вы принимаете решения о переходе улицы?

Декомпозиция данных

2014 …

Январь 59,0 …

Февраль 61,0 …

Март 62,0 …

Апрель 67,0 …

… … …

Тренд + Сезон + Цикл + Случай

Метод декомпозиции

Период 2014, KPI тренд сезон цикл случай

Январь 59,0 55,0 2,0 2,0 0,0

Февраль 61,0 59,0 -1,0 1,0 2,0

Март 62,0 60,0 0,0 1,0 1,0

Апрель 67,0 64,0 1,0 0,0 3,0

… … … … … …М

етод

ывы

рав

ни

ван

ия

Мет

оды

сезо

нн

ых

кол

ебан

ий

Мет

оды

кор

рел

яци

он

ны

е

Мет

оды

Тео

ри

и в

ер

оят

но

сти

В том числе

Как определить тренд?

50

54

55

53

54,354

58

55,6

59

65

70

64,365

60

Скользящее среднее

Временной ряд

Объем продаж, млн. руб

Время

Тренд

«Выравнивание»

Метод экстраполяции

Прибыль

Прогноз Времяв это время

Наблюдаемое время

Прогноз

Как спрогнозировать тренд?

Кагортный анализ – строительный магазинДата

выдачи\.1 квартал

20122 квартал

20123 квартал

20124 квартал

20121 квартал

20132 квартал

20133 квартал

20134 квартал

20131 квартал

2014Прогноз

1 квартал 2012

65,0 45,0 32,0 21,0 9,0 4,0 1,0 0,0 0,0 0,0

2 квартал 2012

0,0 61,0 42,0 30,0 19,0 10,0 5,0 3,0 1,0 0,0

3 квартал 2012

0,0 0,0 58,0 41,0 30,0 22,0 10,0 4,0 2,0 1,0

4 квартал 2012

0,0 0,0 0,0 60,0 44,0 27,0 17,0 8,0 3,0 1,0

1 квартал 2013

0,0 0,0 0,0 0,0 64,0 48,0 31,0 22,0 7,0 5,0

2 квартал 2013

0,0 0,0 0,0 0,0 0,0 69,0 49,0 35,0 22,0 11,0

3 квартал 2013

0,0 0,0 0,0 0,0 0,0 0,0 58,0 39,0 28,0 18,0

4 квартал 2013

0,0 0,0 0,0 0,0 0,0 0,0 0,0 59,0 41,0 30,0

1 квартал 2014

0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 63,0 43,0

2 квартал 2014

0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 67,0

176,0

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

1 2 3 4 5 6 7 8 9 10 11 12

Что произошло?

-10%

Кагортный анализ

Прибыль

Дата, квартал

ПримерАлгоритмы «С эти туром смотрели», «С этим отелем

смотрели», «Рекомендуем», «Рядом находятся» (наоснове геоинформации) и т.п.

Пример: Статистика покупок

Покупатель Объект 1 Объект 2 Объект 3

Иван Смотрел Не смотрел Смотрел

Мария Не смотрел Смотрел Смотрел

Андрей Не смотрел Смотрел Не смотрел

Косинус между векторами в N мерном евклидовом пространстве считается каквекторное произведение деленное на произведение норм.

между «Объект 2» и «Объект 3»: между «Объект 1» и «Объект 3»:

Алгоритм «С этим объектом смотрят»

Альтернативные варианты

Пример – интернет-магазин

Товаров на витрине

Объем целевого трафика

Акция – скида 10%

Прибыль магазина, руб.

50 400 Да 350 730

55 430 Нет 390 290

55 432 Нет 381 041

55 436 Да 389 240

57 425 Нет 373 480

58 429 Нет 375 455

60 430 Да 365 053

Принцип работы нейронных сетей

1 этап - Обучение сети на исторических данных• Учим на исторических данных: Данные - Правильный ответ,• Чем больше исторических данных, тем точнее результат.

2 этап - Получение ответа при подаче на вход данных• В результате прогнозное значение и вероятность прогноза

Инструментарий

Excel + NeuralTools

http://www.palisade.com/neuraltools/

Excel + собственные макросы

(в сети есть готовые)

SPSS от IBM

http://spss.com

Что такое нейронная сеть

Прогнозирование прибыли интернет-магазина (пример)

Управляемые параметры Прогнозируемый KPI

Товаров«в наличии»

Объем целевого трафика

Акция 10%

Прибыль,руб.

50 400 Была 350 000

55 430 Нет 390 000

55 430 Была 385 000

55 550 Нет 395 000

60 550 Была 430 000

60 550 Будет ?

На

ни

х о

буч

аем

На что обратить внимание?1. Выбор типа сети:

• многослойный персептрон (MLP)

• радиальная базисная функция (RBF)

• сети Кохонена

• байесовские сети.

2. Выбор алгоритма обучения:

• обратное распространение

• спуск по сопряженным градиентам

• метод Левенберга-Марквардта

• быстрое распространение.

Пример построения нейронной сети для решения задачи UI

Входные параметры (то, чем можем управлять!):

• Объем целевого трафика

• Число товаров, представленных в слайдере

• Размер фотографий в каталоге

• Число полей в анкете покупателя

• Число шагов в корзине до транзакции

• Размер текста

• Вид шрифта

Пример построения нейронной сети для решения задачи UI

Трафик целевой

Товаров в слайде

Фото, размер

Полей в анкете

Шагов в корзине

Размершрифта

Типшрифта

Прибыль

2500 9 200x300 3 3 16 Arial 25 000

2515 9 200x300 4 2 18 Tahoma 28 140

2510 6 200x300 3 3 16 Arial 27 500

2480 6 200x300 4 2 18 Tahoma 23 650

1 2 3 4 5 6 7

1

Входной слой

Выходной слой

Прибыльмагазина

Пример построения нейронной сети для решения задачи UI

Трафик целевой

Товаров в слайде

Фото, размер

Полей в анкете

Шагов в корзине

Размершрифта

Новых клиентов

Прибыль

2500 9 200x300 3 3 16 15 25 000

2515 9 200x300 4 2 18 12 28 140

2510 6 200x300 3 3 16 13 27 500

2480 6 200x300 4 2 18 11 23 650

1 2 3 4 5 6

21

Входной слой

Выходной слой

Новыхклиентов

Прибыльмагазина

Можно ли предусмотреть все возможные сегменты посетителей?

Альтернативный способ - методы кластерного анализа(например алгоритм CLOPE, карты проф. Теуво Кохонена идругие) для нахождения наиболее близкого сегмента новомупосетителю из числа имеющихся.

ГОТОВЫЕ СЕРВИСЫ В ЭТОМ НЕ ПОМОГУТ!

Сегмент 1 Сегмент 1

посетители посетители

Вопросы?Остюченко Игорь

igor@educore.ru

www.educore.ru

Многопрофильный образовательный центр

Международный банковский институт