1. Прогнозирование в деятельности маркетолога. Практический подход
ОстюченкоИгорь
igor@educore.ru
www.educore.ru
Многопрофильный образовательный центр
Международный банковский институт

2. Историястановления специалистов по прогнозированию

3. KPI
-5%
•Существенны для вашего бизнеса
•KPI не может быть много
Говорим языком цифр
Что будет в результате деятельности маркетолога?
Признаки KPI:

4. Некоторые примеры KPI
•ROI
•Прибыль
•Срок работы с клиентом
•Стоимость привлечения клиента

5. Прогнозирование KPIво времени
KPI
Прогноз
Время
вэто время
0
Наблюдаемое время
Сила
маркетинга
Прогноз
История наблюдений

6. Прогнозирование KPIво времени
1
Прибыль
Прогноз
Время
вэто время
0
Наблюдаемое время
Стратегия 1
Прогноз
стратегии 1
2
Стратегия 2
Прогноз
стратегии 2
История наблюдений

7. Приступим!

8. Спрос на данные растет
•CRM
•ERP
•Системы веб-аналитики
1 шаг. Организовать сбор данных

9. Аналитическая пирамида
Аналитические приложения
Транзакционные системы
(«моментальный снимок»)
Системы хранения
и обработки данных
OLTP, ERP
KPI
Извлечение,
преобразование, загрузка
ETL
OLAP,
Data mining
2 шаг. Объединение и подготовка данных к анализу

10. 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
?

11. Как вы принимаете решения о переходе улицы?

12. Декомпозиция данных
2014
…
Январь
59,0
…
Февраль
61,0
…
Март
62,0
…
Апрель
67,0
…
…
…
…
Тренд + Сезон + Цикл + Случай

13. 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
…
…
…
…
…
…
Методы
выравнивания
Методы
сезонных колебаний
Методы
корреляционные
Методы
Теории вероятности
В том числе

14. Как определить тренд?
50
54
55
53
54,3
54
58
55,6
59
65
70
64,3
65
60
Скользящее среднее
Временной ряд
Объем продаж, млн. руб
Время
Тренд
«Выравнивание»

15. Метод экстраполяции
Прибыль
Прогноз
Время
вэто время
Наблюдаемое время
Прогноз
Как спрогнозировать тренд?

16. Кагортныйанализ –строительный магазин
Дата
выдачи.
1 квартал 2012
2 квартал 2012
3 квартал 2012
4 квартал 2012
1 квартал 2013
2 квартал 2013
3 квартал 2013
4 квартал 2013
1 квартал 2014
Прогноз
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

17. 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%
Кагортныйанализ
Прибыль
Дата, квартал

18. Пример
Алгоритмы«Сэтитуромсмотрели»,«Сэтимотелемсмотрели»,«Рекомендуем»,«Рядомнаходятся»(наосновегеоинформации)ит.п.

19. 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
КосинусмеждувекторамивNмерномевклидовомпространствесчитаетсякаквекторноепроизведениеделенноенапроизведениенорм.
между «Объект 2» и «Объект 3»:
между «Объект 1» и «Объект 3»:
Алгоритм «С этим объектом смотрят»

20. Альтернативные варианты

21. 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
365053

22. 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.
2этап -Получение ответа при подаче на вход данных
•В результате прогнозное значение и вероятность прогноза

23. Инструментарий
Excel + NeuralTools
http://www.palisade.com/neuraltools/
Excel + собственные макросы
(в сети есть готовые)
SPSS от IBM
http://spss.com

24. Что такое нейронная сеть

25. Прогнозирование прибыли интернет-магазина (пример)
Управляемыепараметры
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 них обучаем

26. 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.

27. 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

28. 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
Прибыль
магазина

29. 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
2
1
Входной слой
Выходной слой
Новых
клиентов
Прибыль
магазина

30. Можно ли предусмотреть все возможные сегменты посетителей?
Альтернативныйспособ-методыкластерногоанализа(напримералгоритмCLOPE,картыпроф.ТеувоКохоненаидругие)длянахождениянаиболееблизкогосегментановомупосетителюизчислаимеющихся.
ГОТОВЫЕ СЕРВИСЫ В ЭТОМ НЕ ПОМОГУТ!
Сегмент 1
Сегмент 1
посетители
посетители

31. Вопросы?
Остюченко Игорь
igor@educore.ru
www.educore.ru
Многопрофильный образовательный центр
Международный банковский институт