Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

Branchmarketing2014

657 Aufrufe

Veröffentlicht am

Veröffentlicht in: Marketing
  • Als Erste(r) kommentieren

Branchmarketing2014

  1. 1. Прогнозирование в деятельности маркетолога. Практический подход ОстюченкоИгорь igor@educore.ru www.educore.ru Многопрофильный образовательный центр Международный банковский институт
  2. 2. Историястановления специалистов по прогнозированию
  3. 3. KPI -5% •Существенны для вашего бизнеса •KPI не может быть много Говорим языком цифр Что будет в результате деятельности маркетолога? Признаки KPI:
  4. 4. Некоторые примеры KPI •ROI •Прибыль •Срок работы с клиентом •Стоимость привлечения клиента
  5. 5. Прогнозирование KPIво времени KPI Прогноз Время вэто время 0 Наблюдаемое время Сила маркетинга Прогноз История наблюдений
  6. 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. 7. Приступим!
  8. 8. Спрос на данные растет •CRM •ERP •Системы веб-аналитики 1 шаг. Организовать сбор данных
  9. 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. 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. 11. Как вы принимаете решения о переходе улицы?
  12. 12. Декомпозиция данных 2014 … Январь 59,0 … Февраль 61,0 … Март 62,0 … Апрель 67,0 … … … … Тренд + Сезон + Цикл + Случай
  13. 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. 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. 15. Метод экстраполяции Прибыль Прогноз Время вэто время Наблюдаемое время Прогноз Как спрогнозировать тренд?
  16. 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. 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. 18. Пример Алгоритмы«Сэтитуромсмотрели»,«Сэтимотелемсмотрели»,«Рекомендуем»,«Рядомнаходятся»(наосновегеоинформации)ит.п.
  19. 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. 20. Альтернативные варианты
  21. 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. 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. 23. Инструментарий Excel + NeuralTools http://www.palisade.com/neuraltools/ Excel + собственные макросы (в сети есть готовые) SPSS от IBM http://spss.com
  24. 24. Что такое нейронная сеть
  25. 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. 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. 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. 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. 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. 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. 31. Вопросы? Остюченко Игорь igor@educore.ru www.educore.ru Многопрофильный образовательный центр Международный банковский институт

×