Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 22. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos.

Hasonló előadás


Az előadások a következő témára: "Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 22. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos."— Előadás másolata:

1 Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 22. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos Intézet Számítástechnika Tanszék Iroda: Boszorkány u., B épület 101 Tel: 72/ /

2 Az előadás tartalma A House of Profit modell profit kifejtési stratégiái: Számítógépes alkalmazás: PaulerSoft ™ PriceCenter ™ 2.0 –Az elemzett termékkategóriák kiválasztása –A rendszer adatforrásai, a Pivot Tábla –Rendszer- /Kategória-/ Független változó beállítások –Vizualizáció és modell tesztelés –A rugalmassági táblázat –Akciók tervezése rugalmasságok segítségével Kategóriapár kiválasztása, komplemetaritás ellenőrzése Manuális leárazás hatásainak szimulációja –A kategóriák piaci erőviszonyainak elemzése –Ár-promoció optimalizációs modell A gradiens algoritmus működése Árazás optimalizáció a rendszerben Az Excel Solver használata –A rendszer használhatóságának SWOT-analízise

3 Számítógépes alkalmazás: PaulerSoft ™ PriceCenter ™ v2.0 Az elemzést nem érdemes egyes vonalkóddal azonosított termékekre (UPC) elvégezni, mert egy-egy méret, verzió, változat kereslete nagyon fluktuáló Így az öt szintű funkcionális termékhierarchából válogattunk kategóriákat aggregálásra a Pops javaslata alapján Ezeket megbontottuk saját/nemzeti márkákra A regresszió miatt max. a hetek számának 20%-át elérő számú kategóriát vizsgálhatunk egyszerre A Pops szakemberei megadták a legfontosabb összeállításokat Mi megvizsgáljuk, hatnak-e egymásra, milyen jó modellt adnak

4 PriceCenter ™ v2.0: Az adatforrások A Pops aggregációs rendszer négy dimenziója szerint: Hét, Üzlet, Szegmens, Termékcsoport az Oracle adatbázisból egy MSAccess előagregációs táblába (WeekStoreSeg CatAggr.mdb) aggregáljuk a tételek adatait Majd innen szedi fel őket a PriceCenter Kimutatás táblája (A rendszer oktatási verziója nem képes az adatokat adatbázisból frissíteni, de a Kimutatást kijelölve, Ctrl+C-vel vágólapra másolva, Szerkesztés| Irányított beillesztés| Csak értéket menüvel visszaillesztve beírhatjuk a munkalapra a saját adatainkat is) Aggregációs szintek Dimenziók Tranzakció # TranzKód * Dátum * ÜzletKód * KártyaKód Tétel # TételKód * Mennyiség * TranzKód * ÁrazKód Termék # Vonalkód * Leírás * TermKód TermCsop # TermKód * TermNév * FelettKód Kártya # KártyKód * VevőNév * HáztKód Szegmens # SzegKód * SzegNév * LojKód * ProfKód Háztartás # HáztKód * Cím, demo * Duráció * CBG Kód * SzegmKód * LegjobbÜzl Üzlet # ÜzlKód * RégióKód * VersCsp Árazódás # ÁrazKód * VonalKód * Hétszám * RégióKód * EgységÁr * EgysKtg Kupon # Vonalkód * Típus * Engedm * ÁrazKód Nap # Dátum * HétSzám Hét # HétSzám * NegyÉv Tényadatok ElőAggregác # AggrKód * SzegKód * ÜzletKód * TermKód * HétSzám * Keresl, db * Forg, $ * Profit, $ * Költség, $ * Kupon, $ * Promóc, db Excel Kimutatás

5 PriceCenter ™ v2.0: A Pivot tábla A PriceCenter.xls fájl PivotTable munkalapján található PivotTable1 Excel Kimutatás objektum gyűjti be az adatokat az előaggregációs MSAccess táblából.PriceCenter.xls Ezenkívül lehetővé teszi az adatok szegmens, kategória és üzlet szerinti szűrését, valamint saját formulái segítségével kiszámítja az Egységárat, -profitot, -költséget, -kuponbeváltást PivotTable

6 PriceCenter ™ v2.0: Rendszerbeállítások A System munkalapon különféle, a becsléssel kapcsolatos fontos beállításokat tehetünk: Alapbeállításban az abszolút $- ban mért egységárakat, és az abszolút db-ban mért promóciókat használja a becslések független változóiként, valamint az abszolút db-ban mért keresleteket használja függő változóként, de átválthatunk a termékkategória-kiválasztáson belüli %-os részesedéseikre is. Ez akkor hasznos, ha az árak, vagy a keresletek valamilyen külső környezeti tényező (pl. világpiaci ármozgások) hatására erős fluktuációt mutatnak System Alapbeállításban nem használja a promóciókat független változóként, és nem tekinti függő változónak az egységköltségeket (nincs áttételi effektus), de ezeket aktiválhatjuk Alapbeállításban lineáris keresleti függvényekkel dolgozik, de aktiválhatjuk a log-linearizált modell használatát Alapbeállításban feltételezi, hogy az árváltozások azonnali hatással vannak az aggregált keresletre, forgalomra, profitra. De a késleltetés (Lag) mezőben megadhatunk erre több hetet is

7 PriceCenter ™ v2.0: Kategória-beállítások A CategoryList munkalapon található a kategória leíró-lista: Ennek nem kell ugyanolyan sorrendben lenni, mint a kiválasztott kategóriáknak a Pivot táblában, és több kategóriát is tartalmazhat Minden kategóriánál meg kell adni egy {0,1} értékű mezőben, hogy kereskedelmi márka (Private label brand)-e Valamint, hogy az árak hány hét késleltetéssel (Lag) hatnak a keresletre. (Erre nézve a rendszer nem végez becslést, így a korábbi menedzseri tapasztalatok az irányadóak) CategoryList

8 PriceCenter ™ v2.0: Független változó beállítások 1 Az Independents munkalapon fontos becslési korrekciókat adhatunk meg: Egyrészt, felveszünk a függetlenek közé egy a heteket jelentő változót (Weeks Dummy Variable). Ez arra szolgál, hogy megmagyarázza a modellben a keresletek esetleges lineárisan emelkedő vagy csökkenő trendjeinek a hatását Másrészt megadhatjuk egy ünnepeket jelölő változó (Seasonal Dummy Variable) heti értékeit. Az ünnepek jelentős kiugrásokat okozhatnak a keresletben, amelyek megzavarhatják a becslést, ezek hatását magyarázza a modellben ez a változó. Az értékeit korábbi menedzseri tapasztalatok segítségével lőjük be: –Újév napja (New Years Eve), Jan 1 hete: 0.5 –Lincoln elnök szülinapja (Presidents Day), Feb 10 hete: 0.5 –A munka ünnepe (Labour day), Máj 1 hete: 0.5, stb. Independents

9 PriceCenter ™ v2.0: Független változó beállítások 2 A kiválasztott kategóriák átlagos egységárai, mint független változók a kategóriában szereplő, egyedi vonalkóddal azonosított termékek egységárainak eladott egységekkel súlyozott számtani átlagaként állnak elő A kiválasztott kategóriák összkeresletei a kategóriában szereplő, egyedi vonalkóddal azonosított termékek eladott egységeink összegeként állnak elő Ezért a kategóriák nem lehetnek túl szélesek (általában a funkcionális hierachia szintjéről származnak), mert az árazás hatása megváltoztathatja a termékek kategórián belüli arányát, és ezt a modell már nem képes kezelni Egy kiválasztott kategóriában pedig lehetőleg olyan termékeknek kell lenni, amelyek egységei azonos mértékegységekben mértek (mind vagy darabra, vagy súlyra, vagy térfogatra) A kiválasztott kategóriák halmazához első elemként csatlakozik a kereskedelmi márkás kategóriák összege, utolsóként pedig az összes kiválasztott kategória összege. A keresleti függvény becslését a rendszer a két összegző kategóriára is elvégzi, de ezeknél az átlagos egységár hatását az átlagos egységköltségre nem vizsgálja, met az áttételi hatást csak a kategóriák szintjén értelmezzük, totálokra nem!

10 Az előadás tartalma A House of Profit modell profit kifejtési stratégiái: Számítógépes alkalmazás: PaulerSoft ™ PriceCenter ™ 2.0 –Az elemzett termékkategóriák kiválasztása –A rendszer adatforrásai, a Pivot Tábla –Rendszer- /Kategória-/ Független változó beállítások –Vizualizáció és modell tesztelés –A rugalmassági táblázat –Akciók tervezése rugalmasságok segítségével Kategóriapár kiválasztása, komplemetaritás ellenőrzése Manuális leárazás hatásainak szimulációja –A kategóriák piaci erőviszonyainak elemzése –Ár-promoció optimalizációs modell A gradiens algoritmus működése Árazás optimalizáció a rendszerben Az Excel Solver használata –A rendszer használhatóságának SWOT-analízise

11 PriceCenter ™ v2.0: Vizualizáció 1 Az Explorer munkalap az adatok vizuális megjelenítésére szolgál: Explorer Diagramm- tengely igazító gomb Az X tengelyen ábrázolt mérték időbeli késleltetése az Y tengelyen ábrázolthoz képest X tengely termékkategória és mértékválasztó Y tengely termékkategória és mértékválasztó Megfigyelések (Observations) Megfigyelések időbeli sorrendjének nyomvonala (Trajectory in time)

12 PriceCenter ™ v2.0: Vizualizáció 2 Az Explorer munkalapot több célra is használhatjuk: A termékek árát és keresletét diagrammolva dönthetünk róla, hogy lineáris vagy log-lineáris modellt alkalmazzunk Ha a modell nagyon csúnyán fejreáll, azt a statisztikai tesztelése sem mutatja ki rendesen. A nyomvonal segítségével vizuálisan ellenőrizhetjük, hogy az adatok mozgása megfelel-e a becsült saját-/kereszt-/kosár rugalmasságok előjelének. Két dimenzióban mindig a szemünk a legjobb statisztikai elemző eszköz! A két tengely közti késleltetést változtatgatva, a nyomvonalak tendenciózusságát ellenőrizve elemezhetjük, mennyi lehet a késés az árazás hatásában az egyes termékkategóriáknál, ha menedzseri tapasztalatok nem állnak rendelkezésre: –A késés helytelen megválasztásakor a nyomvonal szétesik, random Braun-féle mozgásra emlékeztet –Helyes késés esetén a nyomvonal tendenciózusabbá válik

13 PriceCenter ™ v2.0: Modell tesztelés A Regress munkalap tartalmazza a regressziós modellek tesztelésével kapcsolatos információkat: A piros számok mindig az adott koefficiens 2 oldalú t-tesztjének (1-2  ) megbízhatósági szintjét jelentik A zöld számok az adott modell illeszkedésének R 2 tesztjét jelzik Sorokban vannak az egyes kategóriákra vonatkozó modellek adatai. Az első sor mindig a kereskedelmi márka kategóriák totálját ábrázolja, az utolsó sor minden kiválasztott kategóriáét A két első oszlop a kategóriák egységára, mint független- és egységköltsége, mint függő változó közti parabolikus regresszió együtthatójának és konstansának tesztelése. Amely kategóriánál az R 2 nem éri el a 0.75-öt, ott a rendszer az egységköltséget konstansnak veszi Az ezután következő oszlopok- ban vannak a (hét változó, sze- zonális változó, egységárak, promóciók) független változók és a kategóriák kereslete, mint függő változó közti log-lineáris regresszió konstansának és együtthatóinak tesztelése A sárga színű főátló ezek közül a saját koefficienseket jelenti, a többi elem a kereszt koeffici- enseket Regress

14 PriceCenter ™ v2.0: Rugalmassági táblázat Az ElastMatr munkalap az árazás hatásainak szimulációját s ároptimalizációt tesz lehetővé: A jobb oldali táblázat tartalmazza a kategóriák saját- kereszt- és kosáregyütthatóit, a zöld sorban kézzel állíthatjuk az árakat, felette a minimális-, maximális és átlagárak láthatók. A bal oldalon a kategóriák neve, becsült profitja, forgalma, kosármérete, egységhasznossága, egységköltsége látható. A zöld oszlopokban minimális alsó korlátokat adhatunk meg a profitra, forgalomra, illetve kézzel állíthatjuk becslés helyett az egységköltséget. A középső panelen azt állíthatjuk, hogy milyen együtthatókat mutasson a táblázat, illetve, hogy kézi állítás esetén melyik hétről vegye a független változókat és az egységköltségeket. A bal felső panelen az optimalizált kategória és jellemző (profit/forgalom) állítható, az optimalizáció indítható Maximize gombbal, valamint az optimális érték látható. ElastMatr

15 PriceCenter ™ v2.0: Akciók tervezése rugalmasságok segítségével 1 Az ElastMatr munkalapon váltsuk a Display menüt profit rugalmasságokra (Elasticities of Profit). A Select independents from menüt állítsuk az aktuális hétre, hogy onnan szedje az árakat Árukapcsolási akció (Boundling) tervezéséhez keressunk olyan kategóriapárt, amelyek komplementerek, vagyis a keresztrugalmasság nagy negatív érték: Pl. kereskedelmi márkás bogyós gyümölcsök (Priv. Bush grown Fresh fruit/Berry) × nemzeti márkás teljes karton minőségi jégkrém (Natl. full carton ice cream gourmet) = % jégkrém profitváltozás/ 1% gyümölcs áremelés, $2.16/ lb átlagos gyümölcsárnál ElastMatr

16 PriceCenter ™ v2.0: Akciók tervezése rugalmasságok segítségével 2 Ellenőrizzük, hogy a főátlóra szimmetrikus ellenkező irányú koefficiens is komplementer-e: -0.30% gyümölcs profitváltozás/ 1% jégkrém árváltozás, $3.67/db átlagos jégkrém árnál A nagyobb abszolútértékű kereszt-árrugalmassággal bíró kategória lesz a csali, amit leárazunk: -0.46% > -0.30%  a gyümölcsöt árazzuk le. Hogy alkalmas-e leárazásra, ahhoz három dolgot ellenőrzünk: A gyümölcs saját profit árrugalmassága lehetőleg negatív legyen, hogy az árengedmény ne tegye tönkre a saját profitját: -1.62% profitváltozás /1% árnövekedés, $2.16/ lb gyümölcsár mellett (lásd a pirossal jelölt cellát a táblázatban) -1.33% rózsaszínnelA kereskedelmi márkák kosarával a profit árrugalmassága negatív legyen, hogy az akció ne vágja haza a kereskedelmi márkák profitját: -1.33% profitváltozás /1% árnövekedés, $2.16/ lb gyümölcsár mellett (lásd a rózsaszínnel jelölt cellát a táblázatban) A teljes kategória kiválasztás kosarával a profit árrugalmassága negatív legyen, hogy az akciónak az összprofitra is jó hatása legyen: -0.61% profitváltozás /1% árnövekedés, $2.16/ lb gyümölcsár mellett (lásd narancssárgával jelölt cellát a táblázatban) (Egy árváltozásnak általában a saját kategóriára van a legnagyobb hatása, ennél kisebb a kereskedelmi márkák kosarára, és a legkisebb a teljes kosárra)

17 PriceCenter ™ v2.0: Akciók tervezése rugalmasságok segítségével 3 Kézzel kezdjük el lejjeb vinni a gyümölcsnek az árát ($2.16/ lb-ról $1.75/ lb-ra), amíg a teljes kosár profitja el nem éri a maximumát (356,155.00$/hét). Ez lesz az árazás parciális optimuma, amit az árváltozás hatásának szimulációjával határozunk meg. Ezen kívül a szimmetrikus rugalmasságok segítségével a versenyző kategóriák piaci erőviszonyainak kiegyenlítettségét is elemezhetjük: pl. a 2 literes nemzeti márkájú szénsavas üdítők (Natl. Carbonated Soft Drink 2 Litres) 1%-os árcsökkentése 1.89%-kal csökenti a kereskedelmi márkás szőlő jellegű gyümölcsök (Priv. Wine grown fresh fruit) profitját, $1.08/palack átlagárnál ElastMatr Fantom kategória

18 Az előadás tartalma A House of Profit modell profit kifejtési stratégiái: Számítógépes alkalmazás: PaulerSoft ™ PriceCenter ™ 2.0 –Az elemzett termékkategóriák kiválasztása –A rendszer adatforrásai, a Pivot Tábla –Rendszer- /Kategória-/ Független változó beállítások –Vizualizáció és modell tesztelés –A rugalmassági táblázat –Akciók tervezése rugalmasságok segítségével Kategóriapár kiválasztása, komplemetaritás ellenőrzése Manuális leárazás hatásainak szimulációja –A kategóriák piaci erőviszonyainak elemzése –Ár-promoció optimalizációs modell A gradiens algoritmus működése Árazás optimalizáció a rendszerben Az Excel Solver használata –A rendszer használhatóságának SWOT-analízise

19 PriceCenter ™ v2.0: Kategóriák piaci erőviszonyainak elemzése 1 A szőlő-gyümölcsök viszont nem tudnak igazán visszavágni: ezek 1%-os árcsökkentése csak 0.85%-kal csökkenti a szénsavas üdítők profitját, $1.44/ lb átlagos gyümölcsárnál Ennek az az oka, hogy az egyszerű amerikaiak inkább cukros üdítőkből szerzik be a cukorszükségletüket, mint gyümölcsökből... A kategóriák keresztrugalmasságai közti aszimmetria (Category Asymmetry) elemzése betekintést enged a fogyasztók preferenciáiba: Ha a +/- rugalmassági koefficienseket a kategóriák közti távolságokként értelmezzük, akkor a Session20–ban tárgyalt sokdimenziós skálázási módszerek (Multi Dimensional Scaling) segítségével térképet készíthetünk a kategóriák viszonyáról.Session20 Különösen érdekes ezt az elemzést úgy elvégezni, hogy a Kimutatásban szegmensekre vagy üzletekre szűrjük az adatokat, és ezek térképeit hasonlítjuk össze egymással. Ez segít fókuszálni az igen drága fajlagos költségű további kérdőíves kutatásokat azokra a kategóriákra, amelyekkel baj van

20 PriceCenter ™ v2.0: Kategóriák piaci erőviszonyainak elemzése 2 Az árváltozások hatásainak szimulációja (Pricing Simulation) a következő célokra szolgál: Segít elkerülni az olyan leárazási akciókat, amelyek a keresletet és a forgalmat ugyan növelik, de a profitot csökkentik Segít előrejelezni a keresletet a készletezés tervezéséhez Segít felderíteni, ha egy erős nemzeti márka gyártója által a láncnak adott engedmény továbbítása a vásárlók felé agyoncsapná a saját márkájú termékeket A szimuláció érdekes jelensége a fantom kategória (Phantom Category): Olyan kategória, amelynek ára jelentős hatással van a többi kategóriára, de a többi kategória árai viszont igen rosszul magyarázzák ennek keresletét Ha független változóként beválasztom a modellbe, az javítja a modell illeszkedést, viszont keresletének becslése tönkreteszi a kosár-szintű becsléseket Pl. a nemzeti márkás import sörök (Natl. Imported Beer) ára sok mindenre jelentős hatással van, de a keresletük rosszul becsülhető az adott kosár áraiból ( a becsült kosárméret és az egységhasznosság 0-hoz közeli fals értékeket vesz fel)

21 Ár-promóció optimalizációs modell 1 A szimuláció megbecsüli a kézzel beállított árazások hatását, de nem segít megkeresni az optimális árazási kombinációt. Erre az árazási optimalizációs modell (Pricing Optimization Model) szolgál A valóságban több dolgot is maximalizálni szeretnénk a p i árak és a k promóciók szintjének helyes megválasztásával: Az egyes terméket S i forgalmait és  i profitjait, A saját kereskedelmi márkák T összforgalmát és R összprofitját. A teljes kosár T összforgalmát és R összprofitját. Ezek a célok a legtöbbször ellentmondanak egymásnak: A profitok maximalizálása károsan befolyásolja a forgalmat és piaci részesedést a magasabb árazás miatt. A piaci részesedés maximalizálása rontja a profitabilitást. Egy termék forgalmának/profitjának maximalizálása a kereszthatások miatt káros lehet a kossárra nézve, még a kosár forgalmának/profitjának maximalizálása eltűntethet bizonyos termékeket a kínálatunkból, viszont a választék ilyetén módon történő beszűkítésének hosszú távon romboló hatása van

22 Ár-promóció optimalizációs modell 2 Ezért a teljes kosár profitját adjuk meg az optimalizáció célfüggvényének: R  Maxi = 1..n, k = 1..m(22.1) De emellett LB alsó korlátokat definiálunk a másodlagos célok szerint, aminél nem lehetnek kisebbek: T  LB T (22.2) Si  LB Si i = 1..n(22.3) Mivel a lineáris regressziók csak a korábban megfigyelt ár- és promóció értékhatárok közt képesek jól illeszteni a keresleti függvényeket, ezért az optimum keresését is lekorlátozzuk ezen tartományokra, különben félrevezető megoldásokat kapnánk: p i  Min(p it )i = 1..n(22.4) p i  Max(p it )i = 1..n(22.5) a k  Min(a kt )k = 1..m(22.6) a k  Max(a kt )k = 1..m(22.7) Elméletileg az optimális árak és promóciók kiszámíthatók lennének az összprofit függvény parciális deriváltjainak 0-val történő egyenlővé tételével és az egyenletek megoldásával. De az analitikus optimumszámítás nem képes a fenti korlátokat kezelni. Ezért más optimumkeresési módszert kell használnunk: a gradiens- algoritmust

23 Hogy működik a gradiens algoritmus? Célja: Egy csúccsal rendelkező, nem lineáris R célfüggvényhez Az optimális változóértékek (p i,p j ) megtalálása A megadott alsó-felső korlátok betartásával Működése: „vak ember hegyet mászik” Először véletlenszerűen vesz fel változóértékeket a megengedett értékhatárokon belül Kiszámítja a célfüggvényt a megadott értékekkel. Ha ezek túllépnek valamilyen megadott korlátot, a túllépéssel négyzetesen arányos bünetést von le a célfüggvényből. Minden változóhoz külön-külön hozzáad egy lépésköznyit (először a Max-Min intervalluma 1%- át), és kiszámítja menyivel nő/csökken a célfüggvény A változónkénti megváltozások megadják a Gradiens vektort: az adott helyen merre nő a célfüggvény a legjobban. Elmozdul a gradiens irányba egy lépésköznyit, ez minden lépésben az előző 99%-ára csökken, vagyis egyre lassít, hogy túl ne fusson a csúcson egy nagy lépéssel Tesztelése: Ha 20 lépésen keresztül nem sikerül a célfüggvény értékét 1%-kal javítani, leáll, mert valószínűsíthető, hogy elérte a csúcsot, különben új lépést kezd Értékelése: +: Egyszerű és gyors -: Több csúcsal rendelkező célfüggvény esetén beragadhat egy mellékcsúcsba -: Ha a célfüggvénynek lapos „lépcsői” vannak, ott belassul, sőt megáll p i p j R R lépés STOP!

24 Az előadás tartalma A House of Profit modell profit kifejtési stratégiái: Számítógépes alkalmazás: PaulerSoft ™ PriceCenter ™ 2.0 –Az elemzett termékkategóriák kiválasztása –A rendszer adatforrásai, a Pivot Tábla –Rendszer- /Kategória-/ Független változó beállítások –Vizualizáció és modell tesztelés –A rugalmassági táblázat –Akciók tervezése rugalmasságok segítségével Kategóriapár kiválasztása, komplemetaritás ellenőrzése Manuális leárazás hatásainak szimulációja –A kategóriák piaci erőviszonyainak elemzése –Ár-promoció optimalizációs modell A gradiens algoritmus működése Árazás optimalizáció a rendszerben Az Excel Solver használata –A rendszer használhatóságának SWOT-analízise

25 PriceCenter ™ v2.0: Árazás-optimalizáció Az ElastMatr munkalap bal felső paneljén találhatók az optimalizáció kezelőszervei: Az optimalizált kategória kiválasztása (a kereskedelmi márkák összege vagy a főtotál is lehet) Az optimalizált jellemző kiválasztása (profit vagy forgalom) A zöld oszlopokban alsó korlátokat adhatunk meg az egyes kategóriák/totálok profitjára és forgalmára Az optimalizáció a Maximize gombbal indítható Kijelzi az optimális értéket és visszaírja az optimális árazást a zöld sorba. ElastMatr

26 Az Excel Solver használata Az optimalizációt az Excel Solver modulja végzi: Az Eszközök|Célértékkereső (Tools| Solver) menüvel nyissuk meg a Solver Param. ablakot A Set Target Cell-nél adjuk meg a célfüggvény celláját. Ezt maxi- /minimalizálhatjuk, vagy adott értékhez (Value of) vihetjük közel A By Changing Cells-nél adhatjuk meg, mely cellákban vannak a változók. Ezekben nem lehetnek függvények, csak számértékek. A Subject to Constraints-nál az Add gombbal adhatunk a modellhez új korlátozó feltételt: Itt a Constraint-ban csak konstans értékeket tartalmazó cellákat adhatunk meg, a Cell Reference-nél a feltételeket kiszámító függvények cellatartományát, a kettőt pedig valamilyen reláció ( =) köti össze, vagy (int, bin) egész-/ bináris értékűségi feltétel Az Options gombra előjön a Solver options: Itt a Max time-ot és Iterations-t emeljük, hogy adott Convergence leállítási feltétel mellett a gradiens algoritmus végig tudjon futni Az Assume Linear Model-t kikap- csolva jelezzük a nemlinearitást Save Model-lel mentjük a modellt egy üres munkalap-oszlopba katt A Solve gombbal indítjuk az optimalizációt katt

27 A PriceCenter ™ v2.0 használhatóságának SWOT-analízise 1 Erősségek (Strengths): Lehetővé teszi a rugalmassági táblázat segítségével az összetett akciók tervezését Szimulálni tudja a manuális árváltoztatások hatásait Kiszámítja az árengedmények optimális kombinációját és a promóciós költségvetés kategóriák közti elosztásának optimális arányait A másodlagos célok alsó korlátainak gondos beállításával profit- és piacrészesedés növelő stratégiákat is ki tud szolgálni Gyengeségek (Weaknesses): Ha egy termék ára eddig nem nagyon változott, nem képes bevonni az elemzésbe Lehetőségek (Opportunities): Árazási kísérletek –Azon termékeknél, ahol az ár korábban nem nagyon változott, a regresszió nem használható –Minden földrajzi régióban ki kell jelölni egy nagyon jó és egy nagyon rossz minta üzletet –Ezekben az üzletekben árazási kísérleteket kell folytatni, és a hatásukat elemezni kell a rendszerrel

28 A PriceCenter ™ v2.0 használhatóságának SWOT-analízise 2 Más láncokkal folytatott árverseny elemzése –A legtöbb terméknél a kereslet alakulása nem magyarázható meg csak a saját árazásból –Hetenként, régiónként, versenytársanként össze kell gyűjteni, a kiadott flyereket és promóciós anyagokat, Internetről a honlapjuktról az árazási akciókat, pénztárgépi blokkokat a vásárlóktól Némi jutalom fejében beszervez erre embereket a versenytársaknál, folytatólagosan, üzletszerűen. A blokkokat beszkenneli, és OCR szoftverrel felismerteti A szövegfájlokat adatbázis táblákká konvertálja A versenytárs termékelnevezéseit összekapcsolja a saját termékkategória rendszerrel Az üzletlánc és a beszállítók viszonyának gondosabb feltérképezése –Mekkora költségcsökkenést tud generálni az együttműködés? –Hogyan osszák el ennek hasznait? Fenyegetések (Threatens): Az árazási adatok ellopása elvileg szigorúan büntetendő, de kölcsönösen lopják, így senki nem jelent fel senkit

29 Szakirodalom 1 - Beenstock, S Supermarkets entice ‘ultra’ customers, Marketing, London, April 15, p Bellman, L.M Bricks and mortar: 21st century survival, Business Horizons 44 (3) p Blattberg, R.A., Wisiniewsky, K.A Price-induced patterns of competition, Marketing Science 8 (4) p Bolton, R The relationship between marketing characteristics and promotional elasticities, Journal of Marketing Science 60 (2) p Bult, J.R., Wansbeek, T Optimal selection for direct mail, Marketing Science 14 (4) p Cheong, K.J Observations: are cents-off coupons effective? Journal of Advertising Research 33 (2) p Cotterill, J. et al Assessing the competitive interaction between private labels and national brands, Journal of Business 73 (1) p Curtis, J Cards versus cuts in the loyalty war, Marketing, London, October 7, p Ehrenberg, W. et al Advertising and price, Journal of Advertising Research 37 (3) p Francis, R. et al Variability of brand price elasticities across retail stores, Journal of Retailing 74 (3) p Goldberg, D.E Genetic algorithms in search, optimization and machine learning, Addison-Wesley-Longman p Hoch, S.J. et al Determinants of store level price elasticity, Journal of Marketing Research 32 (1) p Hughes, A.M Making database pay off using recency, frequency and monetary analysis, Journal of Database Marketing v. 3, p

30 Szakirodalom 2 - Hughes, A.M How safeway built loyalty, Target Marketing 22 (3) p Karande, K.W., Kumar, V The effect of brand characteristics and retailer policies on response to retail price promotions: implications for retailers, Journal of Retailing 71 (3) p Lee, J Service with a smile, Marketing, London, November 28, p Lewis, L Card games, Progressive Grocer 77 (5) p MacStravic, S The death of the four p’s: a premature obituary, Marketing Health Services 20 (4) p Mérő, László Észjárások, Alexandra, Budapest p Mercer, A Non-linear-price effects, International Journal of Marketing Research 38 (3) p Niraj, R. et al Customer profitability in a supply chain, Journal of Marketing 65 (3) p Partch, K For most, loyalty cards haven’t changed a thing, Supermarket Business 54 (7) p Pauler, G., Dick, A Maximizing profit of a food retailing chain by targeting and promoting valuable customers using Loyalty Card and Scanner Data, European Journal of Operational Research, Working paper publikációra elfogadva Pauler, G., Dick, A Maximizing profit of a food retailing chain by targeting and promoting valuable customers using Loyalty Card and Scanner Data, European Journal of Operational Research, Working paper publikációra elfogadva - Raider, A Programs make results out of research, Marketing News, Chicago, June 21, vol. 33, p Sachs, W.S How to find and cultivate customers through direct marketing, Journal of Consumer Marketing, Spring, v. 14, p Schoenbachler, D.D. et al Understanding consumer database marketing, Journal of Consumer Marketing 14 (1), p Shankar, V., and Krishnamurthi, L Relating price sensitivity to retailer promotional variables and pricing policy: an empirical analysis, Journal of Retailing 72 (3) p Walters, R.G An empirical investigation into retailer response to manufacturer trade promotions, Journal of Retailing 65 (2) p


Letölteni ppt "Pécsi Tudományegyetem Pollack Mihály Műszaki Kar Műszaki Informatika Szak Data Mining 22. Előadás Dr. Pauler Gábor, Egyetemi Docens PTE-PMMFK Villamos."

Hasonló előadás


Google Hirdetések