Comments 10
Так о чем статья? Зачем нам компьютеры, если мы на счетах прекрасно справляемся?! Среди ИИ множество моделей, каждая из них со своими возможностями. При желании, наличии ресурсов можно свою специализированную нейросеть запустить, это дело считанных часов. Далее ее обучать и она будет реагировать на внешние факторы и подсказывать решения. Не принимать их за человека, а подсказывать. Сами же начали с того что спрос зависит от множества факторов и тут же пришли к прямой. Любой человек, который не прогуливал в школе математику скажет что прямая, это график функции с одной переменной. А если уж человек получил высшее образование...
А если уж человек получил высшее образование.
Поправит очки и скажет линейная регрессия.
у статьи 3 главных тезиса (некоторые раскрою в ответе чуть глубже):
На спрос влияет огромное количество количество факторов. По отдельности всех их учесть невозможно. Поэтому:
Предиктивная аналитика в работе показала себя плохо. Черные лебеди "сносят" прогноз за прогнозом. Наш опыт и опыт коллег по цеху показали несостоятельность чисто прогностических моделей. По крайней мере пока.
Сделать реалистичную модель зависимости спроса от всех внешних и внутренних факторов невозможно. А кривая "зависимости" спроса от цены актуальна только если все эти внешние факторы неизменны. По факту - это просто "слепок" спроса на текущий момент времени. Поэтому необходимо делать частые "срезы" спроса и постоянную корректировку ценообразования. Безусловно, предиктивную/статистическую составляющую важно учитывать, но не в блоке построения функции спроса.
Как показали исследования, при частых срезах спроса линейная аппроксимация зарекомендовала себя отлично в решении данной задачи. Нет смысла городить нейронки там, где они не дают никакой дополнительной выгоды. Для того, чтобы сложить 2 и 2, деревянных счёт вполне достаточно.
Кривая спроса работает только в связке целевым темпом продаж. Большинство застройщиков в качестве этого целевого темпа берут "равномерное вымывание". Это здравый подход. Но в реальном мире с дорогими деньгами, инфляцией и рядом других факторов - не оптимален. В следующей статье детально опишу, что и как учитывать для определения оптимального темпа продаж и цены, которая его обеспечивает. Судя по опыту работы с застройщиками, сейчас очень многие пробуют "хакнуть" задачу минимизации расходов на финансирование девелоперских проектов и повышения прибыльности проектов. По прогнозам более 30% застройщиков закончат 2025 год с операционным убытком из-за низкого спроса и огромной стоимости денег. Правильное ДЦО помогает выжать максимум и из любой ситуации.
Если это адресвано мне, то я прочитал вашу статью. У меня как человека с несколькими высшими образованиями и большим опытом в самых разных областях сразу возникает несколько вопросов и попутных рассуждений.
Абсолютно согласен, что на спрос влияет большое количество факторов. Простыми математическими моделями их не описать, с этим не справится ни одна известная математическая функция, ни их сочетание. А вот ИИ как раз таки инструмент "что надо". Но! Те предложения, которые на слуху и доступны многим имеют свои ограничения, просто потому что они так обучены. Их производители имели свои определенные цели и обучали модели для этих целей. Если вы и ваша компания вдруг обзаведетесь специально обученной ИИ для ваших конкретных целей вы окажетесь гораздо более прозорливее ваших конкурентов. Вопрос в том есть ли у вас на это ресурсы и готовы ли вы тратить их на такой ИИ?
Как подсказывает мое знание математики, компьютерной графики на самом низком её уровне. Абсолютно любую кривую, с самой сложной запутанностью можно представить в виде прямых если "бесконечно приблизить\увеличить". Иными словами чем чаще вы проводите срез, как вы его называете, тем более вам будет подходить прямая ну или как еще называют линейная регрессия. Но вопрос в том, какие цели вы преследуете? Если вы строите прогноз на день или неделю то прямые вам подойдут даже не сомневаюсь. Если же это месяц и более, то как руководитель, владелец бизнеса или просто как человек отвечающий за развитие я бы с настороженностью подходил к такому инструменту.
Ваши конкуренты они же коллеги в некотором роде могут использовать что угодно и их стремление сократить издержки это нормальное явление любая компания, любое предприятие всегда стремится сокращать издержки. Даже когда рынок без внешних факторов риска, сокращение издержек было и будет фактором увеличения прибыли, борьбы с конкурентами и т.д.
Подводя итог всему этому. Я не собираюсь вас ни в чем убеждать я высказал свою субъективную точку зрения, вы высказали свою. Нравится вам так работать? Пожалуйста. Но на мой взгляд это больше похоже на зарывание головы в песок с надеждой, что все само пройдет и прямые окажутся правы и спасут ситуацию.
Аналогия со стрельбой по движущимся мишеням хорошая, но в реальности все немного не так. Представьте, что вам по прежнему нужно попасть по летящей тарелочке, но вы выпили пол литра чего покрепче, дует сильный ветер, идет ливень с градом, ну и землетрясение замечательно дополнит картину. Когда нужно попасть случайным значением в случайную область, то это называется стохастическое программирование (SP) - вы оптимизируете не просто значение целевой функции, а среднее значение целевой функции. А это очень разные вещи.
Так же интересен момент с выбором линейной функции в качестве аппроксимации кривой эластичности спроса по цене. Предиктивный анализ строится на каких-то базовых (фундаментальных) предположениях. Например, что будет если продолжить "кривую" спроса до +-бесконечности? Очевидно, что перед нами что-то экспоненциальное (особенно если рынок более-менее эффективен), линейная функция подходит для описания какой-то "части" таких явлений. А вот размер этой "части" - большой вопрос. К тому же раз речь идет о темпе (интенсивности?) продаж, то перед нами Пуассоновский процесс (нестационарный, хитровыдуманный, но Пуассоновский). Простота и понятность для CEO - это не гарантия... успешного успеха что ли.
Учитывая, что вы продаете не мороженное, а квартиры, то на мой взгляд лучше всего использовать вероятностное программирование. А в качестве бонуса вы получите распределения вероятностей, которые как раз и нужны для SP.
Так же надо отметить, что задача динамического ценообразования - это лишь частный случай задачи планирования продаж. Например, вы говорите, что нужно поддерживать темп продаж. Но на самом деле это задача оптимизации как цены, так и объема предложения - сколько и по какой цене продавать. Это "посчитать" сложнее, однако, куда сложнее найти оптимальную стратегию продаж - стохастическое программирование, это своего рода страхование рисков за счет неопределенности, но и это страхование может быть оптимальным и продуманным (двухэтапное SP, построенное на некотором множестве оптимальных логических ограничений (условий)).
Формулы, код, пруфы - вот чего не хватает вашей статье, - без всего этого, это просто маркетинг. А тут на такое аллергия.
По поводу стрельбы по мишени согласен с вашим тезисом (кроме "допинга"). Всё предсказать невозможно. Можно поставить датчики ветра по периметру участка, сейсмические сенсоры, собрать нейронку, которая будет точно обрабатывать все данные, а по факту собака будет пробегать мимо пусковой установки и сместит её в момент запуска мишени. Это предугадать не возможно. Мы работаем только с той информацией, которая у нас есть. Если не получается попасть, нужно подойти поближе к мишени (делать более частые "срезы" спроса.
Реальность - это действительно Пуассоновский процесс. Но сложность в том, что на малом объеме данных в рамках одного жилого комплекса работать с ним не представляется эффективным.
Вероятностный учет у нас включён в ряд модулей, но не является основой. Эта статья является базовой и подводящей к следующей, где будет больше "мяса".
С темпом продаж - абсолютно верно. Один из главных тезисов этой статьи в том, что нельзя рассматривать оптимальную цену в отрыве от оптимального темпа продаж. Это части одного уравнения. Но абсолютное большинство застройщиков это игнорируют и вместо расчёта оптимального темпа продаж в это уравнение подставляю константу. Именно об этом и будет следующая статья.
Мне кажется вы не понимаете фундаментальной проблемы в вашем методе ценообразования - у вас нет модели данных. Вы можете что-то оптимизировать только если можете смоделировать данные. То что данных (событий) мало - это не оправдание. Например, космические запуски происходят в десятки тысяч раз реже чем продаются квартиры, но при этом стоимость страховки для каждого запуска является оптимальной. Вам не кажется это странным?
Но на самом деле, для ваших аргументов все еще хуже, просто потому что есть RMS которые определяют лучшую цену для всего лишь 2-3 клиентов в год. Моделирование редких событий - это вовсе не магия, а давно известный и хорошо себя зарекомендовавший метод.
Есть у вашей статьи еще один большой недостаток - она не воспроизводима. Нет данных, нет модели данных, а значит нет способа убедиться в вашей правоте насчет валидности линейной модели (да и вообще в том, что у вас хоть что-то получается). Отсутствие воспроизводимости - это самый красный из всех красных флагов для ресерчей, аудиторов и консультантов.
Статья интересная, как человеку с экономическим образованием, почитать про реальные проблемы нахождения кривой спроса - очень интересно.
Но как аналитик данных, хочу сказать, что на протяжении всей статитьи в голове мысль: "если строили модель и она не дала хороших результатов, то как-то не так ее строили".
Если вы утверждаете, что "черные лебеди" прилетают и ломают модели, то очень хочется увидеть что были за события и насколько поломались модели.
Более того, уверен, что предсказать заранее влияние ковида или СВО на продажи за адекватное время невозможно. Однако, как вы и делаете сейчас, можно же поделить время на срезы до и после событий такого рода и также рассчитывать прогнозы отдельнотдля каждого периода.
На фоне того как ствтья погружает в проблему поиска решения, результат в виде линейной регрессии на коротких промежутках времени выглядит как Ока на фоне Lamborghini.
Очевидно, что любая функция аппроксимируется линейной и чем меньше промежуток, тем лучше будет работать линейное приближение.
Как заинтересованный читатель я бы очень хотел увидеть в следующих статьях показатели мер связи между предикатами, которые вы использовали и таргетом и ответ на вопрос почему линейная регрессия на коротких промежутках лучше, чем все остальное. И хотелось бы увидеть как подбирали регрессию для сушествующего решения
Кривая спроса в недвижимости: «Как использовать то, чего нет» или Искусство стрельбы по движущимся мишеням