Comments 11
Вычисления несложные, Вы правы, но необоснованные. Почему Вы решили, что распределение будет нормальным? Почему вы выбрали 1.5 сигмы? Цитирую: «Вероятность того, что продажи товара в истории продаж, при нормальном ходе событий, будут меньше чем средние продажи этого товара минус среднеквадратичные продажи товара умноженные на 1,5, равнa 91%». Во-первых, что такое среднеквадратичные продажи? Так не говорят. Во-вторых, вы, наверное, имели ввиду не 91%, а 9%, а то у Вас почти все продажи были бы «аномально низкими». И в-третьих даже с 9% Вы не правы — это вероятность того, что продажи будут либо аномально низкими, либо аномально высокими. Вероятно, Вы хотели написать 4.5%.
Раз уж залезли в область мат. статистики и решили писать об этом статью, желательно все-таки в этой теории разбираться.
Раз уж залезли в область мат. статистики и решили писать об этом статью, желательно все-таки в этой теории разбираться.
+3
1. Выбрали 1,5 сигмы эксперементальным путем.
2. С 91% ошиблись, исправили на 9%. Среднеквадратические продажи исправили. Спасибо.
3. Правильно 9% потому-что мы ищем только аномально низкие продажи: 0.1+2.1+(13.6/2)=9, мы смотрим только левую сторону график
2. С 91% ошиблись, исправили на 9%. Среднеквадратические продажи исправили. Спасибо.
3. Правильно 9% потому-что мы ищем только аномально низкие продажи: 0.1+2.1+(13.6/2)=9, мы смотрим только левую сторону график
0
Насчет третьего, Вы, надеюсь, шутите. Это так Вы считаете вероятность?
Я подскажу. Для подсчета вероятности выхода за нижнюю границу мю-1.5 сигмы нужно брать определенный интеграл от функции плотности нормального распределения с пределами -бесконечность и мю-1.5 сигмы. И в Вашем случае она составит около 6.68%.
Я подскажу. Для подсчета вероятности выхода за нижнюю границу мю-1.5 сигмы нужно брать определенный интеграл от функции плотности нормального распределения с пределами -бесконечность и мю-1.5 сигмы. И в Вашем случае она составит около 6.68%.
+2
Да вы правы, для точного подсчета вероятности нужно интегрировать. Я же указал примерное значение. Но для практичекого результата 2.32% разницы не имеют почти никакого значения. В статье исправили.
0
Еще интересно было бы проверить, какое распределение лучше описывает продажи. Я лично отдал бы предпочтение гипотезе о бета-распределении (см. логистическая кривая), а не о нормальном. Но тут нужно брать данные и примерять.
0
И всё же — хороший подход, хотя, как написал The_Freeman — не все прописано до конца, но меня собственно интересует именно общее понимание процесса. У Вас есть ещё какие-то наработки в этой области? Было бы интересно.
0
Статья описывает как работает один из функционалов нашего сервиса. Вот еще одна статья в нашем блоге datawiz.io/ru/blogs12/. Мы делали еще очень много чего интерестного — прогнозирование продаж, оптимизацию управления запасами, деревья решений и т.д., но не хватает времени все это описать. В будующем появятся новые статьи.
0
как правильно указали выше, где проверка нормальности распределения? без этого оценка стат.выбросов по нижней границе бесмысленна. какой фактический профит бизнесу от притянутого за уши алгоритма оценки упущенной выгоды?
0
Sign up to leave a comment.
Как выявить потери в продажах