Вы же сами говорите, что количество мальчиков и девочек каждый день разное и их аппетиты варьируются. А наложите на эту неопределенность еще цели банка иметь 99,9% уровень сервиса, стоимость инкассаций банкоматов и посчитайте, сколько денег стоит банку поддерживать этот уровень сервиса! Моментально эта простенькая математическая задачка превращается в крайне сложную задачу бизнес-аналитики. Некоторые идеи по реализации можно взять отсюда например: habrahabr.ru/company/croc/blog/145385/
Вот это уточнение во многом объясняет отношение банка к вашему предложению.
Задача — сложнейшая, нужно анализировать очень много меняющихся факторов.
Простой она кажется только тогда, когда вы работаете с допуском «денег может не хватить», что впрямую сказывается на сервисе.
Во-первых, университет может решить задачу в теории, но, скорее всего, не имеет практического опыта внедрения — а это для банка в десятки раз важнее, потому что сказывается на надёжности. Во-вторых, сама задача как таковая может быть не очень важна для банка ровно до тех пор, пока рынок прощает отсутствие хорошей IT-аналитики. А с каждым днём таких мест, где это простительно, остаётся всё меньше и меньше.
Да, учитываются, это определяется стратегией удовлетворения спроса — тренд от маркетологов, знающих, сколько стоят потеря и привлечение клиента, плюс после какого по счёту факапа магазина клиент больше не приходит. Все это является составляющими баланса потерь от недопрогноза и перепрогноза.
Внедрение таких систем целесообразно для торговых сетей от 30 магазинов. Как правило система в зависимости от масштабов внедрения окупается от 3 до 9 месяцев.
Во-первых, если что, книга не моя. Это один из самых простых примеров подсчётов после того ликбеза, который был в топике. Во-вторых, математика адская не только и не столько сложностью (хотя это тоже есть на этапе выявления факторов спроса, например), сколько тем, что нужно обрабатывать терабайты данных по сотням тысяч товаров, что руками сделать крайне сложно. Далее, чем лучше у вас выстроена матмодель прогнозирования спроса при наличии реальных данных, тем меньше вы несёте издержек. Для крупных розничных сетей это означает, что можно повышать сложность до адской ради выигрыша в десятые доли процента, что на практике — сэкономленные миллионы рублей.
Да, стратегия закрытия пиков обычно имеет смысл, но в примере речь о выбросе. Думаю, на Новый Год Саша будет держать минимум 10 ящиков в магазине — с учётом бешеного спроса и того, что поставки до 10 января ему точно не видать. В любом случае, все факторы учитываются при аналитике — есть на картинке. Это данные, которые чаще всего определяются стратегией удовлетворения спроса, например, компания Apple в некоторых случаях создает искусственный дефицит и при этом очень неплохо себя чувствует.
Да, вы правы. В примере этого нет, в реальности при интеграции, конечно же, есть. Расчёты подстраиваются под конкретные процессы: например, у товара может не быть заменителей, или клиент оперирует только складами, где нет такого понятия как выкладка в принципе.
Если вы Саша, то у вас, грубо говоря, три стратегии: брать по-полной и всегда держать Васю счастливым (большие расходы), брать по-минимум и не гарантировать наличие товара (малые расходы, но Вася может просто не зайти через какое-то время), или же использовать нечто среднее — оптимальное значение, которое зависит от многих факторов. Как подобрать такое значение правильно — вопрос аналитики. Если же вы рассматриваете эту тему с позиции отдельного клиента, то вопрос сам собой отпадёт завтра вечером.
Софт, как правило, лицензируется по количеству ядер процессоров сервера, на котором этот софт будет стоять. Количество же ядер высчитывается в зависимости от требуемых к обработке данных, то есть от размера клиентской базы. Обычно стоимость лицензий софта для промышленной эксплуатации начинается от $100К. Внедрение занимает от 2 месяцев в зависимости от того сколько и каких задач мы решаем (удержание клиентов, стимулирование клиентов, прогнозирование доходности клиентов и т.д.), какова структура проекта (реализация аналитических моделей и их тестирование на исторических данных, либо проведение реальной пилотной маркетинговой кампании). Соответственно и стоимость внедрения может сильно варьироваться.
Используются алгоритмы классификации для разбиения клиентов по группам склонности приобрести продукт. Делается это на основе истории других клиентов, уже пользующихся предлагаемым продуктом, и выявления значимых показателей, определяющих склонность каждого клиента к заказу конкретного продукта. Есть специальные аналитические движки, в которых такие алгоритмы реализованы, плюс другие инструменты Data Mining, выявляющие закономерности. Все это настраивается во время внедрения под бизнес и непосредственно в работе, например, отделом маркетинга, под конкретные условия. Например, оценивается уже имеющаяся база, выявляются самые прибыльные клиенты, ищется общая модель для них, и дальше используется для предсказания.
Привет коллегам! Да, точно, Крок. Огромный интегратор же: проблема не в том, что нет решения, а в том, что нужно понять, что оно для вас. Кстати, «теперь» — это последние пару лет точно, потому что внедрением занимаемся много где. Как я уже упоминал, банки, телекомы и крупный ритейл.
Учащение обращений в техподдержку (два-три близких) или одно-два с низкой оценкой за сервис. Конкуренция, как в примере выше. Переезды и их предсказание (сезонность). Среднее «время жизни» клиента в обычных условиях, то есть до появления стимула что-то менять. Провайдер — это услуга незаметная, пока не сбоит — не вспоминается. Лучше клиенту мягко напоминать о себе, например, бонусами или предложениями — это в большинстве случаев продлевает срок контракта. Дальше — оценка, что конкретно можно сделать и насколько это выгодно именно в вашей ситуации.
Значит, если у провайдера стоит одна из внедренных мной систем или аналогичная, это будет сразу заметно на уровне анализа маркетинговых предложений или на уровне анализа поведения групп клиентов, если кто-то отслеживает тенденции. Дальше — вопрос к маркетингу, менять ли условия всем, предлагать ли бонусы постоянным клиентам или оставить все как есть.
Конкретно про вас — никак не узнает, если вы не звонили в саппорт в последнее время особо часто, либо если в вашем районе не завелся другой провайдер, и другие клиенты с вашим профилем не побежали к нему. Основной отток случается заметно раньше, например, через 3-4 месяца (зависит от провайдера), тогда и надо делать бонусы. Вот более красивый пример: в недвижимости агенту надо звонить клиенту примерно через 3-4 месяца, когда он привыкнет к квартире и захочет перемен, либо через 10 месяцев — за месяц до конца договора. В зависимости от города и класса недвижимости есть четкие точки «нравится, но ищу новую», «хозяин пробует повысить цену» и так далее. Предложение нового варианта в этот момент воспринимается в разы лучше.
Задача — сложнейшая, нужно анализировать очень много меняющихся факторов.
Простой она кажется только тогда, когда вы работаете с допуском «денег может не хватить», что впрямую сказывается на сервисе.