![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/luca-serr.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Mittel")
<\/span><\/div>Gesch\u00e4ftlicher Kontext<\/p><\/h2><\/div>Bei der Planung zuk\u00fcnftiger Werbekampagnen m\u00fcssen Bedarfsplaner entscheiden, welche Produktsortimente mit einem bestimmten Werbemechanismus rabattiert werden sollen (z.B. \u201c-15%\u201d, \u201cKaufen Sie 2, erhalten Sie 1 gratis\u201d usw...)<\/p>\n
Dies sind schwierige Entscheidungen, denn:<\/p>\n<\/div>
- <\/i><\/span>Entscheiden Sie sich f\u00fcr\u00a0zu viele Werbeaktionen<\/strong>\u00a0w\u00fcrde\u00a0nicht sein<\/strong>\u00a0eine\u00a0effektiv<\/strong>\u00a0Strategie (die Kunden gew\u00f6hnen sich an Werbeaktionen und warten eher auf die n\u00e4chste).<\/div><\/li>
- <\/i><\/span>Die Wahl der\u00a0falsche Promotionen<\/strong>\u00a0w\u00fcrde zu Ausf\u00e4llen f\u00fchren und\u00a0Verluste<\/strong>.<\/div><\/li><\/ul>
F\u00fcr die meisten Einzelhandelsunternehmen ist die\u00a0Kampagnenwahlen<\/strong>\u00a0gemacht werden\u00a0auf der Grundlage ihrer Gesch\u00e4ftskenntnisse<\/strong>\u00a0und die\u00a0Leistung fr\u00fcherer Bef\u00f6rderungen<\/em>. Allerdings ist die \u201cLeistung<\/strong>\u00a0der vergangenen Bef\u00f6rderungen\u201d ist\u00a0schwer zu sch\u00e4tzen<\/strong>. In der Tat steigern Werbekampagnen den Umsatz (in den meisten F\u00e4llen), aber wie l\u00e4sst sich die Effizienz oder der Return On Investment (ROI) absch\u00e4tzen, wenn wir nicht wissen, wie hoch der Umsatz ohne eine Werbeaktion gewesen w\u00e4re? Dieser hypothetische Wert des Umsatzes ohne Promotion kann als\u00a0Grundlinie<\/em>. Mit anderen Worten: Es geht darum, die\u00a0inkrementelle Verk\u00e4ufe<\/strong>\u00a0(oder\u00a0Aufzug<\/em>) einer Werbekampagne, die dem\u00a0tats\u00e4chliche Verk\u00e4ufe<\/strong>,\u00a0abz\u00fcglich der Basislinie<\/strong>.<\/p>\nUm diese Frage zu beantworten, haben wir ein Tool entwickelt, mit dem wir den Verkaufsanstieg vergangener Kampagnen mit einer Genauigkeit von fast 90% absch\u00e4tzen konnten.
\nDiese Aufgabe ist recht anspruchsvoll, da das Ziel darin besteht, Prognosen \u00fcber\u00a0hypothetische<\/em>\u00a0Umsatz in einer anderen Situation (hier, wenn die Werbekampagne f\u00fcr ein bestimmtes Produkt nicht stattgefunden h\u00e4tte). Dies kann man als \u201ckontrafaktische Vorhersage<\/em>\u201d. Dieser Artikel basiert haupts\u00e4chlich auf unseren Erfahrungen bei einem Projekt, das wir f\u00fcr eine franz\u00f6sische Ladenkette durchgef\u00fchrt haben.<\/p>\nEr soll den von uns verwendeten Ansatz beschreiben und Tipps und Vorbehalte bei der Implementierung einer kontrafaktischen Prognosel\u00f6sung geben (data Vorbereitung<\/em>,\u00a0Modellierung<\/em>), erkl\u00e4ren Sie die\u00a0Bewertung<\/em>\u00a0Prozess und diskutieren schlie\u00dflich die\u00a0Grenzen<\/em>\u00a0und\u00a0n\u00e4chste Schritte<\/em>\u00a0zu diesem Ansatz.<\/p>\n<\/div>Was ist eine kontrafaktische Vorhersage und warum ist sie schwierig vorherzusagen?<\/h2><\/div>Die kontrafaktische Vorhersage ist der Prozess der Vorhersage von etwas in der Form:\u00a0Was w\u00fcrde\u00a0<\/em>X\u00a0w\u00e4re, wenn es keine\u00a0<\/em>Y. In unserem Anwendungsfall,\u00a0X<\/em>\u00a0w\u00e4re der Verkauf und\u00a0Y<\/em>\u00a0w\u00e4re eine Werbekampagne.<\/p>\nEs gibt tats\u00e4chlich\u00a0mehrere Felder<\/strong>\u00a0wo dieses Verfahren angewendet werden kann:\u00a0Bestandsunterdeckung<\/strong>\u00a0(Sch\u00e4tzung des Fehlbetrages aufgrund von nicht vorr\u00e4tigen Artikeln), alle\u00a0besondere Ereignisse, die nicht allzu lange dauern<\/strong>\u00a0(Covid: funktioniert nicht!), um gen\u00fcgend data zu haben, um diese kontrafaktische Situation zu sch\u00e4tzen.<\/p>\nDas Bef\u00f6rderungsproblem kann unter 3 Gesichtspunkten angegangen werden (sortiert nach aufsteigender Schwierigkeit):<\/p>\n<\/div>
- <\/i><\/span>\n
1. Verstehen vergangener Bef\u00f6rderungen:<\/strong> die Leistung (z. B. Umsatzsteigerung oder ROI) fr\u00fcherer Werbekampagnen gr\u00fcndlich zu bewerten.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
2. Vorhersage <\/strong>die Leistung <\/strong>von zuk\u00fcnftige F\u00f6rderung<\/strong>\u00a0Kampagnen anhand ihrer Merkmale (rabattierte Produkte, Start- und Enddatum, Mechanismus...)<\/p>\n<\/div><\/li>- <\/i><\/span>\n
3. Optimierung des Promotionsplans<\/strong>: Ermittlung der besten Aufstellung zuk\u00fcnftiger Werbeaktionen zur Maximierung einer Gesch\u00e4ftskennzahl.<\/p>\n<\/div><\/li><\/ul>In diesem Artikel,\u00a0werden wir uns auf den ersten Schritt konzentrieren<\/em>\u00a0da dies das Ziel unseres Projekts war. In den folgenden Abschnitten geben wir Ihnen jedoch einige Hinweise darauf, wie Sie die n\u00e4chsten beiden Punkte angehen k\u00f6nnen.<\/p>\nEs gibt zwei Hauptgr\u00fcnde, die die Aufgabe der kontrafaktischen Vorhersage zu einem schwierigen Prozess machen:<\/p>\n<\/div>
- <\/i><\/span>\n
Es gibt eine Mangel an Literatur oder Beispielen<\/strong>\u00a0zu diesem Thema, w\u00e4hrend es im Einzelhandel und anderen Branchen sehr n\u00fctzlich ist.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Bei kontrafaktischen Prognosen,\u00a0es gibt keine grundlegende Wahrheit<\/strong>, denn es ist etwas, das nicht passiert ist. Daher scheint die Leistungsbewertung recht schwierig zu sein (gl\u00fccklicherweise haben wir einen Ansatz entwickelt, der im Abschnitt Bewertung vorgestellt wird).<\/p>\n<\/div><\/li><\/ul>Vorgeschlagener Ansatz<\/h2><\/div>Der Ansatz, den wir bei der Entwicklung unseres Tools verwendet haben, ist der folgende:<\/p>\n<\/div>
- <\/i><\/span>\n
1. Zug<\/strong>\u00a0eine Vorhersage\u00a0Modell f\u00fcr Termine au\u00dferhalb der Promotion<\/strong>, um zu erfahren, wie die Ums\u00e4tze ohne geplante Werbeaktionen aussehen sollten.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
2. Voraussagen<\/strong>\u00a0auf alle data-Punkte (eigentlich werden nur die Vorhersagen w\u00e4hrend der Aktion verwendet, aber es kann gut sein, die Vorhersagen \u00fcberall zu behalten, um sie zu interpretieren).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
3. Vergleichen Sie<\/strong>\u00a0die vorhergesagte Basislinie zu den tats\u00e4chlichen Verk\u00e4ufen w\u00e4hrend jeder Werbeaktion, um daraus den Uplift abzuleiten.<\/p>\n<\/div><\/li><\/ul>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/article-medium1.png\" "\\"artikel-medium1\\"")
<\/span><\/div>Wichtiger Hinweis<\/em>: Das Ziel ist es, die Prognosen w\u00e4hrend der in der Vergangenheit liegenden Aktionszeitr\u00e4ume zu nutzen. Denn diese Aufgabe ist eine\u00a0a posteriori<\/em>\u00a0Analyse<\/strong>\u00a0dass es im Gegensatz zur klassischen Vorhersage\u00a0m\u00f6glich, an Terminen zu trainieren, die\u00a0nach<\/em>\u00a0den Zeitraum der Inferenz<\/strong>, entsprechend der Werbekampagne. Es gibt hier keinen Begriff von data Leckage, da wir versuchen, ein Ph\u00e4nomen zu erkl\u00e4ren, das in der Vergangenheit passiert ist. Der Arbeitsablauf zwischen Training und Schlussfolgerung sieht also wie folgt aus:<\/p>\n<\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/Article-medium2.png\" "\\"Artikel-Medium2\\"")
<\/span><\/div>Implementierung<\/p><\/h2><\/div>Vorbereiten des data<\/p><\/h3><\/div>Um das Problem der Werbung zu l\u00f6sen, m\u00fcssen Sie das richtige data-Format verwenden. Normalerweise haben wir Zugang zu zwei Arten von data:<\/p>\n
1. Werbegeschenk data<\/strong>\u00a0(beschreibende Informationen zu Werbeaktionen)<\/p>\n2. Verkauf data<\/strong>.<\/p>\n<\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/article-medium3.png\" "\\"artikel-medium3\\"")
<\/span><\/div>Die vorverarbeitete data ist im Grunde die data der Verk\u00e4ufe, angereichert mit Aktionsinformationen (linke Verkn\u00fcpfung, siehe Abbildung oben). Jede Zeile mit einem \u201cPromo-Typ\u201d ungleich Null entspricht einem Tag, an dem das Produkt im Angebot ist.<\/p>\n
Bevor Sie die erste Implementierung vornehmen, ist es wichtig, dass Sie\u00a0die Qualit\u00e4t des data bewerten<\/strong>. Hier finden Sie einige Richtlinien f\u00fcr die durchzuf\u00fchrenden Kontrollen:<\/p>\n1. Suchen Sie nach wichtigen Ausgaben<\/strong>\u00a0im\u00a0Zeitreihen<\/strong>:<\/p>\n<\/div>- <\/i><\/span>\n
Intermittierend<\/strong>\u00a0und\/oder sehr\u00a0geringe Ums\u00e4tze\u00a0<\/strong>(es wird schwer sein, eine Basislinie zu lernen).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Werbeaktionen dauern zu lange<\/strong>\u00a0und\/oder zu h\u00e4ufig sind (also nicht gen\u00fcgend data-Punkte zum Trainieren).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Einige\u00a0Produkte<\/strong>\u00a0sind in\u00a0mehrere Promotionen<\/strong>\u00a0zur gleichen Zeit (welche Werbung ist f\u00fcr diese zus\u00e4tzlichen Verk\u00e4ufe verantwortlich?)<\/p>\n<\/div><\/li><\/ul>2. Definieren Sie eine\u00a0Granularit\u00e4t<\/strong>\u00a0f\u00fcr den Anwendungsfall:<\/p>\n<\/div>- <\/i><\/span>\n
Zeit<\/strong>\u00a0Granularit\u00e4t: Soll die Analyse t\u00e4glich oder w\u00f6chentlich erfolgen?<\/p>\n<\/div><\/li>- <\/i><\/span>Artikel<\/strong>\u00a0Granularit\u00e4t: eine Zeitreihe pro Artikel? Nach Familie von Artikeln? Manchmal k\u00f6nnen Sie die Granularit\u00e4t nicht reduzieren, wenn die Anzahl der verkauften Einheiten pro Zeitelement nicht hoch genug ist oder wenn die Zeitreihe zu unregelm\u00e4\u00dfig ist. Die\u00a0aggregierte Verk\u00e4ufe\u00a0<\/strong>wird sein\u00a0Glattere<\/strong>, mit weniger Lautst\u00e4rkeproblemen, aber sie werden manchmal\u00a0mangelnde Interpretierbarkeit<\/strong>.<\/div><\/li><\/ul>
Wenn die Zeitreihen also sauber genug sind, ist es ein guter Ausgangspunkt, einen m\u00f6glichst granularen Ansatz zu w\u00e4hlen (z.B. Produkt X Tag, insbesondere wenn Sie mit Prophet arbeiten, wie wir es in diesem Projekt getan haben).<\/p>\n
3. Mit einer\u00a0klarer Umfang der F\u00f6rderung<\/strong>Welche Produkte\/Familien von Produkten sind Teil einer bestimmten Werbeaktion? Sind die Werbeaktionen auf nationaler Ebene geplant? (Wenn nicht, kann man z.B. nicht die Verk\u00e4ufe eines Produkts in allen Gesch\u00e4ften eines Landes aggregieren).<\/p>\nNachdem das data gepr\u00fcft und vorbereitet wurde, ist es Zeit f\u00fcr die Modellierung.<\/p>\n<\/div>
Modellierung<\/p><\/h3><\/div>Erste Iterationen und wichtige Erkenntnisse<\/h4><\/div>Wir\u00a0gestartet<\/strong>\u00a0unsere ersten Iterationen mit\u00a0Prophet<\/strong><\/a>\u00a0weil es uns erm\u00f6glichte, eine\u00a0Grundlinie<\/strong>\u00a0sehr\u00a0schnell<\/strong>, einfach hinzuf\u00fcgen\u00a0Regressoren<\/strong><\/a>, und\u00a0interpretieren<\/strong>\u00a0die Ergebnisse nat\u00fcrlich (dank der additiven Zerlegung).<\/p>\nHier finden Sie eine Zusammenfassung der wichtigsten Iterationsverbesserungen, die wir w\u00e4hrend des Projekts vorgenommen haben:<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/10\/article-medium4.png\" "\\"artikel-medium4\\"")
<\/span><\/div>Im Grunde genommen, die\u00a0wichtigste Verbesserungen<\/strong>\u00a0kamen aus dem\u00a0Regressoren<\/strong>\u00a0haben wir hinzugef\u00fcgt:<\/p>\n<\/div>- <\/i><\/span>
Bei der Planung zuk\u00fcnftiger Werbekampagnen m\u00fcssen Bedarfsplaner entscheiden, welche Produktsortimente mit einem bestimmten Werbemechanismus rabattiert werden sollen (z.B. \u201c-15%\u201d, \u201cKaufen Sie 2, erhalten Sie 1 gratis\u201d usw...)<\/p>\n
Dies sind schwierige Entscheidungen, denn:<\/p>\n<\/div>
- <\/i><\/span>Entscheiden Sie sich f\u00fcr\u00a0zu viele Werbeaktionen<\/strong>\u00a0w\u00fcrde\u00a0nicht sein<\/strong>\u00a0eine\u00a0effektiv<\/strong>\u00a0Strategie (die Kunden gew\u00f6hnen sich an Werbeaktionen und warten eher auf die n\u00e4chste).<\/div><\/li>
- <\/i><\/span>
Die Wahl der\u00a0falsche Promotionen<\/strong>\u00a0w\u00fcrde zu Ausf\u00e4llen f\u00fchren und\u00a0Verluste<\/strong>.<\/div><\/li><\/ul>F\u00fcr die meisten Einzelhandelsunternehmen ist die\u00a0Kampagnenwahlen<\/strong>\u00a0gemacht werden\u00a0auf der Grundlage ihrer Gesch\u00e4ftskenntnisse<\/strong>\u00a0und die\u00a0Leistung fr\u00fcherer Bef\u00f6rderungen<\/em>. Allerdings ist die \u201cLeistung<\/strong>\u00a0der vergangenen Bef\u00f6rderungen\u201d ist\u00a0schwer zu sch\u00e4tzen<\/strong>. In der Tat steigern Werbekampagnen den Umsatz (in den meisten F\u00e4llen), aber wie l\u00e4sst sich die Effizienz oder der Return On Investment (ROI) absch\u00e4tzen, wenn wir nicht wissen, wie hoch der Umsatz ohne eine Werbeaktion gewesen w\u00e4re? Dieser hypothetische Wert des Umsatzes ohne Promotion kann als\u00a0Grundlinie<\/em>. Mit anderen Worten: Es geht darum, die\u00a0inkrementelle Verk\u00e4ufe<\/strong>\u00a0(oder\u00a0Aufzug<\/em>) einer Werbekampagne, die dem\u00a0tats\u00e4chliche Verk\u00e4ufe<\/strong>,\u00a0abz\u00fcglich der Basislinie<\/strong>.<\/p>\n
Um diese Frage zu beantworten, haben wir ein Tool entwickelt, mit dem wir den Verkaufsanstieg vergangener Kampagnen mit einer Genauigkeit von fast 90% absch\u00e4tzen konnten.
\nDiese Aufgabe ist recht anspruchsvoll, da das Ziel darin besteht, Prognosen \u00fcber\u00a0hypothetische<\/em>\u00a0Umsatz in einer anderen Situation (hier, wenn die Werbekampagne f\u00fcr ein bestimmtes Produkt nicht stattgefunden h\u00e4tte). Dies kann man als \u201ckontrafaktische Vorhersage<\/em>\u201d. Dieser Artikel basiert haupts\u00e4chlich auf unseren Erfahrungen bei einem Projekt, das wir f\u00fcr eine franz\u00f6sische Ladenkette durchgef\u00fchrt haben.<\/p>\nEr soll den von uns verwendeten Ansatz beschreiben und Tipps und Vorbehalte bei der Implementierung einer kontrafaktischen Prognosel\u00f6sung geben (data Vorbereitung<\/em>,\u00a0Modellierung<\/em>), erkl\u00e4ren Sie die\u00a0Bewertung<\/em>\u00a0Prozess und diskutieren schlie\u00dflich die\u00a0Grenzen<\/em>\u00a0und\u00a0n\u00e4chste Schritte<\/em>\u00a0zu diesem Ansatz.<\/p>\n<\/div>
Was ist eine kontrafaktische Vorhersage und warum ist sie schwierig vorherzusagen?<\/h2><\/div>
Die kontrafaktische Vorhersage ist der Prozess der Vorhersage von etwas in der Form:\u00a0Was w\u00fcrde\u00a0<\/em>X\u00a0w\u00e4re, wenn es keine\u00a0<\/em>Y. In unserem Anwendungsfall,\u00a0X<\/em>\u00a0w\u00e4re der Verkauf und\u00a0Y<\/em>\u00a0w\u00e4re eine Werbekampagne.<\/p>\n
Es gibt tats\u00e4chlich\u00a0mehrere Felder<\/strong>\u00a0wo dieses Verfahren angewendet werden kann:\u00a0Bestandsunterdeckung<\/strong>\u00a0(Sch\u00e4tzung des Fehlbetrages aufgrund von nicht vorr\u00e4tigen Artikeln), alle\u00a0besondere Ereignisse, die nicht allzu lange dauern<\/strong>\u00a0(Covid: funktioniert nicht!), um gen\u00fcgend data zu haben, um diese kontrafaktische Situation zu sch\u00e4tzen.<\/p>\n
Das Bef\u00f6rderungsproblem kann unter 3 Gesichtspunkten angegangen werden (sortiert nach aufsteigender Schwierigkeit):<\/p>\n<\/div>
- <\/i><\/span>\n
1. Verstehen vergangener Bef\u00f6rderungen:<\/strong> die Leistung (z. B. Umsatzsteigerung oder ROI) fr\u00fcherer Werbekampagnen gr\u00fcndlich zu bewerten.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n2. Vorhersage <\/strong>die Leistung <\/strong>von zuk\u00fcnftige F\u00f6rderung<\/strong>\u00a0Kampagnen anhand ihrer Merkmale (rabattierte Produkte, Start- und Enddatum, Mechanismus...)<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n3. Optimierung des Promotionsplans<\/strong>: Ermittlung der besten Aufstellung zuk\u00fcnftiger Werbeaktionen zur Maximierung einer Gesch\u00e4ftskennzahl.<\/p>\n<\/div><\/li><\/ul>
In diesem Artikel,\u00a0werden wir uns auf den ersten Schritt konzentrieren<\/em>\u00a0da dies das Ziel unseres Projekts war. In den folgenden Abschnitten geben wir Ihnen jedoch einige Hinweise darauf, wie Sie die n\u00e4chsten beiden Punkte angehen k\u00f6nnen.<\/p>\n
Es gibt zwei Hauptgr\u00fcnde, die die Aufgabe der kontrafaktischen Vorhersage zu einem schwierigen Prozess machen:<\/p>\n<\/div>
- <\/i><\/span>\n
Es gibt eine Mangel an Literatur oder Beispielen<\/strong>\u00a0zu diesem Thema, w\u00e4hrend es im Einzelhandel und anderen Branchen sehr n\u00fctzlich ist.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nBei kontrafaktischen Prognosen,\u00a0es gibt keine grundlegende Wahrheit<\/strong>, denn es ist etwas, das nicht passiert ist. Daher scheint die Leistungsbewertung recht schwierig zu sein (gl\u00fccklicherweise haben wir einen Ansatz entwickelt, der im Abschnitt Bewertung vorgestellt wird).<\/p>\n<\/div><\/li><\/ul>
Vorgeschlagener Ansatz<\/h2><\/div>
Der Ansatz, den wir bei der Entwicklung unseres Tools verwendet haben, ist der folgende:<\/p>\n<\/div>
- <\/i><\/span>\n
1. Zug<\/strong>\u00a0eine Vorhersage\u00a0Modell f\u00fcr Termine au\u00dferhalb der Promotion<\/strong>, um zu erfahren, wie die Ums\u00e4tze ohne geplante Werbeaktionen aussehen sollten.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n2. Voraussagen<\/strong>\u00a0auf alle data-Punkte (eigentlich werden nur die Vorhersagen w\u00e4hrend der Aktion verwendet, aber es kann gut sein, die Vorhersagen \u00fcberall zu behalten, um sie zu interpretieren).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n3. Vergleichen Sie<\/strong>\u00a0die vorhergesagte Basislinie zu den tats\u00e4chlichen Verk\u00e4ufen w\u00e4hrend jeder Werbeaktion, um daraus den Uplift abzuleiten.<\/p>\n<\/div><\/li><\/ul>
<\/span><\/div>Wichtiger Hinweis<\/em>: Das Ziel ist es, die Prognosen w\u00e4hrend der in der Vergangenheit liegenden Aktionszeitr\u00e4ume zu nutzen. Denn diese Aufgabe ist eine\u00a0a posteriori<\/em>\u00a0Analyse<\/strong>\u00a0dass es im Gegensatz zur klassischen Vorhersage\u00a0m\u00f6glich, an Terminen zu trainieren, die\u00a0nach<\/em>\u00a0den Zeitraum der Inferenz<\/strong>, entsprechend der Werbekampagne. Es gibt hier keinen Begriff von data Leckage, da wir versuchen, ein Ph\u00e4nomen zu erkl\u00e4ren, das in der Vergangenheit passiert ist. Der Arbeitsablauf zwischen Training und Schlussfolgerung sieht also wie folgt aus:<\/p>\n<\/div>
<\/span><\/div>Implementierung<\/p><\/h2><\/div>
Vorbereiten des data<\/p><\/h3><\/div>
Um das Problem der Werbung zu l\u00f6sen, m\u00fcssen Sie das richtige data-Format verwenden. Normalerweise haben wir Zugang zu zwei Arten von data:<\/p>\n
1. Werbegeschenk data<\/strong>\u00a0(beschreibende Informationen zu Werbeaktionen)<\/p>\n
2. Verkauf data<\/strong>.<\/p>\n<\/div>
<\/span><\/div>Die vorverarbeitete data ist im Grunde die data der Verk\u00e4ufe, angereichert mit Aktionsinformationen (linke Verkn\u00fcpfung, siehe Abbildung oben). Jede Zeile mit einem \u201cPromo-Typ\u201d ungleich Null entspricht einem Tag, an dem das Produkt im Angebot ist.<\/p>\n
Bevor Sie die erste Implementierung vornehmen, ist es wichtig, dass Sie\u00a0die Qualit\u00e4t des data bewerten<\/strong>. Hier finden Sie einige Richtlinien f\u00fcr die durchzuf\u00fchrenden Kontrollen:<\/p>\n
1. Suchen Sie nach wichtigen Ausgaben<\/strong>\u00a0im\u00a0Zeitreihen<\/strong>:<\/p>\n<\/div>
- <\/i><\/span>\n
Intermittierend<\/strong>\u00a0und\/oder sehr\u00a0geringe Ums\u00e4tze\u00a0<\/strong>(es wird schwer sein, eine Basislinie zu lernen).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nWerbeaktionen dauern zu lange<\/strong>\u00a0und\/oder zu h\u00e4ufig sind (also nicht gen\u00fcgend data-Punkte zum Trainieren).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nEinige\u00a0Produkte<\/strong>\u00a0sind in\u00a0mehrere Promotionen<\/strong>\u00a0zur gleichen Zeit (welche Werbung ist f\u00fcr diese zus\u00e4tzlichen Verk\u00e4ufe verantwortlich?)<\/p>\n<\/div><\/li><\/ul>
2. Definieren Sie eine\u00a0Granularit\u00e4t<\/strong>\u00a0f\u00fcr den Anwendungsfall:<\/p>\n<\/div>
- <\/i><\/span>\n
Zeit<\/strong>\u00a0Granularit\u00e4t: Soll die Analyse t\u00e4glich oder w\u00f6chentlich erfolgen?<\/p>\n<\/div><\/li>
- <\/i><\/span>
Artikel<\/strong>\u00a0Granularit\u00e4t: eine Zeitreihe pro Artikel? Nach Familie von Artikeln? Manchmal k\u00f6nnen Sie die Granularit\u00e4t nicht reduzieren, wenn die Anzahl der verkauften Einheiten pro Zeitelement nicht hoch genug ist oder wenn die Zeitreihe zu unregelm\u00e4\u00dfig ist. Die\u00a0aggregierte Verk\u00e4ufe\u00a0<\/strong>wird sein\u00a0Glattere<\/strong>, mit weniger Lautst\u00e4rkeproblemen, aber sie werden manchmal\u00a0mangelnde Interpretierbarkeit<\/strong>.<\/div><\/li><\/ul>Wenn die Zeitreihen also sauber genug sind, ist es ein guter Ausgangspunkt, einen m\u00f6glichst granularen Ansatz zu w\u00e4hlen (z.B. Produkt X Tag, insbesondere wenn Sie mit Prophet arbeiten, wie wir es in diesem Projekt getan haben).<\/p>\n
3. Mit einer\u00a0klarer Umfang der F\u00f6rderung<\/strong>Welche Produkte\/Familien von Produkten sind Teil einer bestimmten Werbeaktion? Sind die Werbeaktionen auf nationaler Ebene geplant? (Wenn nicht, kann man z.B. nicht die Verk\u00e4ufe eines Produkts in allen Gesch\u00e4ften eines Landes aggregieren).<\/p>\n
Nachdem das data gepr\u00fcft und vorbereitet wurde, ist es Zeit f\u00fcr die Modellierung.<\/p>\n<\/div>
Modellierung<\/p><\/h3><\/div>
Erste Iterationen und wichtige Erkenntnisse<\/h4><\/div>
Wir\u00a0gestartet<\/strong>\u00a0unsere ersten Iterationen mit\u00a0Prophet<\/strong><\/a>\u00a0weil es uns erm\u00f6glichte, eine\u00a0Grundlinie<\/strong>\u00a0sehr\u00a0schnell<\/strong>, einfach hinzuf\u00fcgen\u00a0Regressoren<\/strong><\/a>, und\u00a0interpretieren<\/strong>\u00a0die Ergebnisse nat\u00fcrlich (dank der additiven Zerlegung).<\/p>\n
Hier finden Sie eine Zusammenfassung der wichtigsten Iterationsverbesserungen, die wir w\u00e4hrend des Projekts vorgenommen haben:<\/p>\n<\/div>
<\/span><\/div>Im Grunde genommen, die\u00a0wichtigste Verbesserungen<\/strong>\u00a0kamen aus dem\u00a0Regressoren<\/strong>\u00a0haben wir hinzugef\u00fcgt:<\/p>\n<\/div>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>