Прогнозирование успеха сделки

Заранее спрогнозировать успех сделки важно потому, что в случае отказа клиента организация теряет не только затраченное на его привлечение и работу с ним время, но и затраченные на него средства, а также самого клиента, который, видимо, уйдет к конкуренту.

Когда у организации накопилось достаточно много информации о завершенных сделках, успешных и неуспешных, можно использовать эту информацию, для выяснения факторов, которые в большей степени влияют на конечное состояние сделки.

Для решения этой задачи воспользуемся деревом решений. В качестве входных полей для его обучения используем следующую информацию о сделках: KIND (вид клиента), АВС (тип по АВС классификации), MANAGER (менеджер), REGION (регион), DISTANCE (удаленность), BRANCH (сфера деятельности), E-MAIL, FAX, FONE (количество писем, факсов, телефонных разговоров перед сделкой). В качестве выходного используем поле DEAL_STATE (состояние сделки). После обучения, получаем дерево решений, которое представляет в иерархическом виде правила, следуя которым можно спрогнозировать успех сделки. На верхних уровнях дерева располагаются характеристики сделки, в наибольшей степени влияющие на ее состояние. Правила, из дерева решений можно представить в виде таблицы, представленной на рисунке 11.

Рисунок 11. Правила прогнозирования успеха сделки.

Прогнозирование объемов продаж

Торговые организации стремятся свести к минимуму время, которое товар лежит на складе, а также место, которое он там занимает. С другой стороны, необходимо чтобы на складе всегда лежал требуемый в настоящее время товар. Прогнозирование объемов продаж является важным шагом на пути принятия решения по оптимизации работы предприятия.

Важными данными для построения прогноза объемов продаж – это статистика продаж за предыдущие периоды. Такая информация есть в нашем хранилище. Не всегда имеет смысл делать общий прогноз продаж. Дело в том, что существуют случайные клиенты, которые нарушают общую тенденцию, покупая товар в 'неподходящий' сезон или случайный товар. Поэтому перед прогнозированием нужно выделить сделки по соответствующему сегменту клиентов и определенной группе товара, например, предпочитаемого этим сегментом.

Для примера сделаем фильтрацию всех сделок по третьему сегменту клиентов, группе товара номер 1 (предпочитаемый третьим сегментом), оставив только успешные сделки. Прогнозировать будем количество продаваемого товара. Рассматривать сделки по дням не имеет смысла, так как каждый день может очень сильно отличаться от другого по объему продаж. Но продажи в среднем по неделям или по месяцам отличаются не сильно. Сгруппируем все сделки по неделям. После такой группировки тенденция наблюдается лучше, но все еще существуют различные выбросы и шумы на кривой продаж. Для их устранения в Deductor 4 применяется инструмент «парциальная обработка». Воспользуемся им, указав удаление аномальных значений и вейвлет преобразование для сглаживания кривой продаж. Результат всех этих операций показан на рисунке 12.

Рисунок 12. Сглаженная кривая продаж.

Прогноз строится на предположении сезонности продаж и общего развития рынка. Для оценки сезонности используют автокорреляцию. Она показывает степень зависимости некоторого значения от предыдущих значений этой величины. В нашем примере максимум линии автокорреляции приходится на 43 недель, что приблизительно соответствует одному году (рисунок 13).

Рисунок 13. Автокорреляция объемов продаж.

После оценки сезонности необходимо построить модель. В нашем примере, когда объемы продаж зависят от предыдущих продаж, можно использовать линейную регрессию. Однако, в более сложных ситуациях лучшие результаты даст использование нейронных сетей для построения более адекватных моделей. Обучать модель на данных за пол года назад не имеет смысла, так как зависимость между ними и текущими продажами очень слабая (рисунок 13). При обучении линейной регрессии будем подавать на ее вход объем продаж за две предыдущие недели текущего года, чтобы учесть общее развитие рынка, и две недели, соответствующие им год назад, чтобы учесть сезонность. Таким образом учитываются спуски и подъемы кривой продаж. Качество построенной модели можно наглядно посмотреть на диаграмме рассеяния (рисунок 14). Истинные значения располагаются вдоль прямой линии, а полученные по модели – выше или ниже ее.

Рисунок 14. Диаграмма рассеяния.

После того, как построена модель можно построить прогноз, прогнав через нее историю продаж. Сделаем прогноз на 4 недели вперед. Прогноз на более длительный период будет в гораздо меньшей степени соответствовать действительности. Результат можно посмотреть на диаграмме прогноза (рисунок 15), либо в таблице (рисунок 16).

Рисунок 15. Прогноз объемов продаж на 4 недели (диаграмма прогноза).

Рисунок 16. Прогноз объемов продаж на 4 недели (таблица).

После того как сделан прогноз по группам товаров можно получить прогноз по каждому товару группы. Делается это путем разгруппировки пропорционально вкладу каждого товара группы в общий объем за предыдущие периоды времени. Результат такой разгруппировки на рисунке 17.

Рисунок 17. Прогноз объемов продаж на 4 недели по каждому товару.

Сделав таким способом прогноз по всем сегментам клиентов и всем группам товаров, можно получить общий прогноз объемов продаж. Такой прогноз учитывает сезонность продаж каждой группы товаров и активность каждого сегмента клиентов в разные периоды времени.