يتطلب تحديد الأولويات المتراكمة تبسيط المهام وترجيحها. كل واحد ينتمي إلى استراتيجية مثل الحصول على الإعلانات أو CRO. قد نعتبر معدل الدوران والتكاليف التشغيلية ومقاييس أخرى كمدخلات ؛ هامش الربح ، العائد على الاستثمار - كإنتاج في حالة البيع بالتجزئة. الهدف المثالي هو إيجاد حل 20/80 وتركيز الموارد على استراتيجية واحدة في وقت واحد. القياسات المرتبطة بالاستراتيجيات تعطي البعد للنموذج. في بعض الأحيان تنتهك العلاقات الاقتصادية للوحدة بسبب عدم الخطية. في الممارسة العملية ، فهذا يعني ارتباطًا منخفضًا / غير ذي أهمية وضعف الانحدار. مثال: من المستحيل الفصل بين الاستحواذ والتحويل - تؤثر كمية الاستحواذ على جودتها والعكس صحيح. تحليل المهام / الاستراتيجيات يفترض التحلل الخطي للنظام غير الخطي. إلى جانب التقييم الإحصائي غير الخطي للاستراتيجيات ، لا يمكن تتبع CJM أو لا يمكن فصل القنوات على الإنترنت / غير المتصلة بالإنترنت.
هل يجب علينا التضحية بالدقة لتبسيط نموذجنا؟ لا. قد ينتج عن عدد كبير من الميزات تنبؤ غير مستقر وتجهيز أكثر من اللازم. يمكن تقليل البعد مع زيادة الدقة. يوصف النظام المركب بعدد صغير من المعلمات بسبب الارتباط غير الخطي. اللاخطية تعني التبسيط وليس المضاعفات. وقد لاحظ هذه الفكرة إلياهو جولدرات - مؤسس مركز العمليات التكتيكية. إذا كان الاستحواذ ، يرتبط التحويل ارتباطًا وثيقًا - غير ممكن من التحلل الخطي. قد نختار معلمة واحدة (الاستحواذ أو التحويل) - وهي أقصى كفاءة / تكلفة.
نماذج التعلم الآلي (ML) تفتح نافذة لتقليل البعد الواقعي. يعطي نظرة مستقبلية لكيفية الحصول على الإستراتيجية الأكثر فعالية. يعمل تخطيط {استراتيجية <=> metric} لا لبس فيه على تبسيط المهمة. يجمع ML بين ميزة الترجيح والناتج غير الخطية الواقعية (!) مثل الوظيفة اللوجستية أو الشبكة العصبية. يعتمد المنهج على سؤال عملي - ما مجموعة المقاييس / الاستراتيجيات التي تكفي للتنبؤ بهدف العمل بدقة مقبولة مثل 90 ٪؟ من المفترض أن تكون كفاءة الإستراتيجية (S1) دالة لقوة التنبؤ بالقياس المتري (M1).
لدينا عملية تكرارية. أولاً: تحليل تأثير مجموعة كاملة من المقاييس. يتضمن التكرار التالي التخلص من أحد مقاييس N مع الحد الأدنى من التأثير على قوة التنبؤ. يجب اختبار توليفات N للحصول على المستوى الأمثل في التكرار الأول. يتم استخدام جزء من البيانات التاريخية المختلطة للحصول على تنبؤ لجزء البيانات خارج العينة. تستمر العملية التكرارية حتى يتم الوصول إلى الحد الأدنى المقبول من الدقة. يتم استخدام نموذج ML نفسه (!) في جميع التكرارات. وفقًا لنظرية TOC ، يجب أن يكون هناك قيد واحد في كل لحظة يحد من الأعمال أكثر من غيرها. لذلك يجب إيقاف العملية التكرارية عند N = 1. N! هو تعقيد algo مع N = 1 حالة توقف.
يبدو أن ML يتطلب بيانات كبيرة إضافية. ومع ذلك ، قد نقسم النطاق المستهدف إلى فواصل التنبؤ: العائد على الاستثمار = (10 ٪ -20 ٪) ، (20 ٪ -30 ٪) ، وما إلى ذلك فترات أقل - هناك حاجة إلى سجلات / بيانات أقل لتطبيق ML. إذا تم الوصول إلى حد الدقة قبل N = 1 ، فهناك طريقتان. أولاً: يمكن طلب أوزان للمعايير / المقاييس N. ثانياً: فواصل زمنية أقل وثنائيات أشد. ويرد مثال لتقييم استراتيجية الويب
هنا . ويرد بعض السلام من رمز المشتري
هنا . إذا تم تقليل البعد بما فيه الكفاية ، فإن الانفصال البسيط والمستقر عبر الإنترنت غير ممكن. نحن نعرف الوزن على الانترنت والهدف.
في هذه الحالة ، يمكن تمثيل الهدف (هامش الربح ، العروض ، العائد على الاستثمار) بالطريقة التالية:
الهدف = الوزن x (عبر الإنترنت) + constمتوسط <> لكلا الجزأين يعطي العلاقة المطلوبة:
عبر الإنترنت / غير متصل = (الوزن x <online_metric>) / constشكرا على الكرمة