Maschinelles Lernen und Theorie der Zwänge

Die Priorisierung des Rückstands erfordert eine Vereinfachung und Gewichtung der Aufgaben. Jeder gehört zu Strategien wie Anzeigenerfassung oder CRO. Wir können Umsatz, Betriebskosten und andere Kennzahlen als Input betrachten. Gewinnspanne, ROI - als Output im Einzelhandel. Das perfekte Ziel ist es, eine 20/80-Lösung zu finden und die Ressourcen jeweils auf eine Strategie zu konzentrieren. An Strategien gebundene Metriken geben die Dimension des Modells an. Manchmal werden die Beziehungen der Einheitsökonomie aufgrund von Nichtlinearität verletzt. In der Praxis bedeutet dies eine geringe / unbedeutende Korrelation und eine schlechte Regression. Beispiel: Es ist unmöglich, Erwerb und Umwandlung zu trennen - die Menge des Erwerbs wirkt sich auf die Qualität aus und umgekehrt. Die Zerlegung von Aufgaben / Strategien setzt eine lineare Zerlegung des nichtlinearen Systems voraus. Außerdem ist eine nichtlineare statistische Auswertung von Strategien erforderlich, wenn CJM nicht verfolgt werden kann oder Online- / Offline-Kanäle nicht getrennt werden können.



Sollten wir die Genauigkeit opfern, um unser Modell zu vereinfachen? Nein, nein. Eine große Anzahl von Merkmalen kann zu einer instabilen Vorhersage und Überanpassung führen. Die Abmessung kann mit zunehmender Genauigkeit verringert werden. Ein komplexes System wird durch eine geringe Anzahl von Parametern aufgrund der nichtlinearen Bindung beschrieben. Nichtlinearität bedeutet Vereinfachung, keine Komplikation. Diese Idee wurde von Eliyahu Goldratt, dem Gründer von TOC, bemerkt. Wenn Erfassung, Umwandlung eng miteinander verbunden sind - dann ist eine lineare Zerlegung nicht möglich. Wir können einen einzelnen Parameter auswählen (Erfassung oder Umwandlung) - ein Optimum an Effizienz / Kosten.

Modelle für maschinelles Lernen (ML) öffnen ein Fenster für eine realistische Dimensionsreduzierung. Es gibt einen Ausblick darauf, wie man die effektivste Strategie erhält. Eine eindeutige Zuordnung von {Strategie <=> Metrik} vereinfacht die Aufgabe. ML kombiniert Feature-Gewichtung mit realistischen nichtlinearen (!) Ausgaben wie Logistikfunktion oder neuronales Netzwerk. Der Ansatz basiert auf der praktischen Frage: Welche Metriken / Strategien reichen aus, um das Geschäftsziel mit einer akzeptablen Genauigkeit von 90% vorherzusagen? Die Effizienz der Strategie (S1) soll eine Funktion ihrer metrischen (M1) Vorhersagekraft sein.



Wir haben den iterativen Prozess. Erstens: Analysieren Sie den Einfluss einer vollständigen Gruppe von Metriken. Die nächste Iteration umfasst das Wegwerfen einer von N Metriken mit minimaler Auswirkung auf die Vorhersageleistung. N Kombinationen müssen getestet werden, um in der ersten Iteration das Optimum zu erzielen. Ein Teil der gemischten historischen Daten wird verwendet, um eine Vorhersage für den Teil der Daten außerhalb der Stichprobe zu erhalten. Der iterative Prozess wird fortgesetzt, bis die akzeptable Genauigkeitsschwelle erreicht ist. In allen Iterationen wird das gleiche (!) ML-Modell verwendet. Nach der TOC-Theorie sollte es in jedem Moment eine einzige Einschränkung geben, die das Geschäft am meisten einschränkt. Daher sollte der iterative Prozess bei N = 1 gestoppt werden. N! ist die Komplexität von algo mit N = 1 Stoppbedingung.

Es scheint, dass ML zusätzliche Big Data benötigt. Wir können den Zielbereich jedoch in die Vorhersageintervalle unterteilen: ROI = (10% -20%), (20% -30%) usw. Weniger Intervalle - weniger Datensätze / Daten sind erforderlich, um ML anzuwenden. Wenn die Genauigkeitsschwelle vor N = 1 erreicht wird, gibt es zwei Möglichkeiten. Erstens: Für N Einschränkungen / Metriken können Gewichte erforderlich sein. Zweitens: weniger Intervalle und gröbere Binarisierung. Das Beispiel für die Bewertung der Webstrategie finden Sie hier . Hier wird ein gewisser Frieden des Jupyter-Codes gegeben. Wenn die Dimension ausreichend reduziert ist, ist eine einfache und stabile Online / Offline-Trennung möglich. Wir kennen Online-Gewicht und Ziel.

In diesem Fall kann das Ziel (Gewinnspanne, Angebote, ROI) folgendermaßen dargestellt werden:
Ziel = Gewicht x (online_metric) + const

Die Mittelung <> beider Teile ergibt die erforderliche Beziehung:
online / offline = (Gewicht x <online_metric>) / const

Danke für Karma