La hiérarchisation du backlog nécessite une simplification et une pondération des tâches. Chacun appartient à une stratégie comme l'acquisition d'annonces ou CRO. Nous pouvons considérer le chiffre d'affaires, les coûts d'exploitation, d'autres paramètres comme données d'entrée; marge bénéficiaire, ROI - comme production en cas de vente au détail. L'objectif parfait est de trouver une solution 20/80 et de concentrer les ressources sur une seule stratégie à la fois. Les métriques liées aux stratégies donnent la dimension du modèle. Parfois, les relations d'économie unitaire sont violées en raison de la non-linéarité. En pratique, cela signifie une corrélation faible / insignifiante et une mauvaise régression. Exemple: il est impossible de séparer l'acquisition et la conversion - la quantité d'acquisition affecte sa qualité et vice versa. La décomposition des tâches / stratégies suppose une décomposition linéaire du système non linéaire. En outre, une évaluation statistique non linéaire des stratégies est requise lorsque CJM ne peut pas être suivi ou que les canaux en ligne / hors ligne ne peuvent pas être séparés.
Faut-il sacrifier la précision pour simplifier notre modèle? Non. Un grand nombre de fonctionnalités peut entraîner une prédiction et une sur-adaptation instables. La dimension peut être réduite avec une augmentation de la précision. Un système complexe est décrit par un petit nombre de paramètres en raison du couplage non linéaire. La non-linéarité signifie la simplification, pas la complication. Cette idée a été remarquée par Eliyahu Goldratt - fondateur de TOC. Si l'acquisition, la conversion sont étroitement liées - la décomposition linéaire n'est pas possible. Nous pouvons sélectionner un seul paramètre (acquisition ou conversion) - un optimum d'efficacité / coût.
Les modèles d'apprentissage automatique (ML) ouvrent une fenêtre pour une réduction réaliste des dimensions. Il donne un aperçu de la façon d'obtenir la stratégie la plus efficace. Un mappage {stratégie <=> métrique} non ambigu simplifie la tâche. ML combine la pondération des fonctionnalités avec des sorties réalistes non linéaires (!) Comme la fonction logistique ou le réseau neuronal. L'approche est basée sur une question pratique - quel ensemble de mesures / stratégies est suffisant pour prédire l'objectif commercial avec une précision acceptable comme 90%? L'efficacité de la stratégie (S1) est censée être fonction de sa puissance de prédiction métrique (M1).
Nous avons le processus itératif. Premièrement: analysez l'influence d'un groupe complet de métriques. La prochaine itération comprend la suppression d'une des N métriques avec un minimum d'effet sur la puissance de prédiction. N combinaisons doivent être testées pour obtenir l'optimum lors de la première itération. Une partie des données historiques mixtes est utilisée pour obtenir des prévisions pour la partie des données hors échantillon. Le processus itératif se poursuit jusqu'à ce que le seuil de précision acceptable soit atteint. Le même modèle (!) ML est utilisé dans toutes les itérations. Selon la théorie du COT, il devrait y avoir une contrainte unique à chaque instant qui limite le plus les affaires. Par conséquent, le processus itératif doit être arrêté à N = 1. N! est la complexité de l'algo avec N = 1 condition d'arrêt.
Il semble que ML nécessite des Big Data supplémentaires. Cependant, nous pouvons diviser la plage cible en intervalles de prédiction: ROI = (10% -20%), (20% -30%), etc. Moins d'intervalles - moins d'enregistrements / données sont nécessaires pour appliquer le ML. Si le seuil de précision est atteint avant N = 1, il y a 2 façons. Premièrement: des pondérations peuvent être requises pour N contraintes / métriques. Deuxièmement: moins d'intervalles et une binarisation plus grossière. L'exemple de l'évaluation d'une stratégie Web est donné
ici . Un peu de paix du code Jupyter est donné
ici . Si la dimension est suffisamment réduite, une séparation simple et stable en ligne / hors ligne est possible. Nous connaissons le poids et la cible en ligne.
Dans ce cas, l'objectif (marge bénéficiaire, offres, ROI) peut être représenté de la manière suivante:
cible = poids x (online_metric) + constLa moyenne <> des deux parties donne la relation requise:
en ligne / hors ligne = (poids x <métrique en ligne>) / constMerci pour Karma