Prioritas backlog membutuhkan penyederhanaan dan bobot tugas. Masing-masing milik strategi seperti akuisisi iklan atau CRO. Kami dapat mempertimbangkan turnover, biaya operasional, metrik lainnya sebagai input; margin keuntungan, ROI - sebagai output dalam hal ritel. Tujuan yang sempurna adalah menemukan solusi 20/80 dan memfokuskan sumber daya pada satu strategi pada satu waktu. Metrik yang dikaitkan dengan strategi memberikan dimensi model. Kadang-kadang hubungan unit ekonomi dilanggar karena tidak linear. Dalam praktiknya itu berarti korelasi rendah / tidak signifikan dan regresi buruk. Contoh: tidak mungkin memisahkan akuisisi dan konversi - jumlah akuisisi memengaruhi kualitasnya dan sebaliknya. Dekomposisi tugas / strategi mengasumsikan dekomposisi linier sistem nonlinier. Selain itu diperlukan evaluasi statistik strategi nonlinear ketika CJM tidak dapat dilacak atau saluran online / offline tidak dapat dipisahkan.
Haruskah kita mengorbankan akurasi untuk menyederhanakan model kita? Tidak. Sejumlah besar fitur dapat menyebabkan prediksi dan pakaian yang tidak stabil. Dimensi dapat dikurangi dengan peningkatan akurasi. Sistem kompleks dijelaskan oleh sejumlah kecil parameter karena ikatan nonlinear. Non-linearitas berarti penyederhanaan, bukan kerumitan. Ide ini dikomentari oleh Eliyahu Goldratt - pendiri TOC. Jika akuisisi, konversi terkait erat - daripada dekomposisi linear tidak mungkin. Kami dapat memilih satu parameter (akuisisi atau konversi) - efisiensi / biaya yang optimal.
Model machine learning (ML) membuka jendela untuk pengurangan dimensi yang realistis. Ini memberi pandangan bagaimana mendapatkan strategi yang paling efektif. Pemetaan {strategi <=> metrik} yang tidak ambigu menyederhanakan tugas. ML menggabungkan bobot fitur dengan output nonlinier (!) Yang realistis seperti fungsi logistik atau jaringan saraf. Pendekatan ini didasarkan pada pertanyaan praktis - set metrik / strategi apa yang cukup untuk memprediksi tujuan bisnis dengan akurasi yang dapat diterima seperti 90%? Strategi (S1) efisiensi seharusnya merupakan fungsi dari kekuatan prediksi metriknya (M1).
Kami memiliki proses berulang. Pertama: menganalisis pengaruh grup metrik penuh. Iterasi berikutnya termasuk membuang salah satu metrik N dengan pengaruh minimum pada daya prediksi. Kombinasi N harus diuji untuk mendapatkan yang optimal pada iterasi pertama. Bagian dari data historis campuran digunakan untuk mendapatkan prediksi untuk bagian data yang tidak sampel. Proses berulang berlanjut sampai ambang batas akurasi yang dapat diterima tercapai. Model ML (!) Yang sama digunakan di semua iterasi. Menurut teori TOC harus ada kendala tunggal di setiap momen yang membatasi bisnis. Oleh karena itu proses berulang harus dihentikan pada N = 1. N! adalah kompleksitas algo dengan N = 1 stop kondisi.
Tampaknya ML membutuhkan Data Besar ekstra. Namun kami dapat membagi rentang target ke dalam interval prediksi: ROI = (10% -20%), (20% -30%), dll. Interval yang lebih sedikit - lebih sedikit catatan / data yang diperlukan untuk menerapkan ML. Jika ambang batas akurasi tercapai sebelum N = 1 ada 2 cara. Pertama: bobot dapat diperlukan untuk kendala / metrik N. Kedua: interval yang lebih sedikit dan binarisasi yang lebih kasar. Contoh evaluasi strategi web diberikan di
sini . Kedamaian kode Jupyter diberikan di
sini . Jika dimensi dikurangi secara memadai, pemisahan secara online / offline mudah dan stabil adalah mungkin. Kami tahu berat dan target online.
Dalam hal ini target (margin laba, penawaran, ROI) dapat direpresentasikan dengan cara berikut:
target = berat x (online_metric) + constRata-rata <> dari kedua bagian memberikan hubungan yang diperlukan:
online / offline = (bobot x <online_metric>) / constTerima kasih untuk Karma