A priorização de lista de pendências requer simplificação e ponderação de tarefas. Cada um pertence à estratégia como aquisição de anúncios ou CRO. Podemos considerar rotatividade, custos operacionais e outras métricas como insumo; margem de lucro, ROI - como saída no caso de varejo. O objetivo perfeito é encontrar a solução 20/80 e concentrar os recursos em uma única estratégia de cada vez. Métricas ligadas a estratégias dão a dimensão do modelo. Às vezes, as relações de economia unitária são violadas devido à não linearidade. Na prática, isso significa correlação baixa / insignificante e baixa regressão. Exemplo: é impossível separar aquisição e conversão - a quantidade de aquisição afeta sua qualidade e vice-versa. A decomposição de tarefas / estratégias pressupõe a decomposição linear do sistema não linear. Além disso, é necessária uma avaliação estatística não linear das estratégias quando o CJM não pode ser rastreado ou os canais online / offline não podem ser separados.
Devemos sacrificar a precisão para simplificar nosso modelo? Não. Um grande número de recursos pode resultar em previsão instável e super ajuste. A dimensão pode ser reduzida com o aumento da precisão. O sistema complexo é descrito por um pequeno número de parâmetros devido à ligação não linear. Não linearidade significa simplificação, não complicação. Essa idéia foi comentada por Eliyahu Goldratt - fundador do TOC. Se a aquisição, a conversão está intimamente ligada - a decomposição linear não é possível. Podemos selecionar um único parâmetro (aquisição ou conversão) - um ótimo custo-benefício.
Os modelos de aprendizado de máquina (ML) abrem uma janela para redução de dimensão realista. Dá uma perspectiva de como obter a estratégia mais eficaz. Um mapeamento inequívoco de {estratégia <=> métrica} simplifica a tarefa. O ML combina a ponderação de recursos com saídas não-lineares realistas (!), Como função logística ou rede neural. A abordagem é baseada em questões práticas - que conjunto de métricas / estratégias é suficiente para prever a meta de negócios com precisão aceitável, como 90%? A eficiência da estratégia (S1) deve ser uma função do seu poder de previsão métrico (M1).
Temos o processo iterativo. Primeiro: analise a influência de um grupo completo de métricas. A próxima iteração inclui jogar fora uma das N métricas com o mínimo de efeito no poder de previsão. N combinações precisam ser testadas para obter o melhor na primeira iteração. Parte dos dados históricos mistos é usada para obter previsão para a parte dos dados fora da amostra. O processo iterativo continua até que o limite aceitável de precisão seja atingido. O mesmo modelo (!) ML é usado em todas as iterações. De acordo com a teoria do TOC, deve haver uma única restrição a cada momento que limita mais os negócios. Portanto, o processo iterativo deve ser interrompido em N = 1. N! é a complexidade de algo com N = 1 condição de parada.
Parece que o ML requer Big Data extra. No entanto, podemos dividir o intervalo alvo nos intervalos de previsão: ROI = (10% -20%), (20% -30%), etc. Menos intervalos - menos registros / dados são necessários para aplicar o ML. Se o limite de precisão for atingido antes de N = 1, existem 2 maneiras. Primeiro: pesos podem ser necessários para N restrições / métricas. Segundo: menos intervalos e binarização mais dura. O exemplo de avaliação da estratégia da web é dado
aqui . Alguma paz no código Jupyter é dada
aqui . Se a dimensão for suficientemente reduzida, é possível a separação simples e estável online / offline. Conhecemos o peso e o objetivo on-line.
Nesse caso, a meta (margem de lucro, ofertas, ROI) pode ser representada da seguinte maneira:
target = peso x (online_metric) + constA média <> de ambas as partes fornece a relação necessária:
online / offline = (peso x <métrica_online>) / constObrigado pelo Karma