Wiki - Факультет компьютерных наук - Вклад [ru]

Промо-активности (командный проект)

2017-10-12T08:02:30Z

РђР»РµРєСЃРµР№ Р›РѕР±РѕРє:

{{Карточка_командного_проекта
|name=Промо-активности в ритейле. Разработка инструмента для анализа и прогнозирования влияния.
Development of a tool for analysis and forecasting of promotional activities in retail.
|company=SAS
|semester=Осень 2017
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Промо-активности – самый распространенный инструмент для увеличения продаж и привлечения дополнительного трафика в ритейле. Цель проекта: разработать готовый аналитический инструмент/набор алгоритмов, который сможет оценить влияние промо на продажи в истории, а также на основании предложенных факторов спрогнозировать прирост продаж в будущем.

Требования к разработке готовой системы
Основным решением для построения базового прогноза является SAS FAW (Forecast Analytical Workbench). Данный решение предназначено для регулярного операционного планирования. Обеспечивает высокую гибкость настроек параметров прогнозирования, а в связке с SAS FS (Forecast Studio) – еще и возможность широкого выбора и настройки моделей прогнозирования.
Задача проекта заключается в разработке универсальных алгоритмов, которые позволят:
1. Обогатить имеющуюся статистику для отдельного временного ряда информацией со схожих временных рядов.
2. Выявить закономерности на более высоких уровнях прогнозирования (исходя из практики, в FAW осуществляется прогнозирование на самом низком уровне ТорговаяТочка/СКЮ, и несмотря на то, что прогноз строится по всем уровням иерархии, стандартным функционалом не всегда возможно выделить влияние промоактивности на поведение всей группы товаров).
3. В случае отсутствия релевантной статистики по схожим товарам/товарным группам осуществлять расчет по товарам, которые конечный пользователь считает наиболее подходящими и близкими по своему поведению (например такая ситуация возможно для расчета промо по товарам-новинкам, которые до этого не продавались/не участвовали в промо).
4. Рассчитать на основании имеющейся информации величину изменения продаж во время промоактивности по отношению к базовым продажам.
5. Рассчитать прирост продаж на будущее (если он отличается от статистического показателя из пункта выше, например из-за специфической сезонности товара).
6. Амцель – положить разработанные алгоритмы в удобоваримый интерфейс.
Структура входящих/исходящих данных в первую очередь основана на структуре данных SAS FAW. Рассчитанные влияния добавляются к базовому прогнозу в процессе ETL.

Почему данное решение необходимо?

Упомянутое решение SAS FAW предназначено для автоматизации процессов операционного планирования. При этом, в силу своей специфики, оно не предназначено для сложного анализа промоактивностей. В арсенале SAS имеются решения, позволяющие проводить глубокий анализ данных, выявлять сложные зависимости, однако не каждый заказчик готов сразу внедрять все имеющиеся решения SAS по различным причинам.
Наличие самописного решения позволит решить временную проблему прогнозирования с учетом промо внутри SAS FAW, а также заложить основу для дальнейшей интеграции с готовыми аналитическими решениями SAS (структура данных сохраняется, переключается лишь источник информации по промо в ETL).

=== Чему научатся студенты? Что самое интересное в проекте? ===
В ходе проекта студентам потребуется обрабатывать большие объемы данных, проводить регрессионный и прогнозный анализ данных. Затронем понятия каннибализации и halo-эффект в ритейле (на практике не всегда удается выделить данные эффекты, зависит от наличия и полноты определенных данных).

=== Организация работы (Как студенты будут работать в команде?) ===
Команда из 2-3 человек. Большая задача бьется на этапы. Роли - анализ, архитектура, разработка, ревью, тестирование - будут распределяться динамически (все попробуют всё). Встречи (ретроспектива, планирование) раз в неделю.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Сбор данных для анализа

2. Регрессионный анализ, выявление наиболее значимых факторов

3. Выявление эффектов Halo и канибализации

4. Построение прототипа системы, обучение алгоритмов

5. Доработка прототипа, создание алгоритмов прогнозирования на будущее

=== Какие будут использоваться технологии? ===
Для реализации проекта студентам потребуется освоить ПО SAS. Будут использоваться следующие продукты:

1. SAS BASE и SAS Enterprise Guide – для анализа данных и разработки алгоритмов.

2. SAS FAW и FS – прогнозирование базового спроса, на который в последствии накладывается влияние промо.

3. По необходимости другие решения SAS.

=== Какие начальные требования? ===
Навыки анализа данных. Желательно общее понимание ритейла и специфики бизнеса.

=== Темы вводных занятий ===
На вводных встречах обсуждаем цели проекта, специфику задачи, разделение на этапы. Погружение в ритейл.

=== Критерии оценки ===
8-10 – разработка алгоритмов, позволяющих достичь средних для бизнеса показателей точности. KPI по точности будет зависеть от полноты и качества входящих данных, достигнутых бизнесом значений KPI по точности прогнозирования промо, а также точности базового прогноза*.

6-7 – разработка алгоритмов, позволяющих рассчитать влияние промо на одном определенном уровне (например по товарной группе)**.

4-5 – проведение анализа данных, выявление зависимостей и закономерностей. Разработка архитектуры и верхнеуровневое описание алгоритмов. * В случае невозможности по объективным причинам установить целевое значение KPI по точности прогнозирования, оценка достигнутой в ходе проекта точности осуществляется субъективно участниками группы. ** Частичное решение задачи с точки зрения алгоритмов и достигнутой точности плюс реализация амцели будут способствовать повышению общей оценки.

=== Похожие проекты ===
Будут добавлены позже

=== Контактная информация ===
mail: alexey.lobok@sas.com
telegram: +7 (916)859 92 86

Промо-активности (командный проект)

2017-10-12T07:59:37Z

РђР»РµРєСЃРµР№ Р›РѕР±РѕРє:

{{Карточка_командного_проекта
|name=Промо-активности в ритейле. Разработка инстумента для анализа и прогнозирования влияния.
|company=SAS
|semester=Осень 2017
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Промо-активности – самый распространенный инструмент для увеличения продаж и привлечения дополнительного трафика в ритейле. Цель проекта: разработать готовый аналитический инструмент/набор алгоритмов, который сможет оценить влияние промо на продажи в истории, а также на основании предложенных факторов спрогнозировать прирост продаж в будущем.

Требования к разработке готовой системы
Основным решением для построения базового прогноза является SAS FAW (Forecast Analytical Workbench). Данный решение предназначено для регулярного операционного планирования. Обеспечивает высокую гибкость настроек параметров прогнозирования, а в связке с SAS FS (Forecast Studio) – еще и возможность широкого выбора и настройки моделей прогнозирования.
Задача проекта заключается в разработке универсальных алгоритмов, которые позволят:
1. Обогатить имеющуюся статистику для отдельного временного ряда информацией со схожих временных рядов.
2. Выявить закономерности на более высоких уровнях прогнозирования (исходя из практики, в FAW осуществляется прогнозирование на самом низком уровне ТорговаяТочка/СКЮ, и несмотря на то, что прогноз строится по всем уровням иерархии, стандартным функционалом не всегда возможно выделить влияние промоактивности на поведение всей группы товаров).
3. В случае отсутствия релевантной статистики по схожим товарам/товарным группам осуществлять расчет по товарам, которые конечный пользователь считает наиболее подходящими и близкими по своему поведению (например такая ситуация возможно для расчета промо по товарам-новинкам, которые до этого не продавались/не участвовали в промо).
4. Рассчитать на основании имеющейся информации величину изменения продаж во время промоактивности по отношению к базовым продажам.
5. Рассчитать прирост продаж на будущее (если он отличается от статистического показателя из пункта выше, например из-за специфической сезонности товара).
6. Амцель – положить разработанные алгоритмы в удобоваримый интерфейс.
Структура входящих/исходящих данных в первую очередь основана на структуре данных SAS FAW. Рассчитанные влияния добавляются к базовому прогнозу в процессе ETL.

Почему данное решение необходимо?

Упомянутое решение SAS FAW предназначено для автоматизации процессов операционного планирования. При этом, в силу своей специфики, оно не предназначено для сложного анализа промоактивностей. В арсенале SAS имеются решения, позволяющие проводить глубокий анализ данных, выявлять сложные зависимости, однако не каждый заказчик готов сразу внедрять все имеющиеся решения SAS по различным причинам.
Наличие самописного решения позволит решить временную проблему прогнозирования с учетом промо внутри SAS FAW, а также заложить основу для дальнейшей интеграции с готовыми аналитическими решениями SAS (структура данных сохраняется, переключается лишь источник информации по промо в ETL).

=== Чему научатся студенты? Что самое интересное в проекте? ===
В ходе проекта студентам потребуется обрабатывать большие объемы данных, проводить регрессионный и прогнозный анализ данных. Затронем понятия каннибализации и halo-эффект в ритейле (на практике не всегда удается выделить данные эффекты, зависит от наличия и полноты определенных данных).

=== Организация работы (Как студенты будут работать в команде?) ===
Команда из 2-3 человек. Большая задача бьется на этапы. Роли - анализ, архитектура, разработка, ревью, тестирование - будут распределяться динамически (все попробуют всё). Встречи (ретроспектива, планирование) раз в неделю.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Сбор данных для анализа

2. Регрессионный анализ, выявление наиболее значимых факторов

3. Выявление эффектов Halo и канибализации

4. Построение прототипа системы, обучение алгоритмов

5. Доработка прототипа, создание алгоритмов прогнозирования на будущее

=== Какие будут использоваться технологии? ===
Для реализации проекта студентам потребуется освоить ПО SAS. Будут использоваться следующие продукты:

1. SAS BASE и SAS Enterprise Guide – для анализа данных и разработки алгоритмов.

2. SAS FAW и FS – прогнозирование базового спроса, на который в последствии накладывается влияние промо.

3. По необходимости другие решения SAS.

=== Какие начальные требования? ===
Навыки анализа данных. Желательно общее понимание ритейла и специфики бизнеса.

=== Темы вводных занятий ===
На вводных встречах обсуждаем цели проекта, специфику задачи, разделение на этапы. Погружение в ритейл.

=== Критерии оценки ===
8-10 – разработка алгоритмов, позволяющих достичь средних для бизнеса показателей точности. KPI по точности будет зависеть от полноты и качества входящих данных, достигнутых бизнесом значений KPI по точности прогнозирования промо, а также точности базового прогноза*.

6-7 – разработка алгоритмов, позволяющих рассчитать влияние промо на одном определенном уровне (например по товарной группе)**.

4-5 – проведение анализа данных, выявление зависимостей и закономерностей. Разработка архитектуры и верхнеуровневое описание алгоритмов. * В случае невозможности по объективным причинам установить целевое значение KPI по точности прогнозирования, оценка достигнутой в ходе проекта точности осуществляется субъективно участниками группы. ** Частичное решение задачи с точки зрения алгоритмов и достигнутой точности плюс реализация амцели будут способствовать повышению общей оценки.

=== Похожие проекты ===
Будут добавлены позже

=== Контактная информация ===
mail: alexey.lobok@sas.com
telegram: +7 (916)859 92 86

Промо-активности (командный проект)

2017-10-03T15:37:24Z

РђР»РµРєСЃРµР№ Р›РѕР±РѕРє: контакты

{{Карточка_командного_проекта
|name=Промо-активности
|company=SAS
|semester=Осень 2017
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Промо-активности – самый распространенный инструмент для увеличения продаж и привлечения дополнительного трафика в ритейле. Цель проекта: разработать готовый аналитический инструмент/набор алгоритмов, который сможет оценить влияние промо на продажи в истории, а также на основании предложенных факторов спрогнозировать прирост продаж в будущем.

Требования к разработке готовой системы
Основным решением для построения базового прогноза является SAS FAW (Forecast Analytical Workbench). Данный решение предназначено для регулярного операционного планирования. Обеспечивает высокую гибкость настроек параметров прогнозирования, а в связке с SAS FS (Forecast Studio) – еще и возможность широкого выбора и настройки моделей прогнозирования.
Задача проекта заключается в разработке универсальных алгоритмов, которые позволят:
1. Обогатить имеющуюся статистику для отдельного временного ряда информацией со схожих временных рядов.
2. Выявить закономерности на более высоких уровнях прогнозирования (исходя из практики, в FAW осуществляется прогнозирование на самом низком уровне ТорговаяТочка/СКЮ, и несмотря на то, что прогноз строится по всем уровням иерархии, стандартным функционалом не всегда возможно выделить влияние промоактивности на поведение всей группы товаров).
3. В случае отсутствия релевантной статистики по схожим товарам/товарным группам осуществлять расчет по товарам, которые конечный пользователь считает наиболее подходящими и близкими по своему поведению (например такая ситуация возможно для расчета промо по товарам-новинкам, которые до этого не продавались/не участвовали в промо).
4. Рассчитать на основании имеющейся информации величину изменения продаж во время промоактивности по отношению к базовым продажам.
5. Рассчитать прирост продаж на будущее (если он отличается от статистического показателя из пункта выше, например из-за специфической сезонности товара).
6. Амцель – положить разработанные алгоритмы в удобоваримый интерфейс.
Структура входящих/исходящих данных в первую очередь основана на структуре данных SAS FAW. Рассчитанные влияния добавляются к базовому прогнозу в процессе ETL.

Почему данное решение необходимо?

Упомянутое решение SAS FAW предназначено для автоматизации процессов операционного планирования. При этом, в силу своей специфики, оно не предназначено для сложного анализа промоактивностей. В арсенале SAS имеются решения, позволяющие проводить глубокий анализ данных, выявлять сложные зависимости, однако не каждый заказчик готов сразу внедрять все имеющиеся решения SAS по различным причинам.
Наличие самописного решения позволит решить временную проблему прогнозирования с учетом промо внутри SAS FAW, а также заложить основу для дальнейшей интеграции с готовыми аналитическими решениями SAS (структура данных сохраняется, переключается лишь источник информации по промо в ETL).

=== Чему научатся студенты? Что самое интересное в проекте? ===
В ходе проекта студентам потребуется обрабатывать большие объемы данных, проводить регрессионный и прогнозный анализ данных. Затронем понятия каннибализации и halo-эффект в ритейле (на практике не всегда удается выделить данные эффекты, зависит от наличия и полноты определенных данных).

=== Организация работы (Как студенты будут работать в команде?) ===
Команда из 2-3 человек. Большая задача бьется на этапы. Роли - анализ, архитектура, разработка, ревью, тестирование - будут распределяться динамически (все попробуют всё). Встречи (ретроспектива, планирование) раз в неделю.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Сбор данных для анализа

2. Регрессионный анализ, выявление наиболее значимых факторов

3. Выявление эффектов Halo и канибализации

4. Построение прототипа системы, обучение алгоритмов

5. Доработка прототипа, создание алгоритмов прогнозирования на будущее

=== Какие будут использоваться технологии? ===
Для реализации проекта студентам потребуется освоить ПО SAS. Будут использоваться следующие продукты:

1. SAS BASE и SAS Enterprise Guide – для анализа данных и разработки алгоритмов.

2. SAS FAW и FS – прогнозирование базового спроса, на который в последствии накладывается влияние промо.

3. По необходимости другие решения SAS.

=== Какие начальные требования? ===
Навыки анализа данных. Желательно общее понимание ритейла и специфики бизнеса.

=== Темы вводных занятий ===
На вводных встречах обсуждаем цели проекта, специфику задачи, разделение на этапы. Погружение в ритейл.

=== Критерии оценки ===
8-10 – разработка алгоритмов, позволяющих достичь средних для бизнеса показателей точности. KPI по точности будет зависеть от полноты и качества входящих данных, достигнутых бизнесом значений KPI по точности прогнозирования промо, а также точности базового прогноза*.

6-7 – разработка алгоритмов, позволяющих рассчитать влияние промо на одном определенном уровне (например по товарной группе)**.

4-5 – проведение анализа данных, выявление зависимостей и закономерностей. Разработка архитектуры и верхнеуровневое описание алгоритмов. * В случае невозможности по объективным причинам установить целевое значение KPI по точности прогнозирования, оценка достигнутой в ходе проекта точности осуществляется субъективно участниками группы. ** Частичное решение задачи с точки зрения алгоритмов и достигнутой точности плюс реализация амцели будут способствовать повышению общей оценки.

=== Похожие проекты ===
Будут добавлены позже

=== Контактная информация ===
mail: alexey.lobok@sas.com
telegram: +7 (916)859 92 86