Βελτιστοποίηση πωλήσεων με προγνωστική μοντελοποίηση με χρήση τεχνητής νοημοσύνης (AI)

Οι αποφάσεις τιμολόγησης είναι ζωτικής σημασίας για κάθε επιχείρηση, καθώς η τιμολόγηση συνδέεται άμεσα με τη ζήτηση των καταναλωτών και τα κέρδη της εταιρείας. Κατά συνέπεια, η πρόβλεψη των πωλήσεων είναι κρίσιμη για κάθε εταιρεία, ιδίως στη βιομηχανία τροφίμων. Στόχος του παρόντος έργου ήταν η πρόβλεψη των πωλήσεων και η εκτίμηση του αντίκτυπου των προωθητικών πρωτοβουλιών σε μια προσπάθεια βελτιστοποίησης της τιμολόγησης. Ο Σωτήρης Αρχοντάς δημιούργησε και δοκίμασε μοντέλα πρόβλεψης πωλήσεων και κατέληξε στο συμπέρασμα ότι ο αντίκτυπος της τιμολόγησης που εφαρμόστηκε ήταν πολύ μεγαλύτερος σε σύγκριση με τον αντίκτυπο της τιμολόγησης των ανταγωνιστών. Επιπλέον, υπάρχει μια καθυστέρηση μεταξύ της προωθητικής ενέργειας και της αύξησης των πωλήσεων, καθώς και ένα σημείο κορεσμού, μετά το οποίο οι προωθητικές ενέργειες δεν επηρεάζουν πλέον τις πωλήσεις. Η δοκιμή του μοντέλου αποκάλυψε ότι η πρόβλεψη των πωλήσεων μπορεί να βελτιωθεί σημαντικά με τη χρήση μεγαλύτερων και λεπτομερέστερων συνόλων δεδομένων.

Περιεχόμενα 

1. Ιστορικό
2. Η πρόκληση: Βελτιστοποίηση των πωλήσεων για τον κατασκευαστή τροφίμων
3. Ξεκινώντας
4. Η σειρά των εργασιών

  Δημιουργία μοντέλων πρόβλεψης.
 Δεδομένα που χρησιμοποιούνται για προεπεξεργασία

5. Φάση 1: Μελέτη της επίδρασης επιλεγμένων παραμέτρων στις πωλήσεις

 Impact of product price on sales
 Impact of competitors pricing on sales
 Impact of ad promotions on sales

6. Φάση 2: Δημιουργία μοντέλων πρόβλεψης

 Μοντέλο 1: Οι πωλήσεις ως χρονοσειρά

7. Φάση 3: Δοκιμή των μοντέλων πρόβλεψης πωλήσεων

 Δοκιμή του μοντέλου 1
 Δοκιμή του μοντέλου 2
 Μηχανική χαρακτηριστικών: Επίδραση της προώθησης

8. Βασικά συμπεράσματα

9. Διαδικτυακή παρουσίαση

1. Ιστορικό

Η Witside είναι μια τεχνολογική εταιρεία που χρησιμοποιεί τη διαχείριση δεδομένων, την οπτικοποίηση δεδομένων και την προηγμένη ανάλυση για την παροχή συμβουλευτικών υπηρεσιών. Η Witside βοηθά τις εταιρείες να "μετρήσουν το αύριο" και να χρησιμοποιήσουν τα δεδομένα για να επιτύχουν βελτιστοποίηση του κόστους, πρόσθετα έσοδα, βελτιστοποιημένες διαδικασίες και βελτιωμένη εμπειρία πελατών. Η εταιρεία προσφέρει ολοκληρωμένες λύσεις πρόβλεψης συνδυάζοντας εσωτερικά ιστορικά δεδομένα με εξωτερικά δεδομένα για τη βελτίωση της ακρίβειας των μοντέλων πρόβλεψης. Η εργασία της Witside βασίζεται σε ένα μοναδικό πλαίσιο που αποτελείται από 4 βήματα:

  Βήμα 1: Επικύρωση δεδομένων

  Βήμα 2: Παραγωγή βασικής πρόβλεψης

  Βήμα 3: Ενσωμάτωση εξωγενών μεταβλητών και παραγωγή πραγματικών προβλέψεων

  Βήμα 4: Βελτίωση της λειτουργικότητας

Εφαρμόζοντας λύσεις λογισμικού με βάση την τεχνητή νοημοσύνη, η Witside δίνει τη δυνατότητα στις εταιρείες να πραγματοποιούν προβλέψεις χωρίς κόπο, ενσωματώνοντας την προσωπική τους εμπειρία ή ημερολογιακά γεγονότα που επηρεάζουν την ακρίβειά της.

Ο στόχος αυτού του project ήταν η βελτιστοποίηση των πωλήσεων για μια εταιρεία τροφίμων με τη χρήση μοντέλων πρόβλεψης με βάση την τεχνητή νοημοσύνη.

Η βελτιστοποίηση των πωλήσεων στη βιομηχανία τροφίμων είναι ένα πολύπλευρο θέμα και η Witside, σε συνεργασία με την Big Blue Data Academy, ανέθεσε στον Σωτήρη Αρχοντά το έργο πρόβλεψης και βελτιστοποίησης των πωλήσεων. Χρησιμοποιώντας τα παρεχόμενα δεδομένα, δημιούργησε μοντέλα που επέτρεψαν την εξαγωγή πληροφοριών σχετικά με τις παραμέτρους που επηρεάζουν τις πωλήσεις.

Σημείωση: Για λόγους προστασίας δεδομένων, η ταυτότητα των προϊόντων δεν παρουσιάζεται και ο όγκος των πωλήσεων είναι κλιμακωτός ή κρυμμένος.
 

2. Η πρόκληση: Βελτιστοποίηση των πωλήσεων για τον κατασκευαστή τροφίμων

Η πρόβλεψη των πωλήσεων είναι ένας κρίσιμος επιχειρηματικός παράγοντας για εταιρείες όλων των μεγεθών, καθώς τους επιτρέπει να προβλέπουν τη ζήτηση και να αναπτύσσουν αποτελεσματικές στρατηγικές τιμολόγησης και προώθησης. Επιπλέον, δεδομένης της πολυπλοκότητας της τιμολόγησης στις δυναμικές συνθήκες της αγοράς της βιομηχανίας τροφίμων, η μοντελοποίηση μπορεί να παρέχει πολύτιμες πληροφορίες που βοηθούν τις εταιρείες να βελτιώσουν τις διαδικασίες λήψης αποφάσεων.

3. Ξεκινώντας

Στο αρχικό στάδιο του έργου μας, μελετήσαμε την επίδραση των ακόλουθων παραμέτρων στις πωλήσεις:

 Τις τιμές που καθόρισε η εταιρεία τροφίμων που ανέθεσε το έργο.

 Τις τιμές που ορίζουν οι ανταγωνιστές στην αγορά.

 Η παρουσία ή όχι διαφημιστικών εκστρατειών ανά εβδομάδα.

 

4. Η σειρά των εργασιών

Δημιουργία μοντέλων πρόβλεψης.

Το πρώτο βήμα ήταν η δημιουργία μοντέλων που προβλέπουν τις μελλοντικές πωλήσεις και εκτιμούν την επίδραση των διαφημιστικών προωθητικών ενεργειών. Για να πραγματοποιήσουμε την ανάλυση, χρησιμοποιήσαμε δεδομένα που περιλάμβαναν

 Όγκος πωλήσεων

 Τιμές προϊόντων πελατών

 Τιμές ανταγωνιστικών προϊόντων

Χρησιμοποιήσαμε επίσης δεδομένα σχετικά με τις διαφημιστικές προωθητικές ενέργειες της εταιρείας:

 Ο όγκος των πωλήσεων που πραγματοποιήθηκε την εβδομάδα μετά το διαφημιστικό γεγονός.

 Τον αντίκτυπο των προωθητικών ενεργειών στις πωλήσεις των προϊόντων της εταιρείας.

Δεδομένα που χρησιμοποιήθηκαν για την προεπεξεργασία

Τα δεδομένα που χρησιμοποιήθηκαν για την προεπεξεργασία περιλάμβαναν 6 κατηγορίες προϊόντων, μεταξύ των οποίων:

 28 προϊόντα πελατών

 1374 προϊόντα των ανταγωνιστών

Τα διαθέσιμα δεδομένα είχαν την ακόλουθη διάρκεια:

 Η διάρκεια των δεδομένων για τις πωλήσεις ήταν 156 εβδομάδες δεδομένων για τις πωλήσεις (3 έτη)

 Τα δεδομένα προώθησης είχαν διάρκεια 52 εβδομάδες δεδομένων (1 έτος)

Αρχική ανάλυση: εύρεση συσχέτισης μεταξύ των προϊόντων του πελάτη και των προϊόντων των ανταγωνιστών.

Η πρώτη πρόκληση του έργου ήταν να διαπιστωθεί συσχέτιση μεταξύ των προϊόντων του πελάτη μας και των προϊόντων των ανταγωνιστών.


 
5. Φάση 1: Μελέτη της επίδρασης επιλεγμένων παραμέτρων στις πωλήσεις

 

Επίδραση της τιμής του προϊόντος στις πωλήσεις

Μελετήσαμε την επίδραση της τιμής του προϊόντος στις πωλήσεις σε διάστημα ενός έτους και είχαμε το αποτέλεσμα που παρουσιάζεται στο γράφημα 1 παρακάτω.

Γράφημα 1: Επίδραση της τιμής του προϊόντος στις πωλήσεις
 

Οι πιο σκούρες κουκκίδες υποδηλώνουν χαμηλότερες τιμές, και μπορούμε να δούμε στο γράφημα 1 ότι οι χαμηλές τιμές οδηγούν σε αύξηση των πωλήσεων - μια διαπίστωση που ήταν αναμενόμενη.

Επίδραση της τιμολόγησης των ανταγωνιστών στις πωλήσεις

Μελετήσαμε την επίδραση των τιμών των ανταγωνιστών στις πωλήσεις σε διάστημα ενός έτους και είχαμε το αποτέλεσμα που παρουσιάζεται παρακάτω στο γράφημα 2.

Γράφημα 2: Επίδραση της τιμολόγησης των ανταγωνιστών στις πωλήσεις

Η σύγκριση των πωλήσεών μας με την τιμολόγηση των ανταγωνιστών δεν έδειξε καμία συσχέτιση μεταξύ των δύο παραμέτρων. Θεωρητικά, θα περιμέναμε οι πωλήσεις μας να αυξηθούν όταν η τιμή του ανταγωνιστή ανεβαίνει, αλλά δεν είδαμε κάτι τέτοιο για την δεδομένη διάρκεια των δεδομένων μας.


Επίδραση των διαφημιστικών προωθήσεων στις πωλήσεις

Στο γράφημα 3, βλέπουμε τον όγκο των πωλήσεων σε συσχέτιση με την εμφάνιση μιας διαφημιστικής προώθησης.

Γράφημα 3: Επίδραση των διαφημιστικών προωθήσεων στις πωλήσεις


 Μπλε κουκκίδες: εβδομάδες με τηλεοπτική διαφήμιση

 Κόκκινες κουκκίδες: εβδομάδες με περισσότερες από μία συνεχιζόμενες διαφημιστικές προβολές - τηλεόραση, ψηφιακή κ.λπ.

 Μαύρες κουκκίδες: εβδομάδες χωρίς διαφημιστική προβολή


Συμπεράσματα με βάση το γράφημα 3

Συµπέρασµα 1 - Χρονική αναδροµή

Με βάση τα δεδομένα που εμφανίζονται στο γράφημα 3, υπάρχει μια χρονική υστέρηση μεταξύ ενός διαφημιστικού γεγονότος και της αύξησης των πωλήσεων. Έτσι, βλέπουμε ότι οι πωλήσεις αυξάνονται 3 έως 4 εβδομάδες μετά τη διαφημιστική προβολή.

Συμπέρασμα 2 - Κορεσμός διαφημιστικής προβολής

Με βάση την ανάλυση στο γράφημα 3, γίνεται φανερό ότι οι εκστρατείες προώθησης πρέπει να έχουν συγκεκριμένη διάρκεια για βελτιστοποιημένα αποτελέσματα. Μετά από έναν αριθμό εβδομάδων, βλέπουμε ένα σημείο κορεσμού όπου οι πωλήσεις μειώνονται παρά τις εκστρατείες προώθησης.


6. Φάση 2: Δημιουργία μοντέλων πρόβλεψης 

Μετά την ανάλυσή μας, δημιουργήσαμε και δοκιμάσαμε μοντέλα πρόβλεψης για την πρόβλεψη των πωλήσεων.


Μοντέλο 1: Οι πωλήσεις ως χρονοσειρά

Για το πρώτο μας μοντέλο, προσεγγίσαμε τις πωλήσεις ως χρονοσειρές, όπως φαίνεται στο γράφημα 4 παρακάτω.

Πραγματικές έναντι προβλεπόμενων πωλήσεων

Γράφημα 4: Πρόβλεψη χρονοσειράς

 

Μπλε γραμμή: σειρά πραγματικού χρόνου για τις πωλήσεις 3 ετών.

Πορτοκαλί γραμμή: Πρόβλεψη με το μοντέλο ARIMA 

Πρόβλεψη χρονοσειράς - αποτελέσματα

Με βάση το γράφημα 4, συμπεραίνουμε ότι αρχικά έχουμε μια σχετικά ακριβή πρόβλεψη που αποτυπώνει την κορύφωση των πραγματικών τιμών. Η ακρίβεια πρόβλεψης του μοντέλου θεωρείται καλή. Ωστόσο, με την πάροδο του χρόνου παρατηρείται μια ολίσθηση προς τα δεξιά της γραμμής πρόβλεψης σε σύγκριση με την πραγματική. Αυτό αποδίδεται στο γεγονός ότι δεν διαθέτουμε επαρκή δεδομένα που θα μας επέτρεπαν να δημιουργήσουμε ένα ακριβέστερο μοντέλο πρόβλεψης χρονοσειρών. 


7. Φάση 3: Δοκιμή των μοντέλων πρόβλεψης πωλήσεων μας

Δοκιμή του μοντέλου 1

Για το 1 Μοντέλο, χρησιμοποιήσαμε τον Regressor Random Forest.

Τα δεδομένα για το Μοντέλο 1 ήταν τα εξής:

 Τιμές της εταιρείας-πελάτη μας

 Η διαφορά τιμής μεταξύ της εταιρείας μας και του ανταγωνιστή

 Οι πωλήσεις του ανταγωνιστή για ένα συγκεκριμένο προϊόν

Αποτέλεσμα/συμπέρασμα: Το αναμενόμενο/προβλεπόμενο άθροισμα των πωλήσεων.


Βελτιστοποίηση Μοντέλου 1

Προκειμένου να βελτιστοποιήσουμε το μοντέλο 1, αποκλείσαμε την τάση και την εποχικότητα από την αρχική χρονοσειρά πωλήσεων.

Γράφημα 5 Αποσύνθεση της εποχικότητας και της τάσης


Αφαιρώντας ένα μικρό ποσοστό εποχικότητας από τις πωλήσεις, είδαμε βελτίωση του μοντέλου και καταλήξαμε σε R2 = 0,69


Δοκιμή του μοντέλου 2

Για το δεύτερο δοκιμαστικό μας μοντέλο, προσθέσαμε στη μοντελοποίησή μας ένα ακόμη χαρακτηριστικό: την ύπαρξη ή μη μιας συνεχιζόμενης διαφημιστικής εκστρατείας.

Τα δεδομένα για το μοντέλο 2 ήταν τα εξής:


 Τιμές της εταιρείας-πελάτη μας

 Η διαφορά τιμών μεταξύ της εταιρείας μας και του ανταγωνιστή

 Οι πωλήσεις του ανταγωνιστή για ένα συγκεκριμένο προϊόν

 ΚΑΙ η ύπαρξη ή μη μιας συνεχιζόμενης εκστρατείας προώθησης

Αποτέλεσμα/συμπέρασμα: Το αναμενόμενο/προβλεπόμενο άθροισμα των πωλήσεων.

Το αποτέλεσμα του μοντέλου μας ήταν R2 = 0,59

Αυτό έρχεται σε συσχέτιση με την ανάλυση

 της επίδρασης της διαφήμισης.

 την απαραίτητη διάρκεια για να έχει πραγματικό αντίκτυπο στις πωλήσεις.


Αυτός ο τύπος χαρακτηριστικών είναι πολύ απλός, οπότε δημιουργήσαμε περισσότερες στήλες για να βοηθήσουμε το μοντέλο να κατανοήσει καλύτερα τον αντίκτυπο των διαφημιστικών προωθήσεων.


Μηχανική χαρακτηριστικών: Επίδραση των διαφημιστικών προωθητικών ενεργειών

Οι νέες στήλες περιελάμβαναν τα εξής:

 Μετατόπιση πωλήσεων

 Διαδοχικές ημέρες διαφημιστικής προβολής

 Διαδοχικές ημέρες μετατόπισης της διαφημιστικής προβολής

 Κινητός μέσος όρος

Συμπέρασμα: Δεν παρατηρήσαμε βελτίωση του μοντέλου, καθώς τα διαθέσιμα δεδομένα δεν ήταν επαρκή. Τα δεδομένα που παρασχέθηκαν σχετικά με τις εκδηλώσεις προώθησης κάλυπταν μόνο ένα έτος - 52 εβδομάδες, οπότε το μοντέλο μας είχε μόνο 52 γραμμές.


8. Βασικά συμπεράσματα

 Ο αντίκτυπος των τιμών της εταιρείας μας ήταν πολύ μεγαλύτερος σε σύγκριση με τον αντίκτυπο των τιμών των ανταγωνιστών.

 Παρατηρήσαμε μια καθυστέρηση μεταξύ του προωθητικού γεγονότος και της αύξησης των πωλήσεων.

 Υπάρχει ένα σημείο κορεσμού, μετά το οποίο οι εκδηλώσεις προώθησης δεν επηρεάζουν πλέον τις πωλήσεις.


Συστάσεις για τη βελτίωση των μοντέλων πρόβλεψης

 Περισσότερα δεδομένα πωλήσεων και προωθητικών ενεργειών θα βελτίωναν σημαντικά τα προγνωστικά μας μοντέλα.

 Το να έχουμε την ίδια προωθητική εκστρατεία που λαμβάνει χώρα σε διαφορετικές χρονικές περιόδους θα παρείχε πολύτιμα δεδομένα, καθώς θα μας βοηθούσε να κατανοήσουμε αν η αύξηση των πωλήσεων αποδίδεται στην προωθητική ενέργεια ή στην εποχικότητα.

 Τα καθημερινά δεδομένα θα βοηθούσαν πολύ στην εκπαίδευση των μοντέλων μας σε σύγκριση με τη χρήση εβδομαδιαίων δεδομένων. 


9. Διαδικτυακή παρουσίαση

Μπορείτε να δείτε την τελική παρουσίαση της εργασίας data science του Σωτήρη Αρχοντά εδώ.

Για περισσότερες πληροφορίες σχετικά με τα project της Big Blue Data Academy, μπορείτε να επικοινωνήσετε μαζί μας εδώ.

 

Πρόσκληση

Καλούμε Ελληνικές εταιρείες να συμμετάσχουν στην εκπαιδευτική διαδικασία της Big Blue Data Academy και να αναθέσουν project στους μαθητές του Bootcamp.

Witside - Big Blue Data Academy