Как найти как изменится спрос

Как изменится рыночный спрос на товар, если цена товара выросла на 10%, доходы покупателей на 15%, цена товара конкурента на 12%, цена на взаимодополняющий товар на 8%, эластичность по модулю равна соответственно 1; 0,6; 0,8; 0,5.

Решение:

При расчёте эластичности спроса применяют две формулы:

формула точечной эластичности

и формула дуговой эластичности

Первая применяется только при изменениях объёма и цены на величину не более 10%. Вторая может применяться при любых изменениях.

1) По условию задания

 

Можно воспользоваться формулой точечной эластичности. Выразим из неё изменение величины спроса

Так как кривая спроса имеет отрицательный наклон, эластичность спроса по цене величина отрицательная.

Величина спроса на товар снизится на 10%.

2) По условию задания

Так как доходы изменились больше, чем на 10%, следовательно, для расчёта использовалась формула дуговой эластичности.

Отсюда

Пусть Δ – это изменение величины спроса, выраженное коэффициентом, тогда

Q₁ = Δ × Q_0.

2,15 × (Δ – 1) = 0,09 × (Δ + 1)

2,15 × Δ – 2,15 = 0,09 × Δ + 0,09

2,06 × Δ = 2,24

Δ = 1,087

Итак, Q₁ = 1,087 × Q₀.

Величина спроса на товар вырастет на 8,7%.

3) Далее по условию цена на товар заменитель выросла на 12%. (Как и в предыдущем случае превышает 10%, следовательно, для расчёта использовалась формула дуговой эластичности). Это вызовет рост спроса на данный товар. При этом перекрёстная эластичность – величина положительная и равна 0,8.

P₁ = 1,12 × Р₀

и пусть Δ – это изменение величины спроса, выраженное коэффициентом, тогда
Q₁ = Δ × Q_0.

2,12 × (Δ – 1) = 0,096 × (Δ + 1)

2,12 × Δ – 2,12 = 0,096 × Δ + 0,096

2,024 × Δ = 2,216

Δ = 1,095

Итак, Q₁ = 1,095 × Q_0.

Спрос на товар вырастет на 9,5%.

4) Далее по условию цена на товар дополняющий выросла на 8%. (Что ниже 10%, можно использовать формулу точечной эластичности). Это вызовет снижение спроса на данный товар. При этом перекрёстная эластичность – величина отрицательная и равна – 0,5.

 

Спрос на товар снизится на 4%.

Мысли об открытии собственного бизнеса, вероятно, хотя бы раз приходили в голову каждому. Однако дистанция между возникновением идеи и ее воплощением в жизнь гораздо длиннее и сложнее, чем может показаться на первый взгляд. Тем более что в современных реалиях для запуска собственного дела нужно детально проработать каждый нюанс, способный повлиять на итоговый успех. Существуют различные аналитические методы и маркетинговые инструменты, облегчающие решение этой задачи. Определившись с тем, что именно вы будете продавать, необходимо провести мониторинг: исследование, изучение потенциального уровня спроса покупателей на продукцию, товары и услуги, оценка предложения и выявление динамики, то есть анализ того, как меняются показатели продаж на фоне влияния определенных факторов, в конечном счете помогают принять верные решения.

Общее представление

Актуальность и востребованность продукта — объективно, один из наиболее важных критериев, которому стоит уделить особое внимание. Это касается как тех, кто еще только собирается начать собственное дело, так и опытных предпринимателей, планирующих расширение или обновление ассортиментной матрицы.

Рассматриваемая величина достаточно изменчива, и чутко реагирует на любые, порой не всегда очевидные изменения. Так, к примеру, анализ спроса на товар предусматривает учет следующих факторов:

• Период. Существуют определенные категории, имеющие выраженную сезонную специфику. Новогодние игрушки и лыжи гораздо менее интересны покупателям в начале июня, тогда как панамки и шлепанцы сложнее продавать в декабре. Конечно, какие-то минимальные цифры по объему реализации для статистики все же найдутся, однако вряд ли они могут представлять значимость с точки зрения бизнеса.
• Стоимость. В последние годы покупательская способность демонстрирует постепенное падение, что обусловливается сложной политической и экономической ситуацией. Из-за этого смещается вектор приоритетов — наибольший интерес представляют позиции, обеспечивающие базовые потребности, тогда как дорогостоящие покупки совершаются реже.
• Сегмент. Перед тем как проверить и оценить спрос на товары и услуги в интернете, стоит найти и изучить данные о целевой аудитории. Стандартной маркетинговой практикой является выделение определенных групп, представители которых потенциально должны быть заинтересованы в покупке конкретного продукта.

Некоторые концепции и постулаты экономической теории имеют общепризнанный статус, и остаются актуальными даже несмотря на глобальные изменения формы и содержания современного рынка. Так, для классификации видов потребности применяются определенные критерии. Исходя из протяженности, выделяют следующие категории спроса:

• Эпизодический — возникает на фоне конкретного повода, будь то ежегодное событие, крупное мероприятие или внеплановая акция. Например, интерес к атрибутике, посвященной релизу очередного фильма известной франшизы, или международному спортивному матчу, носит ограниченный характер.
• Периодический — потребность в товарах, появляющаяся время от времени. Чаще всего речь идет о сезонной продукции, будь то зимние или летние вещи, прохладительные или согревающие напитки и т. д.
• Повседневный — не зависит от временного фактора, и остается стабильным в любое время года. В первую очередь, в эту категорию входят продукты первой необходимости, гигиенические средства, бытовая химия и т. д.

С точки зрения динамики принято различать спрос:

• Чрезмерный — стремление аудитории покупать больше, чем было выпущено производителем.
• Импульсный — покупки, совершаемые спонтанно, на фоне влияния маркетинговых предложений и возникновения эмоциональной реакции.
• Падающий — тренд на снижение заинтересованности.
• Отрицательный — низшая точка, при которой интерес отсутствует.
• Нерегулярный — по сути, аналог сезонного.

В рамках углубленных исследований выделяют гораздо большее количество видов. С точки зрения практического применения информации можно обойтись и приведенным перечнем. Главное при этом — знать, как промониторить рынок и посчитать спрос на товар, и каким образом использовать полученные данные на благо бизнеса.

Сквозная аналитика

Современные программные продукты, предлагаемые поставщиками маркетинговых приложений, позволяют собрать аналитические показатели, представляющие интерес для предпринимателей. При необходимости платформы интегрируются с сервисами CRM-формата, обеспечивая возможность изучения ключевых параметров — начиная с клиентских поисковых запросов и заканчивая конверсией, представленной в наглядном отображении. Оптимизации рабочего процесса способствуют и решения по мобильной автоматизации, разработанные компанией «Клеверенс», благодаря которым организации могут сократить издержки и открыть для себя новые направления деятельности.

Как формируется спрос

Среди внешних факторов, также оказывающих влияние на уровень потребительского интереса, выделяют следующие аспекты:

• Демографическая обстановка — численность населения в регионе, дифференциация по гендерному и возрастному признакам, социальный статус.
• Климатические условия — в первую очередь средняя сезонная температура и уровень осадков, исходя из которых выявляется потребность в товарах соответствующих категорий.
• Политические ограничения — внешняя и внутренняя политика, взаимоотношения с другими странами, законодательные лимиты.
• Экономическое положение — уровень благосостояния целевой аудитории, рыночные цены, фактор инфляции и т. д.

Статистический анализ спроса потребителей на продукцию (товары и услуги предприятия) важен для магазина как в интернете, так и в офлайне, поскольку является определяющим информационным базисом при выборе ассортимента, способного принести прибыль.

В каких случаях нужен мониторинг

Если кратко — во всех. Сегодня конкуренция за клиента стала настолько высокой, что ни в одном сегменте не обойтись без качественного исследования. Потребительские настроения определяют, насколько успешной окажется торговля, а тренды, меняющиеся буквально каждый день, нужно отслеживать с особой тщательностью. Благо, для этого существует немало эффективных инструментов, проверенных на практике.

Способы изучения спроса на рынке товаров и услуг

Методики, предлагаемые ведущими аналитическими платформами, доступны как бесплатно, так и за деньги. Чем больше функциональных возможностей — тем более детализированной и подробной окажется информация. Рассмотрим основные варианты, которыми может воспользоваться каждый предприниматель.

Яндекс.Вордстат

Обширная база данных, сформированная на основе поисковых запросов, позволяет изучить предпочтения потенциальных покупателей в рамках отдельно взятого региона. Ключевым показателем выступает частота показов — чем выше значение по интересующему вас продукту, тем больше ожидаемый спрос. При этом нужно учитывать, что корректность анализа зависит от того, насколько точно были выставлены ключевые вхождения, то есть формулировки, используемые пользователями. С этой точки зрения выделяют как общие словосочетания — «смартфоны на Андроид», «детская одежда» или «бытовая техника для уборки», так и конкретизированные, подразумевающие намерение совершить понимаемое действие — «купить навигатор», «интернет-магазин обуви», или «холодильники в Москве».

Преимущества анализа в Вордстат

Подобное исследование помогает определить спрос покупателей города или региона на услуги и товары в интернете, и узнать, как и в какой последовательности менялись интересы за последнее время. С помощью платформы выявляется популярность брендов и производителей, отдельных товарных категорий в рамках общего сегмента, а также продукции, имеющей сезонную специфику.

Google Trends

Еще один аналитический инструмент, основывающийся на изучении трендов, задаваемых пользователями крупнейшей поисковой системы. Данные представляются в более сжатом виде, чем в предыдущем случае, однако обладают достаточным уровнем репрезентативности. При установке ключевых параметров также можно выделить определенный регион и период времени, что весьма удобно при оценке показателей сезонности. Кроме того, система предлагает опцию сравнения смежных запросов в рамках одной категории, например, количества показов по тематикам мужской, женской и детской одежды.

Яндекс.Маркет

Еще одна онлайн-платформа от Yandex, по сути представляющая собой маркетплейс, на котором реализуются разные виды товаров. Для каждого продукта формируется карточка, содержащая описание и стоимость. Ранжирование в выдаче по поисковым запросам — наглядный показатель популярности того или иного наименования. При этом нужно внимательно проверить параметры регионального фильтра, поскольку площадка охватывает большое количество пользователей из всех регионов, включая зарубежные страны. Критерием оценки также служат отзывы, исходя из которых можно оценить, насколько востребована отдельно взятая позиция.

В нижней части страницы расположен еще один аналитический блок, заслуживающий внимания: «Часто ищут». В нем выводятся наиболее трендовые и актуальные запросы за текущий период, что позволяет понять, в каком направлении двигаться при выборе ассортимента. Однако при этом стоит учитывать, что аудитория платформы относится к «теплым» клиентам, то есть состоит преимущественно из людей с уже сформированной мотивацией к совершению покупки, а также имеющих представление о собственных потребностях.

Пробное размещение контекстной рекламы

Один из рабочих вариантов, рассматриваемых в рамках вопроса о том, как изучить спрос на продукцию, будь то товары или услуги — организация тестовой рекламной кампании. Метод потребует определенных финансовых вложений, однако взамен позволяет:

• Оценить потребительский интерес к формируемому предложению и проанализировать его актуальность с точки зрения рынка.
• Понять показатели трафика, а также бюджет, который потребуется для полноценного продвижения в Сети.
• Рассчитать ROMI (Return on Marketing Investment), то есть окупаемость маркетинговых инвестиций.
• Разобраться в том, насколько целесообразным будет использование контекстной рекламы на начальном этапе — при достаточном количестве клиентов данный инструмент рекомендуется использовать позднее.

Таргетинг запускается в поисковых системах Яндекса и Гугла, в социальных сетях, а также на контекстно-медийных платформах. При отсутствии должного опыта стоит воспользоваться услугами профессионалов, поскольку для глубокого погружения в тему требуется немало времени.

Эффективный маркетинг

Основная цель маркетингового продвижения на предварительной стадии — анализ востребованности предложения среди целевой аудитории. Сегодня настройка параметров и аналитика результатов обеспечиваются готовыми сервисами, предоставляющими детализированную отчетность по каждому аспекту кампании. Оптимальный вариант — интеграция платформы с используемой CRM, благодаря которой уже на ранних этапах вы получите подробное представление о потенциале продукта.

Лендинг

В продолжение темы Интернет-рекламы стоит упомянуть о такой опции, как лендинговое продвижение. Суть методики — в создании отдельной страницы для продаж, на которую выводится трафик, формируемый рекламными каналами, размещенными в социальных сетях. Для реализации подобного проекта предусматривается следующая последовательность действий:

• Регистрация учетной записи на популярных платформах (VK, Facebook, Instagram), соответствующих с точки зрения преобладания выбранной целевой аудитории.
• Заполнение профиля сообщества контентом, представляющим интерес для потенциальных посетителей и участников.
• Запуск рекламы, ведущей на предварительно созданную продающую страницу.
• Анализ статистических показателей, подсчет промежуточных результатов, корректировка и подведение итогов после каждого этапа.

Чтобы повысить охват, также рекомендуется подключить контекстную систему продвижения, благодаря которой большее количество пользователей получит информацию о продукте.

Крупные рекламные площадки

Еще один способ изучения рынка — исследование востребованности по данным, представленным на ведущих торговых платформах, таких как Авито, Юла и т. п. Здесь большую роль играет актуальность запросов пользователей, поскольку для большинства товаров значимым оказывается фактор сезонности.

Грамотное комбинирование ключевых слов и формулировок позволяет исключить нулевую выдачу, которая нередко оказывается ошибочной. Низкая результативность может свидетельствовать об отсутствии фактического спроса, но требует более тщательной проверки. В целом репрезентативность рекламных досок оставляет желать лучшего — их стоит рассматривать в качестве дополнительного инструмента, помогающего составить общее представление о ситуации на рынке.

Ассортимент конкурентов

Конкурентный анализ — один из наиболее достоверных и надежных источников полезной информации. Чем шире охват исследуемых участников — тем больше вероятность выявления пересечений по позициям, которые пользуются наибольшим потребительским спросом.

Алгоритм выглядит достаточно просто: откройте сайт компании, работающей в аналогичном сегменте, выберите интересующую категорию продукции, и приступайте к сортировке и изучению, используя встроенные фильтры. Актуальные показатели — популярность, отзывы, бренды и цены. При этом нужно учесть, что настройки отдельно взятого онлайн магазина могут быть выставлены с целью продвижения конкретных товаров, поэтому для понимания общей картины потребуется проанализировать сразу несколько площадок, пересекающихся по основным критериям отбора.

Информация от поставщиков

Специфический вариант с точки зрения достоверности, который, однако, может дать определенную пользу. Методика реализуется сразу в двух направлениях. Во-первых, уточнить наиболее популярные позиции можно с помощью доверительной коммуникации, установленной с менеджером дистрибьютора. Во-вторых, наглядное отображение востребованности дает продолжительный анализ обновляемых прайсов, из которого становится понятна политика ценообразования, механика предоставления скидок, а также востребованность номенклатурных наименований.

Заключение

Говоря о том, как рассчитать потребительский спрос на продукцию бренда или товары отдельной категории, стоит еще раз отметить, что перечисленные методы обеспечивают наибольший эффект только при комплексном применении. Маркетинговые исследования требуют времени и вложений, но в конечном счете окупаются за счет повышения объемов продаж грамотно выбранного ассортимента.

Количество показов: 27183

Всем привет! Представьте себе ситуацию: ваша уютная маленькая команда Data Science занимается прогнозированием спроса для пары десятков дарксторов с помощью какого-нибудь коробочного Prophet. И в один прекрасный день к ней приходит бизнес. Бизнес садится, закидывает ногу на ногу, закуривает сигару и говорит:

«Мы хотим максимально автоматизировать закупки. Нам нужно, чтобы вы умели строить прогноз по всем товарам, старым и новым, для всех дарксторов, старых и новых. А их будет много, их будут сотни, тысячи, миллионы. А ещё у нас будет миллион видов скидок и разные типы ценообразования, и ещё куча промо-механик и конкурсов интересных. Мы хотим, чтобы прогноз обязательно адекватно на всё это реагировал». (с) Типичный Бизнес

Хорошо, думаем мы, кажется, что это звучит нетрудно… 

С этой задачи и начинается наша история о прогнозе спроса в Самокат. Меня зовут Мария Суртаева, я Data Scientist и расскажу о концепции прогноза спроса, его практических задачах и роли градиентного бустинга.

---

Для начала сделаю краткое отступление, почему мы вообще заговорили об этом. Самокат растёт и развивается, дарксторов и поставщиков появляется всё больше, растёт ассортимент. В таких условиях необходимость в оптимизации закупок становится постоянной. Напрашивающийся способ оптимизировать их работу – это автоматический заказ и прогнозирование спроса.

Когда бизнес пришёл к нам с задачей «максимальной автоматизации закупок», мы первым делом прикинули, сколько прогнозов нужно будет строить.

Если принять за прогнозную точку единицу спроса на товар, на одном дарксторе за один день, то нам нужно было строить прогноз по 2 миллионам точек с горизонтом прогнозирования шесть недель. Это более 87 миллионов прогнозов ежедневно. Понятно, что для того, чтобы справляться с этими объёмами, нужно было либо растить команду закупок теми же темпами, какими растёт сеть Самоката, либо выстраивать автоматизированный процесс. 

Перед тем, как мы перейдём к нашим трудностям и как мы их решали, у меня есть для вас небольшая задачка. Все персонажи вымышлены, совпадения случайны, поэтому это определённо не подсолнечное масло из заголовка.

Представим, что у нас есть временной ряд некоторого подсолнечного масла: он характеризует динамику продаж на одном дарксторе, и у него есть недельные средние значения. Вы – закупщик, и вам нужно предположить, сколько нужно закупить этого масла на следующие две недели, опираясь на историю продаж.

Ответ

Ниже речь пойдёт о временных рядах, так что на всякий случай вспомним основы. 

Задача прогнозирования временных рядов 

В зависимости от конкретной предметной области задача формулируется по-разному, но, как правило, звучит она так.

У вас есть последовательные точки процесса в определённые моменты времени t, вам нужно предсказать, где эти точки будут в последующие моменты времени, по возможности извлекая информацию из временной зависимости от t. 

Базовые подходы к извлечению этой информации, как правило, строятся на разных скользящих статистиках и сглаживаниях (например, модель Хольта-Винтерса). Туда же можно отнести выявление авторегрессионных и сезонных компонент – семейство алгоритмов ARIMA, SARIMA, SARIMAX и другие. 

Но мы хотим учитывать очень много разных факторов. Это достаточно однозначное пожелание бизнеса, мы не можем от него просто отмахнуться.

Можно посмотреть на Prophet, но как быть тогда с прогнозированием новых товаров и временных рядов без истории? Да и Prophet – не рекордсмен по скорости прогноза, простые тесты показались нам вечностью… У него есть прокачанный собрат, NeuralProphet, но и тут промах: нам нужно сохранять интерпретируемость для закупщиков и бизнеса.

Есть ещё семейство подходов MCMC, которые с некоторыми оговорками позволяют нам строить прогноз даже без исторических данных. Но будем честны, это очень тяжело поддерживать и масштабировать. 

Через такие размышления мы пришли к методам классического машинного обучения, а именно: моделям градиентного бустинга. Они позволяют нам получать неплохой прогноз по большой сети, легко масштабироваться и учитывать много-много факторов. Вроде бы всё круто. На первый взгляд.

Бустинг: хороший, плохой, наш

Естественно, бустинг не может быть идеален, и у него есть ряд известных ограничений математической модели. 

• Мы не можем сразу получить хороший прогноз на коротком временном ряду или на отсутствующей истории (пока ещё нет). 

• Слабые экстраполирующие способности бустинга – это тоже проблема, потому что мы уже заранее знаем, что сеть и обороты будут расти и мы можем просто не успевать за растущим трендом. 

• Прерывистый временной ряд — это всегда проблемно для прогнозирования.

Всё это больно, но вот что смертельно. На самом деле бизнесу не нужен хороший прогноз по всей сети, бизнесу важен отличный прогноз по 5-10% самым маржинальным и самым важным для клиента товарам. От этой постановки меняется всё. 

Это значит, что бизнесу не очень интересно, как классно мы опустили MAPE, или WAPE, или sMAPE или что угодно ещё  по целой сети в Подмосковье. Бизнесу важно болеть за главного героя – за самый любимый продукт, за самый маржинальный и оборотистый товар. Потому что если его доступность или выручка упадёт на одном или двух дарксторов в Санкт-Петербурге, для бизнеса это будет критичнее, чем если мы просто не закупим целые категории в Наро-Фоминске (простите, ребята из Наро-Фоминска). Жестоко, но правдиво: товары не равнозначны с точки зрения ошибки модели. 

Поэтому очень важно перестать смотреть на абстрактные цифры, которые позволяют нам сравнивать модели между собой, а начать задавать правильные вопросы к бизнес-процессам. Именно это позволит нам правильно найти золотую середину между перепрогнозом и недопрогнозом. Это позволит нам понять, какие цены ошибок нам нужно назначать, в каком направлении, для каких товаров. Возможно, понимание ответов приведёт нас к выводу о том, что нам нужна совсем другая базовая модель. Но мы этому выводу пока сопротивляемся, поэтому сейчас я буду рассказывать про четырёх злейших врагов прогноза спроса, если у вас в продакшене живёт градиентный бустинг.

Четыре всадника прогноза спроса

Новые товары

Первое очевидное препятствие на пути автоматизации – это прогнозирование того, о чём вы ещё ничего не знаете. Я начну с новых товаров, потому что это кейс, который в случае градиентного бустинга довольно просто нивелируется количеством и многообразием факторов в датасете. Важно добавить максимальное число факторов, которые не зависят от продаж товаров. Это категориальные признаки группы товаров: категории, подкатегории и их характеристики.

Также важно включать информацию о динамике продаж в категориях. Мы здесь исходим из предположения, что товары объединены в категории по некоторым общим свойствам, которые также могут отражать спрос на них. Поэтому если мы предполагаем, что доминант в этих категориях нет, то спрос на новый товар будет стремиться к некоторому обобщённому спросу на усреднённый товар в категории. В целом это даёт уже неплохое приближение в случае, если мы ещё не видели вообще никаких продаж. 

Если ваш новый товар стартует с промо, это тоже обязательно нужно учесть в факторах, а также добавить информацию о ценовой категории, о средней цене в категориях и подкатегориях и о соотношениях между ними. 

Всё это очень подробный способ сказать вашей обобщающей модели о том, что если у вас есть какой-то новый товар в категории «Йогурты», который выглядит как йогурт и который стоит как йогурт, скорее всего, его можно прогнозировать как некоторый усреднённый уже известный йогурт, который вы уже умеете прогнозировать. 

Но что делать, если новых товаров много или вообще всё? Как быть, если даркстор только открывается, и вы ещё не знаете, как там вообще всё будет продаваться? На самом деле, здесь мы тоже используем подход с метаинформацией, с характеристиками даркстора, которые не зависят от продаж. В частности, мы можем использовать информацию о том, что это вообще за даркстор, как далеко он находится от центра, какая у него плотность населения, какая у него зона покрытия и так далее. 

Эти характеристики позволяют вам построить многомерное пространство признаков дарксторов и натравить хотя бы наивный метод K ближайших соседей. Таким образом, вы можете найти K наиболее похожих дарксторов, и предположить, что спрос на них будет в целом походить на ваш новый даркстор. Тогда в качестве прогноза можно использовать статистики продаж за последний период на реальных самых похожих дарксторах. Иными словами, если вы не знаете, как будут продаваться все товары в новом спальнике в Казани, посмотрите на три других спальника в Казани. Это работает.

Ещё здесь нужно упомянуть о том, что если ассортимент товаров от даркстора к даркстору сильно варьируется, у вас, оказывается, много товаров, по которым у вас нет статистик, в том числе на наиболее похожих дарксторах. В этом случае можно использовать уже упомянутый мной подход с усреднением статистик в динамике категорий. 

Ещё нюанс. На самом деле не каждое открытие – такое уж открытие. Очень часто бывает так, что новый даркстор открывается с переездом и отнимает часть зоны от уже существовавшего даркстора. Эта зона может занимать разный процент от территории к территории: от 1% до 99%. В этом случае это чисто дело техники хранения данных. Если вы заранее можете перенести часть заказов из общей зоны к обоим дарксторам, то есть создать дубликаты заказов для ещё не открывшегося дакрстора, то у вас уже имеется история продаж для этого переезда ещё до начала прогнозирования. 

Таким образом, мы можем совместить прогноз, построенный на реальных данных с “общей” территории дарксторов, с усреднённым прогнозом от наиболее похожих соседей пропорционально долям этих территорий в зоне открывающегося даркстора. Этот “правдивый вклад” позволит дополнительно улучшить прогноз.

Заниженная доступность / уценка

Следующее препятствие – это злополучный баланс между перепрогнозированием и недопрогнозированием. Есть ловушка, в которую можно попасть, если смотреть только на сырые данные продаж. Предположим, что вы заказали мало товаров для даркстора, недопрогнозировали, и товар быстро закончился. Его, конечно, купили, но купили не так много, как могли бы. Модель увидела низкие продажи, построила на этом заниженные статистики и снова даёт низкий прогноз.

Возмутительно, но так. Это называется «ловушка заниженной доступности», и любой закупщик знает, как с этим бороться. Мы применяем к нашему таргету преобразование под волшебным названием «восстановление спроса с учётом доступности». 

Доступность – это очень важный фактор, который присутствует в любом ритейле; он отражает реальную причину того, почему продажи товара низкие. Либо на товар существует в действительности низкий спрос, и товар просто никто не хочет; либо в дарксторе присутствует постоянный недостаток товара на полках. Это супер-нежелательная ситуация для бизнеса – ведь вы не максимизируете выручку, и необходимо искусственно увеличить эти продажи. 

На картинке показываю, как преобразуется линия фактических продаж с учётом доступности. Понятно, что если вы хотите максимизировать выручку с даркстора, вам нужно стремиться к жёлтой линии, а не к розовой. 

Преобразование нужно проводить аккуратно. Функция должна быть подобрана достаточно нежно, потому что вы не можете просто огульно завысить продажи, так как они получатся слишком большими – такими, как никогда не могли бы быть в реальности. 

Поэтому не заигрываемся с преобразованием таргета и всегда добавляем информацию о том, насколько таргет изменён, насколько он достоверен в вашем датасете. Чтобы модель могла взвешивать, в какой мере это истинный ответ, а в какой мере – наши домыслы и целевые показатели бизнеса. 

Есть также противоположная ловушка, с перепрогнозами. В Самокате есть система автоуценки: если вы заказали слишком много, и срок годности товаров скоро истекает, то назначаются большие скидки автоматически. Это то, что вы можете видеть в блоке «Распродажа» в нашем приложении – всегда с большими скидками на товар. 

Люди любят большие скидки, люди покупают много товара. Но этот процесс не является нормальным, и товар продаётся в убыток бизнесу. Модель видит при этом большие продажи, строит завышенные статистики, и такая: «Классно, давайте я буду прогнозировать ещё больше, почему бы нет?» 

Выход из этой ловушки получается чуть более техническим. Скорее всего у вас достаточно накопленных данных, чтобы не продумывать преобразование таргета в этом случае, просто исключайте его. В системе хранения данных обязательно должен быть однозначный источник скидки, который отражает, насколько эта продажа соответствует запланированному процессу. Важно показывать модели те данные и такое поведение, к которым вы стремитесь, то есть доступность порядка 90-100% и исключительно запланированные промоакции, никакой самодеятельности. 

Плохая экстраполяция и нечувствительность к трендам

Другой частый камень в огород градиентного бустинга – это слабые экстраполирующие свойства. На самом деле бо́льшая часть моделей машинного обучения построена таким образом, чтобы обобщать и интерполировать, а не экстраполировать; с экстраполяцией у них довольно плохо. В частности, если мы рассматриваем деревья решений, то кусочно-линейное приближение с постоянным ответом в областях разбиения нам закономерно не помогает приближаться к ответу вне примеров обучающей выборки. В случае с прогнозом спроса, когда у вас таргет неотрицательный, это ещё значит, что ваша модель будет склонна недопрогнозировать. 

На практике существует три способа этого избежать. 

Первый способ – это бизнес-решение и замечание к логистике. У вас всегда должны быть страховые запасы. Они позволяют вам не сильно обращать внимание на ошибку с товарами с низким оборотом – всегда есть какой-то минимальный запас, который хранится на дарксторе. Но при этом в случае со скоропортящимися товарами и высокооборотистыми товарами страховые запасы довольно сильно влияют на доступность и на другие бизнес-показатели. Поэтому вам нужно как можно глубже интегрировать эти данные в прогноз скоропорта.

Второй способ – несимметричные лоссы. Если вы будете штрафовать модель за недопрогноз больше (потому что бизнесу, как правило, недопрогнозы обходятся дороже, чем перепрогнозы), то модель будет больше обращать внимания на недопрогнозы – результаты улучшатся, бизнес удовлетворится.

Третий способ, на мой взгляд, самый эффективный – это дополнительный модуль управления уже готовым прогнозом. О нём поговорим подробнее.  

Мы построили модуль статистических корректировок, чтобы напрямую влиять на экстраполирующие свойства градиентного бустинга и подталкивать нашу модель. Статистический блок смотрит на последние сформированные прогнозы, на исторические продажи за последний период и строит распределение ошибок.

Если мы видим, что ошибки сохраняют знак на протяжении длительного времени, если они увеличиваются в абсолюте, то мы добавляем смещение. Смещение, естественно, вычислено в зависимости от направления ошибки и в зависимости от её величины. Бонусом у нас идёт детектор тренда. Это могут быть разные математические инструменты его обнаружения, но в нашем случае довольно неплохо справляются базовые линейные подходы. Если мы видим тренд, мы также можем добавить смещение. В итоге у нас получается более корректный прогноз и ускоренная реакция модели на изменение поведения временного ряда. Примеры таких прогнозов приведены ниже.

И что мы в итоге имеем? У нас есть бустинг, который учится на хорошем таргете – преобразованном или исключённом. У нас есть дополнительный модуль, добавляющий смещение к нашему прогнозу, чтобы модель реагировала оперативнее и лучше экстраполировала. У нас также есть дополнительный блок с kNN, позволяющий получать прогнозы на новых дарксторах. 

В целом, эта система уже даёт хороший прогноз по большей части сети. Поэтому сейчас самое время встретиться с нашим главным злодеем – с препятствиями, которые  не позволяют нам отлично предсказывать вообще всё. 

Выбросы и шумы

Это те пики продаж при невероятном маркетинге из примера в начале статьи, любые ошибки и внешние обстоятельства. Всё то, что отличает модели машинного обучения от ясновидящих, кроме того, что машинное обучение не берёт денег за прогноз. 

Помимо зашумлённых рядов есть суперволатильные временные ряды, где подневные продажи варьируются от 2 до 35 штук, что тоже довольно неприятно. 

У нас есть мистические исчезновения товара из продаж на нехарактерный период. Причиной может служить почти что угодно: внезапный вывод товара из ассортимента, разрыв отношений с поставщиком, массовое разочарование в чипсиках и так далее, нужное подчеркнуть.

Я не знаю, есть ли серебряные пули от всех этих корнер-кейсов. Скорее всего, решение каждой этой проблемы потребует от вас построения системы, по сложности и громоздкости сравнимой со всей остальной архитектурой прогноза. Но вот к каким мыслям это приводит:

• Здорово, если у вас есть детектор аномалий, и вы можете скрывать вот эти ужасы от модели. В этом случае временная дестабилизация временного ряда не попортит все последующие прогнозы. 

• Хорошо, если в модель зашиты разные виды сглаживания – либо исторических продаж, либо прогнозов, какие угодно. Вы делаете ставку на сходимость сумм продаж и прогнозов в среднем и можете прогнозировать волатильные ряды с помощью агрегаций. 

• Прекрасно, если у вас есть механизм исключения подозрительных пробелов из данных. В нашем случае работает исключение данных с нулевой доступностью для построения статистик. 

• Превосходно, если у вас есть механизм учёта сезонности товара, и резкое повышение спроса или снижение спроса не будет для вас сюрпризом. 

К этому моменту мы уже перечислили то, что нам пришлось провернуть для того, чтобы градиентный бустинг более или менее хорошо работал у нас в проде. Самое время подсчитать количество соломы, которое оказалось раскиданным в результате того, что в самом начале мы (возможно) немножечко неправильно приоритизировали пожелания бизнеса. 

Как жить дальше

Нам хотелось, чтобы всё было так: у нас есть данные, мы отдаём данные в модель, модель выдаёт нам прекрасный прогноз всегда и везде. Супер!

Но на практике мы быстро поняли, что нам нужно очень много данных, очень разных, из разных источников, а ещё логика преобразования таргета.

Затем у нас добавился модуль с кластерным анализом и с kNN, чтобы получать прогноз по новым товарам и для новых дарксторов. 

Далее мы решили, что наш прогноз всё ещё недостаточно идеален, и добавили модуль статистических корректировок, чтобы подталкивать его в нужном направлении изменения спроса. 

Потом у нас появился ещё детектор тренда, потому что а почему нет – чтобы корректировать прогноз ещё лучше. 

И даже это тоже не всё: есть ещё много модулей, описание которых уже никак не укладывается в рамки данной статьи.

И вот мы здесь. Сидим, смотрим на разрастающуюся схему архитектуры прогноза и доработок с чётким осознанием того, что проект призван решать гораздо больше задач, чем просто прогнозирование числа проданных товаров на дарксторах. Этот факт может остаться незамеченным при стандартной методике подсчёта ошибок прогноза, но достаточно сильно при этом влияет на бизнес-показатели и сказывается на бизнесе. 

От наивного прогноза спроса к интеллектуальной системе прогнозирования за четыре шага

Итак, что мы вынесли из этой истории? Очень важно изначально понимать суть бизнес-задачи. Это позволит от исходной наивной схемы, где есть только данные, модель и прогноз с простым установка «прогнозируем все товары на всех дарксторах», прийти к более детальной задаче о построении полноценной интеллектуальной системы. 

Чтобы эта система максимизировала выручку, нужно пройти четыре этапа:

1. Хорошо отфильтровать данные. Фильтрация и препроцессинг – это то, с чем нельзя переборщить. 

2. Построить упрощённые подходы для новинок. Простой подход в условиях отсутствия данных – скорее всего, лучший подход. 

3. Восстановить спрос, преобразовав таргет там, где это необходимо. 

4. Помочь деревьям экстраполировать и улавливать тренды. Нам нужно подталкивать нашу модель там, где она недотягивает. 

Только таким образом мы и можем растить бизнес-метрики – а значит, прогнозировать спрос, не теряя головы. 

P.S.: Костыли вокруг бустинга – увлекательное дело, но не единственное, чем мы занимаемся в команде Data Science. 

Ещё мы моделируем промо-механики и эластичность по различным факторам, изучаем эффекты перетекания спроса и каннибализации. Исследуем, как наша система прогноза спроса взаимодействует с другими продуктами из Data Science: с персонализацией, рекомендациями, минимальными чеками и всем-всем-всем. 

Напишите в комментах, если вам хотелось бы почитать о каких-нибудь из этих тем?

Изменения спроса и величины спроса

При
анализе рыночной
конъюнктуры необходимо
проводить четкое различие между спросом
и величиной спроса, а также между
изменениями величины спроса и изменениями
в самом спросе на данный товар.

Изменение
величины спроса наблюдается
при изменении цены рассматриваемого
товара и неизменности всех прочит
параметров (вкусов, доходов, цен на
другие товары). На графике подобное
изменение отражается движением вдоль
кривой спроса из точки (стрелка №1).

Изменение
спроса происходит
при неизменности рыночных цен на
рассматриваемый товар, т.е. под воздействием
каких-либо неценовых факторов, и на
графике отражается смещением кривой
спроса вправо или влево (стрелка №2).

•  —
  Цена

•  —
  Объем
  спроса

•  —
  Кривая
  спроса

Неценовые
детерминанты спроса

Факторы,
оказывающие воздействие на спрос при
неизменных ценах на рассматриваемый
товар, называются неценовыми
детерминантами спроса. Среди
наиболее значимых неценовых детерминант
экономисты выделяют:

1. Вкусы и предпочтения потребителей.

Так,
например, активная рекламная компания
здорового образа жизни, может привести
к росту спроса на спортивные тренажеры
и натуральные продукты, увеличив величину
спроса при тех же ценах (сдвиг кривой
спроса вправо).

2. Доходы потребителей.

Для
подавляющей группы нормальных качественных
товаров рост дохода вызывает увеличение
спроса при тех же ценах и соответствующее
смещение кривой спроса вправо.

Однако
для относительно худших товаров, имеющих
сравнительно более низкое качество,
рост дохода побуждает потребителя
заменить относительно худший товар
более качественным и тем самым сокращает
спрос. В результате кривая спроса
смещается влево.

3. Число потребителей.

При
прочих равных условиях , чем больше
число потенциальных покупателей, тем
выше рыночный спрос на товар.

4. Цены на другие товары.

Данный
фактор является неценовым, т.к. предполагает
неизменность цены рассматриваемого
товара. Цена же любого другого товара
кроме того, который мы анализируем,
выступает в качестве неценового, или
экзогенного фактора.

Различают
условно три группы «других» товаров:

• нейтральные,
  т.е. оказывающие крайне низкое, близкое
  к нулю влияние на рынок основного
  товара, например, чай и фрезерные станки;

• заменители,
  удовлетворяющие аналогичные потребности,
  и потому являющиеся конкурентами для
  основного товара, например, чай и кофе;

• дополняющие,
  чье потребление обусловлено потреблением
  основного товара, например, чай и сахар.

Если
от первой группы товаров можно
абстрагироваться, то изменение цен на
товары дополняющие и товары-заменители
будет оказывать существенное воздействие
на рыночный спрос анализируемого товара.

Рост
цены на товар-заменитель ведет к
сокращению величины спроса на него и,
как следствие, к увеличению спроса на
основной товар. (Примером может служить
ситуация 70-80-х гг. на рынке нефти, когда
рост цен на этот энергоноситель
спровоцировал рост спроса на альтернативные
источники энергии: атомную, энергию
солнца, ветра и т.д.).

Напротив,
рост цены на товар дополняющий ведет к
сокращению спроса на основной товар, и
наоборот, падение цен к его возрастанию.
Так, снижение цен на принтеры для
персональных компьютеров вызвало резкое
увеличение спроса на высококачественную
бумагу. Оба примера могут быть
проиллюстрированы смещением кривой
спроса влево.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

Примеры решений задач: спрос и предложение

В этом разделе вы найдете подробно решенные задачи на тему спроса, предложения, рыночного равновесия и его колебаний, эластичности и т.п.

Эластичность: задачи с решениями

Задача 1. Доход мистера Z увеличился на 3%, а величина спроса при той же цене выросла на 9%. Определить эластичность спроса по доходу.

Задача 2. Оценка спроса тремя покупателями А, Б и В выражается следующими данными:
Покупатель Цена единицы товара, ден. ед.
1000 1100 1200 1300 1400 1500
А 15 15 14 14 13 13
Б 10 10 9 8 5 0
В 12 10 8 6 4 2
Определить коэффициент эластичности рыночного спроса по цене в интервале от 1300 до 1400. Эластичен ли спрос?

Задача 3. Цена на товар выросла с 20 до 23 ден. ед. Коэффициент точечной эластичности спроса по цене равен (-2). Найти первоначальный объем рыночного спроса на товар, если после повышения цены он составлял 1200 штук.

Задача 4. К какой категории относят товар, если известно, что при среднем доходе покупателя 2300 ден. ед. объем индивидуального спроса на товар 5 ед., а при доходе 2500 ден. ед. – 6 ед.?

Задача 5. Коэффициент эластичности спроса по цене равен 1,5. Объем спроса на начало периода составляет 200 тыс. ед., цена за единицу товара равна 50 руб. Определите, насколько изменится объем спроса и объем выручки фирмы, если:
А) цена снизится на 5%;
Б) цена возрастет на 12%.
Определите тип эластичности спроса.

Задача 6. Вы знаете, что кривая спроса линейна. По текущей цене 3 за единицу товара вы продаете 60 000 единиц товара в год. Ваш начальник предлагает увеличить цену до 3.2. Вы знаете, что эластичность спроса по цене в этой точке = –2.5. Сколько товаров вы продадите по новой цене? Если ваша маржа была 1, а станет при новой цене 1.2, целесообразно ли повышать цену?

Задача 7. Компания решила снизить цену на 10%. Без учета реакции конкурентов ожидается, что объем продаж вырастет на 25%. Но компания ожидает, что после такого снижения цены конкурент снизит цену на 5%. Из-за этого компания потеряет 3,5% ожидаемого по новой цене объема продаж. Рассчитайте ожидаемое увеличение объема продаж и показатели, перечисленные ниже.
Собственная эластичность =
Эластичность реакции конкурентов =
Перекрестная эластичность =
Остаточная эластичность =
Ожидаемый рост объема продаж =

Задача 8. При цене продукта Р1 = 50 денежных единиц объем его предложения составил 100 единиц. При снижении цены до Р2 = 40 денежных единиц объем предложения сократился до 80 единиц. Рассчитайте коэффициент эластичности предложения.

Задача 9. Для функции спроса $QD=200 — 4P$ определить:
а) ценовую эластичность спроса при цене P=10;
б) ценовую эластичность спроса при росте цены с 10 до 12;
в) при какой цене эластичность данной функции спроса равна –4

Задача 10. Эластичность спроса по цене на картофель – 0,3, на кефир – 1,0, на мебель – 1,2. Кто больше пострадает от введения косвенного налога: производители или потребители? Ответ проиллюстрировать графиком.

Задача 11. Функция спроса задаётся формулой $C=45 D^{0,3}P^{-0,1}$, где $C$ — товар, $D$ — доход, $Р$ — цена товара.
Найти:
a) Предельный спрос по доходу и цене при D=70, Р=25.
b) Коэффициенты эластичности спроса по доходу и цене и объяснить их экономический смысл для полученных значений.

Задача 12. Дана функция спроса в виде $Y=10.130 e^{-3.130p}$. Цена товара $p_0=0.2$ ден. ед. Предполагается увеличить цену до $p_1 = 0.25$ ден. ед. Рассчитать абсолютные и относительные приращения результата и фактора, средние и мгновенные скорости изменения объёма продаж, эластичность. Дать экономическую интерпретацию каждой рассчитанной характеристике, а также записать их размерности (считаем, что объём продаж измеряется в тыс. шт.).

Задача 13. Вычислить дуговую эластичность предложения по двум точкам: величина предложения увеличивается со 120 до 160 штук при росте цены с 4 до 10 ден. ед.

Равновесная цена: задачи с решениями

Задача 14. Закон спроса на йогурт описывается формулой $Qd = 400 – Р$, закон предложения – формулой $Qs = 2Р – 200$. Как изменится рыночное равновесие и выручка производителей йогурта, если государство станет субсидировать производителей из расчета 30 ден. ед. за штуку?

Задача 15. Спрос и предложение на муку описываются уравнениями: $Qd = 2500 – 100Р$, $Qs = -1000 + 250Р$. В целях социальной защиты мэрия установила цену 6 ден. ед. за килограмм муки. Охарактеризуйте последствия данного решения для рынка. Изобразите графически первоначальное и последующее состояния рынка.

Задача 16. Кривая рыночного спроса на сахар описывается уравнением $Qd = 200 – 4Р$, кривая предложения – уравнением $Qs = Р – 150$. На сколько процентов вырастет рыночная цена, если величина спроса на сахар при любом уровне цены увеличится на 40 тонн?

Задача 17. Р – рыночная цена товара. Функции спроса и предложения заданы аналитически: Qs = 1500+2.4P ; Qd=35000-2.9P
Определить условия рыночного равновесия

Задача 18. Ситуация на рынке такова, что при цене в 10 ден. ед. покупатели готовы были купить 40 штук гвоздик, а продавцы согласны были продать 10 штук гвоздик; по цене 20 ден. ед. — соответственно 30 и 20 штук; по цене 30 ден. ед. — 20 и 30 штук и, наконец, по цене в 40 ден. ед. — 10 и 40 штук. Определить равновесную цену и объем продаж.

Задача 19. Спрос и предложение на рынке товара X описываются уравнениями $q = 200 — 2р$, $q = -10 + р$. На каком уровне установится равновесная цена товара X, если будет введена дотация производителям X в размере 90 руб. за каждую проданную единицу товара? Чему равен объем дотационных выплат из бюджета? Дать графическую иллюстрацию.

Задача 20. На рынке две группы покупателей с функциями спроса $P_{D1} = 20 — Q$, $P_{D2} = 4 -Q/4$. Определить равновесную цену и количество товара и проиллюстрировать решение графически, если предложение задано уравнением $Q_S = 4P$.

Задача 21. Функции спроса и предложения на рынке $QD = 600 — 25P$, $QS= 100 + 100P$. Пусть введен потоварный налог, уплачиваемый производителем, в 2,5 денежных единицы на единицу товара. Определить
равновесную цену и равновесное количество товара после введения налога,
изменение излишков потребителя и производителя,
сумму налоговых выплат, получаемую государством и чистые потери общества.
Какую часть налога производитель будет перекладывать на потребителя? Решение проиллюстрировать графиком.

Задача 22. Функция спроса и предложения на рюкзаки в месяц следующие: $Qd = 600-2Р$, $Qs=300+4Р$
1. Каковы равновесная цена и равновесный объем продаж?
2. Предположим, что установлен потолок цены рюкзака 10 рублей. Какая ситуация будет на рынке? Подсчитайте сумму дефицита или излишки.
3. Представьте графически данную ситуацию.

Задача 23. Опытным путем установлены функции спроса q(p) и предложения q, S – количество товара, соответственно покупаемого и предлагаемого на продажу в единицу времени: p – цена товара. Построить на одном чертеже графики q(p) и S(p).
Найти: а) равновесную цену, т.е. цену, при которой спрос и предложение уравновешиваются; б) эластичность спроса и предложения для этой цены; в) изменение дохода при увеличении цены на 5 % от равновесной.

$$q = frac{p+10}{p+3}, S=p+0,4.$$

Спрос и предложение в таблицах: задачи с решениями

Задача 24. В таблице представлены данные об объеме спроса и предложения на рынке данного товара при различных ценах.
Объем, ед. Цена, р.
5 10 15 20 25 30 35
Спроса 68 53 42 34 27 22 19
Предложения 15 29 42 52 59 64 68
Ответьте на следующие вопросы:
а) чему равна равновесная цена на рынке данного товара?
б) каково равновесное количество продукта на рынке?
в) что изменится на рынке, если цена установится на уровне 5 р.?
г) какие изменения произойдут при цене 30 р.?

Задача 25. Условия: в таблице представлены данные по рынку консервированного зеленого горошка.
Цена (рубли) Объем спроса (млн. банок в год) Объем предложения (млн. банок в год)
8 70 10
16 60 30
24 50 50
32 40 70
40 30 90
Найти и выполнить:
1) по табличным данным построить кривые спроса и предложения
2) определить условие равновесия рынка.
3) Дать качественную и количественную характеристики рынка при:
— рыночной цене =8 руб.?
— рыночной цене =32 руб.?
4) Потребление зеленого горошка повысилось на 15 млн. банок в год при каждом уровне цен. О чем это свидетельствует и каковы будут условия равновесия рынка?

Задача 26. На рынке действуют три потребителя X,Y,Z, поведение которых охарактеризовано в таблице.
Цена (руб.) Количественный объем покупок (шт.)
Потребитель X Потребитель Y Потребитель Z
10 0 0 0
9 0 3 1
8 0 5 5
7 1 7 8
6 2 9 11
5 4 12 12
4 6 15 15
3 10 18 18
2 15 21 20
1 21 24 23
0 25 25 25
1) Построить индивидуальные графики спроса.
2) Построить общую кривую спроса.
3) Рассчитать динамику общего и предельного дохода на рынке.
4) Построить новую общую кривую спроса, предположив, что количественный объем спроса на товар со стороны потребителей Х и Y удвоится при любом уровне цен, а сторон потребителя Z одновременно сократится вдвое.
5) Рассчитать все параметры рыночного спроса при новых условиях. Построить индивидуальные графики спроса.
6) Построить общую кривую спроса.
7) Рассчитать динамику общего и предельного дохода на рынке.

Задача 27. Условия: рынок перфораторов характеризуется следующими данными:
Цена (руб.)
1000 2000 3000 4000 5000 6000 7000
Объем тыс. шт.
Спроса 32 28 24 20 16 12 8
Предложения 4 6 10 13 16 19 22
Задание:
1) построить графики кривых спроса и предложения, используя табличные данные;
2) Определить равновесную цену на рынке перфораторов;
3) Каков равновесный объем купли/продажи перфораторов;
4) Состояние рынка при цене перфоратора 3000 руб.;
5) Состояние рынка при цене перфоратора 6000 руб

Может быть интересно: