𝐂𝐫𝐞𝐚𝐭𝐞 𝐇𝐢𝐠𝐡 𝐕𝐚𝐥𝐮𝐞 𝐭𝐡𝐫𝐨𝐮𝐠𝐡 𝐏𝐫𝐞𝐬𝐜𝐫𝐢𝐩𝐭𝐢𝐯𝐞 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬!
Поскольку я родом из #controlsystems, любовь к поддержке #datadrivendecisions никогда не заканчивается.
Обычно большинство практиков/новичков в аналитике останавливают свои исследования либо на аналитике #descriptiveanalytics, либо на #predictiveanalytics, но интересная часть аналитики на этом не заканчивается.
Как мы все знаем, когда методы описательной и исследовательской аналитики отвечают на вопрос о прошлом, прогнозная аналитика дает ответ на вопрос о будущем.
Несмотря на то, что #predictiveanalytics имеет видимость будущего, бизнес нуждается в поддержке принятия решений, чтобы приносить больше пользы.
#prescriptiveanalytics позволяет бизнесу понять Что делать? и «Что мы можем сделать, чтобы _______ произошло?
Несколько вариантов использования
1. Инвестиционные решения на основе риска
2. Динамическое ценообразование продуктов на основе спроса
3. Планирование запасов на основе стоимости и времени
4. Рекомендация клиентам более качественных продуктов
5 , Планирование производственного процесса
Пример
- Когда мы создадим модель временных рядов/модель регрессии для прогнозирования продаж в следующем месяце, что мы будем с этим делать?
Нам никогда не нужен просто футуристический прогноз продаж, нам нужно больше, и это возможно с помощью предписывающей аналитики.
Может быть несколько возможных решений, которые предприятия захотят принять, если они знают продажи в следующем месяце.
1. Планируйте движение товарно-материальных запасов
2. Планируйте маркетинговые мероприятия, чтобы повысить продажи за счет прогнозируемых продаж
3. Скорректируйте цену, чтобы увеличить доход
Чтобы включить три вышеупомянутых случая, нам нужен слой предписывающей аналитики, который состоит из модели моделирования и механизма оптимизации.
Здесь имитационная модель будет воспроизводить реальную систему, чтобы мы могли построить множество сценариев, которые, как ожидается, произойдут в реальности. Из моделирования мы можем оценить сценарии.
Здесь имитационная модель может быть построена как #обычными способами, так и методами #машинного обучения.
Чтобы придумать желаемый сценарий, который может принести более высокую ценность (увеличение дохода или улучшение продаж, оптимизация затрат на запасы или более высокая рентабельность инвестиций в маркетинг), нам нужен механизм оптимизации.
𝐇𝐨𝐰 𝐜𝐚𝐧 𝐰𝐞 𝐛𝐮𝐢𝐥𝐝 𝐚 𝐒𝐢𝐦𝐮𝐥𝐚𝐭𝐢𝐨𝐧 𝐌𝐨𝐝𝐞 𝐥?
1. Системная динамика
2. Моделирование дискретных событий
3. Моделирование на основе агентов
𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧 𝐄𝐧𝐠𝐢𝐧𝐞?
- Математические оптимизаторы — линейное/нелинейное программирование
2. Оптимизаторы метаэвристики
Мы увидели важность и возможности предписывающей аналитики.
Большинство конвейеров предписывающей аналитики состоят из двух компонентов:
1. Механизм моделирования
2. Механизм оптимизации.
⚙️𝐒𝐢𝐦𝐮𝐥𝐚𝐭𝐢𝐨𝐧 𝐄𝐧𝐠𝐢𝐧𝐞 — Это будет математически воспроизводить систему реального времени, чтобы мы могли активно моделировать различные сценарии.
Пример 1: Моделирование запасов
Чтобы узнать об дефиците запасов в сезон #Christmas, мы можем воспроизвести движение запасов с помощью метода моделирования и понять закономерности дефицита.
🤗 𝐄𝐱𝐚𝐦𝐩𝐥𝐞: 𝐂𝐮𝐬𝐭𝐨𝐦𝐞𝐫 𝐁𝐞𝐡𝐚𝐯𝐢𝐨𝐮𝐫 𝐒𝐢𝐦𝐮𝐥𝐚𝐭𝐢𝐨𝐧
Чтобы понять поведение клиентов по отношению к новому продукту, мы можем смоделировать индивидуальные предпочтения клиентов и взаимодействие между населением, используя исторические данные / данные панельного опроса.
📊 Как мы можем создать движок моделирования?
1. Если атрибуты ( ввод-вывод ) и система поведения могут быть смоделированы как математические уравнения ( дифференциальные уравнения ), мы можем использовать
2. Если система состоит из множества дискретных событий, которые происходят одно за другим, мы можем использовать 𝐝𝐢𝐬𝐜𝐫𝐞𝐭𝐞 𝐞𝐯𝐞𝐧𝐭 𝐬𝐢𝐦𝐮𝐥𝐚𝐭𝐢𝐨𝐧, в котором мы можем моделировать людей, используя бизнес-логика и эвристика
3. Если система представляет собой совокупность клиентов/машин или других сущностей, нам необходимо смоделировать поведение отдельных сущностей и взаимодействия, это можно сделать с помощью уже выкладывали про ПРО с примером колоды.
И эти методы составляют цифрового близнеца системы реального времени в зависимости от масштаба и сложности. Для создания такой системы нам потребуется надлежащая платформа, подкрепленная системой интеграции данных и вычислительными возможностями.
Я помню, что создание #Digitaltwin Inventory с очень низкими ресурсами заняло несколько часов, чтобы завершить симуляцию.
Оптимизация: выбор наилучшего элемента из некоторого множества доступных альтернатив по критерию #evaluation.
Учтите, что мы хотим оптимизировать наши расходы на логистику, чтобы увеличить прибыль. Здесь нам нужно выбрать лучший путь и способы транспортировки, чтобы снизить стоимость.
1. У нас есть много вариантов с точки зрения способов транспортировки, таких как грузовик, корабль, воздушный груз — нужно выбрать лучший из них.
2. Каждый метод имеет свои логистические затраты на тонну в день, это создаст кучу возможных решений.
брать по одному и подсчитывать стоимость займет больше времени и неэффективно
💵 𝐭𝐡𝐞𝐧 𝐇𝐨𝐰 𝐜𝐚𝐧 𝐰𝐞 𝐨𝐩𝐭𝐢𝐦𝐢𝐳𝐞 𝐭𝐡𝐞𝐧 ?
- Это возможно с помощью вычислительного метода (алгоритмов оптимизации).
- Я перечислил несколько алгоритмов оптимизации,
- Любые алгоритмы оптимизации требуют следующих вещей.
1. 𝐎𝐛𝐣𝐞𝐜𝐭𝐢𝐯𝐞 𝐅𝐮𝐧𝐜𝐭𝐢𝐨𝐧 — Это будет наша целевая определяющая функция — пример: прибыль, расходы, доход
2. 𝐎𝐛𝐣𝐞𝐜𝐭𝐢𝐯𝐞 — Это определит, чего мы хотим достичь — Ex Это увеличить прибыль / уменьшить ее? или это уменьшить расходы / увеличить их?
3. Это может быть одна или несколько целей, основанных на бизнес-требованиях.
4. 𝐂𝐨𝐧𝐬𝐭𝐫𝐚𝐢𝐧𝐭𝐬 — это набор правил для управления нашими решениями по оптимизации в реальности — Пример: Максимальная вместимость инвентаря = 20 тонн, Минимальный выделенный бюджет = 3000$, это точно определит пространство поиска для нашего алгоритма
5. 𝐃𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐕𝐚𝐫𝐢𝐚𝐛𝐥𝐞𝐬 — переменные, которые мы хотим оптимизировать для достижения желаемого значения целевой функции. Пример: чтобы достичь высокой прибыли, нам нужно найти оптимальный метод и маршрут логистики. Здесь метод и маршрут будут переменными решения
Надеюсь это поможет!
