अपघटन, पूर्ण डेटा सेट, डेस्कटॉप और मार्केटिंग के बिना एक कार्य

हमारी वास्तविकता में, हमारे पास ऐसे कार्यों के लिए पूर्ण स्रोत डेटा नहीं है जो कागज पर विशुद्ध रूप से गणितीय लगते हैं। यहां एक स्टोर वाले क्षेत्रों में से एक के अभ्यास से एक उदाहरण है। जून में, वे आपको रेडियो से कॉल करते हैं और कहते हैं कि वे 40% छूट के साथ विज्ञापन के स्थान को दोहराने के लिए तैयार हैं। यह दो सप्ताह में 192 वीडियो है। पिछली बार आपने इस विज्ञापन को "इसे आज़माने" का आदेश दिया था क्योंकि विज्ञापन की लागत की तुलना में अपेक्षित लाभ अधिक था।

समस्या यह है कि प्लेसमेंट अवधि के दौरान दो बड़ी चीजें हुईं:

• छुट्टियों के कारण मौसमी गिरावट आई थी और शहर की बिक्री गिर रही थी।
• विज्ञापन अतिरिक्त बिक्री देने वाला था।

अब आपको एक को दूसरे से अलग करने और समझने की आवश्यकता है कि यह क्या और कैसे काम करता है। विज्ञापन की जानकारी और विज्ञापन को ध्यान में रखे बिना विज्ञापन का मूल्यांकन नहीं किया जा सकता। यहाँ छुट्टियों से पहले, दौरान और बाद में आपकी बिक्री का कार्यक्रम है:

^{स्रोत शहर, क्षैतिज रूप से सप्ताह के लिए टुकड़ों में बिक्री}

यह दिखाता है कि छुट्टियों पर विज्ञापन देने के बाद बिक्री घट रही है। छुट्टियों पर जाना सभी शहरों के लिए आदर्श है। सच है, हम, मोटे तौर पर बोल रहे हैं, पता नहीं विज्ञापनों के बिना कार्यक्रम क्या होगा। एक ही? थोड़ा कम? जोर से कम?


^{विज्ञापन के बिना, इवेंट इन परिदृश्यों में से एक का पालन करेंगे। किस लिए - मुझे नहीं पता।}

इसलिए, यह समझना है कि विज्ञापन ने इस तथ्य के बावजूद बिक्री को कैसे प्रभावित किया कि कम से कम दो वैश्विक कारक उन्हें बदल रहे थे। यह समस्या लगभग हमेशा पाई जाती है जब आपको विज्ञापन या प्रचार की प्रभावशीलता का मूल्यांकन करने की आवश्यकता होती है।

दूसरी तरफ से शुरू करते हैं। हम जानते हैं कि एक अन्य शहर में कार्यक्रम इस प्रकार था:


^{नियंत्रण शहर १}

लेकिन यह हमारे लिए पर्याप्त नहीं है, हमें तीसरे बिंदु की आवश्यकता है। तीसरे शहर में एक और पूरी तरह से नियंत्रित स्रोत:


^{नियंत्रण शहर २}

हम उन्हें एक दूसरे के ऊपर रखते हैं:


^{हमारा खोजा गया शहर हरा भरा है}

यह एक तस्वीर का पता चला है जो अब तक रंगीन लाइनों से किसी तरह का कचरा दिखता है। टैक्सोनॉमी दिखाई नहीं देती है, क्योंकि शहरों में बिक्री के मामले पूर्ण रूप से भिन्न हैं।

जो आवश्यक है वह सामान्यीकरण है, और सामान्य बिक्री अनुसूची का संयोजन नहीं है। चूंकि शहरों में से एक ने शेष दो की गति को लगभग तीन गुना कर दिया है (अधिक जनसंख्या है), फिर एक सुपरपोजिशन में हम इस विशेष शहर के शोर का संकेत देखते हैं, जैसे:



हम प्रति चक्र के सापेक्ष बिक्री की ओर मुड़ते हैं, अर्थात्, हम ग्राफ़ को सामान्य करते हैं। हमें यह मिलता है।


^{अवधि के तीसरे सप्ताह में, अध्ययन किए गए शहर में एक चोटी और नियंत्रण में मंदी दिखाई दे रही है। लेकिन आगे एक नियंत्रण में एक असंगत शिखर दिखाई देता है।}

हम तीन शहरों के आंकड़ों पर लौटते हैं। मैं आपको याद दिलाता हूं कि हमें दो रुझानों की पहचान करने की आवश्यकता है: एक मौसमी गिरावट और रेडियो विज्ञापन के बाद बिक्री के हरे शहर में वृद्धि। पहले हमें स्थानीय विरूपण से ग्राफिक्स को साफ करने की आवश्यकता है।

यूनिट की जाँच

आपको यह समझने की आवश्यकता है कि हमारे अपलोड में डेटा साप्ताहिक आया। यह समझ में आता है, चूंकि एक सप्ताह दिन-प्रतिदिन एक वृद्धि-चक्र से मेल खाता है, साथ ही इसमें डिलीवरी ऑर्डर के डेटा शामिल हैं, जो उदाहरण के लिए, इस चक्र में स्वीकार किए गए और भेजे गए, लेकिन केवल अगले में भेज दिए गए हैं। सप्ताह के अंदर एक "मौसमी" उच्चारण किया गया है: उदाहरण के लिए, सोमवार को बिक्री बुधवार की तुलना में बहुत कम है।

हमारे चक्र और विज्ञापन के चक्र की तुलना करें। रेडियो विज्ञापन और अवकाश मंदी एक चक्र से अधिक समय तक चलते हैं। इसका मतलब यह है कि चक्र के अंदर सभी तेज कूद स्वयं स्थानीय विकृतियां हैं, हमारे मामले में, शोर। हमें हफ्तों का उपयोग करने का पूरा अधिकार है।

मॉडल की जाँच

हम उत्सर्जन को हटाते हुए एक मानक सप्ताह का संदर्भ प्रोफ़ाइल बनाते हैं। यदि हमारी धारणा सही है, तो सभी शहरों में सभी सप्ताह लगभग समान होंगे। लेकिन अचानक यह पता चलता है कि नीले शहर (जहां यह विज्ञापन नहीं था) में हरे रंग के विज्ञापन के चक्र के दौरान स्थानीय प्रकोपों ​​का उल्लेख किया गया था। बिक्री के एक नियमित दिन से 40% से अधिक कचरा है।

सबसे अधिक संभावना है, कुछ ऐसा था जिसे मॉडल द्वारा समझाया नहीं गया था। सबसे पहले, हम वास्तविकता से गलत डेटा ट्रांसफर की परिकल्पना का परीक्षण करते हैं। मैंने एक आसान तरीका चुना - मैंने कॉल सेंटर के प्रमुख को फोन किया और सवाल पूछा कि पिछली बार जब इस तरह के उछाल थे कि शिफ्ट में बस उल्टी हुई थी। यह देखते हुए कि कॉल सेंटर संदर्भ सप्ताह के प्रोफाइल भी बनाता है और उनसे शिफ्ट आकार बनाता है, मुझे हफ्तों के दौरान अपने उत्सर्जन की परिकल्पना की जांच प्राप्त होगी। मोटे तौर पर, यदि पूर्वानुमान गलत है, तो कॉल सेंटर में सभी को अधिभार याद होगा। हमारे मामले में, हां, इस अवधि में सीसी को शिखर याद है। यही है, यह नहीं है, उदाहरण के लिए, एक दोषपूर्ण सिंक्रनाइज़ेशन सर्वर, जो किसी कारण से कई दिनों तक एक रिपोर्ट के साथ डेटा डाउनलोड करता है।

लेकिन मैं, मेरे विश्लेषण में, और पाली के निर्माण में सीसी, समान मान्यताओं से आगे बढ़ते हैं, जिसका अर्थ है कि गणना में एक सामान्य त्रुटि हो सकती है। हमें इन गिरावटों के कारणों की जांच करते हुए आगे खुदाई करने की आवश्यकता है। ठीक है, साइट के टूलकिट पर जाने दो: मैं इन नंबरों के लिए ट्रैफ़िक स्रोतों को देख रहा हूँ। हाँ, पहला शिखर एक बड़े स्थानीय ब्लॉगर के प्रकाशन से एक छोटा सा प्रभाव है, इसे सीजन / रेडियो टास्क को हल करने के हिस्से के रूप में शेड्यूल से हटाया जा सकता है। पता चला दूसरा शिखर खोज क्वेरी से ट्रैफ़िक है। सौभाग्य से, ग्राफ के आकार को देखते हुए, मुझे पता है कि यह क्या हो सकता है। मैं नियुक्तियों की रिपोर्ट की जाँच करता हूँ - हाँ, एक खेल बच्चों के कार्यक्रम में स्थानीय टेलीविजन चैनल पर दिखाई दिया। हम इसे भी हटा देते हैं।

यहाँ मैं पागल हुनर ​​का उपयोग कर रहा हूँ, मोटे तौर पर दिखा रहा है कि यह कैसा दिखता है:


^{वर्णित प्रभावों की कटौती के साथ एक अनुमानित ग्राफ}

कुल - हम अन्य ज्ञात कारकों के अपघटन के बाद समान ग्राफ़ के साथ दो परीक्षण शहर हैं। मोटे तौर पर, अब हम लाल शहर की सामान्य बिक्री, नीले रंग की सामान्य बिक्री (ब्लॉगर और टेलीविजन को छोड़कर) और हरे रंग की सामान्य बिक्री की तुलना कर रहे हैं, रेडियो के प्रभाव को ध्यान में रखते हुए। रेखांकन बताते हैं कि दोनों नियंत्रण शहर छुट्टियों के लिए नीचे जाते हैं। हरी शहर छुट्टियों के दौरान उगता है, लेकिन उसी समय बहाल नहीं किया जा रहा है जैसे वे हैं।

ठीक है, चलो आगे पता करते हैं। मई की छुट्टियों के बाद, लोग शहर लौटते हैं और विभिन्न गर्मियों के कार्यक्रमों में भाग लेना शुरू करते हैं। नियंत्रण शहरों के ग्राफ़ में एक उतार-चढ़ाव दिखाई देता है - हाँ, दोनों शहरों में हम शहर-व्यापी पैमाने की कुछ प्रमुख घटनाओं के लिए बोर्ड लाए थे। अध्ययन किए गए शहर के ग्राफ पर यह नहीं है। हमें यह समझाने के लिए एक परिकल्पना की आवश्यकता है कि यह क्या है। विकल्प:

1. बेलीट सीजनल शिफ्ट: इस शहर में छुट्टियों पर अचानक क्या होता है? तब हमारी गणना उपयुक्त नहीं है - नियंत्रण शहरों के ग्राफ़ में समान बदलाव के साथ तुलना करना आवश्यक है।
2. किसी भी प्रकृति की एक स्थानीय समस्या।
3. विज्ञापन से रोलबैक - अचानक हमने उन लोगों को धक्का दिया जो सोच रहे थे - और बाजार को थोड़ा समाप्त कर दिया?

पहले और तीसरे कारण बेहद कम लगते हैं, तो चलिए दूसरे के साथ शुरू करते हैं। मैं स्टोर में बिक्री अनुसूची को देखता हूं - घंटों तक वितरण सामान्य है। विक्रेताओं को भी कुछ अजीब नहीं लगा, सिवाय इसके कि वे बारिश के बारे में शिकायत करते हैं, जिसके कारण बहुत कम लोग आते हैं। अहा! इसलिए, आपको सप्ताहांत की घटनाओं के दौरान मौसम की जांच करने की आवश्यकता है - अगर कुछ लोग थे, तो गिरावट को समझाया जाएगा। मैं जाँच करता हूँ - हाँ, निश्चित रूप से, बारिश के लिए। यही है, अध्ययन किए गए शहर में गिरावट को मौसम (यह होता है) द्वारा समझाया गया है। और अगर इसके लिए नहीं, तो नियंत्रण शहरों में भी ऐसा ही होता।

निष्कर्ष

हमने शोर के तीन ग्राफों को साफ किया, विभिन्न घटनाओं के लिए अपघटन किया - और रेडियो विज्ञापन और बिना शहरों वाले शहर की तुलना की। सबसे महत्वपूर्ण बात, मेरे पास बिक्री में वृद्धि या घटने (3 वर्षों से इतिहास से संचित) के विभिन्न वैक्टर पर संख्यात्मक डेटा है, अर्थात, मैं न केवल "काम करता है - काम नहीं करता" का मूल्यांकन कर सकता है, बल्कि इस विज्ञापन से लाभ का मूल्यांकन भी कर सकता है। मान लीजिए कि 10-30% की त्रुटि है।

हम विज्ञापन के दीर्घकालिक प्रभावों पर विचार क्यों नहीं करते हैं? क्योंकि दक्षता की गणना में केवल बिक्री पर प्रत्यक्ष प्रभाव पर ऐसे मामलों में भरोसा करना आवश्यक है। बेशक, रेडियो पर खुद लोग पांच बार बताएंगे कि दीर्घकालिक प्रभाव क्या है (और यह व्यक्तिगत ग्राहकों के लिए सच है), लेकिन प्लेसमेंट के बाद - सामान्य रूप से - कोई प्रभाव नहीं होगा।

परिणाम? यह देखा जा सकता है कि विज्ञापन ने इस पर खर्च किए गए शुद्ध लाभ से अधिक शुद्ध लाभ लाया, और 130-160% के क्षेत्र में ROI (निवेश पर वापसी)। तो, अब एक सूचित निर्णय है - विज्ञापन जारी रह सकता है।