IT knowledge base
CTRL+F per cercare la tua parola chiave

Venditore ambulante sventura e ottobre rosso

Il comandante in capo Aristarco stava alla finestra e, con una leggera tristezza negli occhi, vide lo stormo di zanzare che volava verso sud. Autunno. Fine della stagione. È ora di prendere i bastoni, amati dagli abitanti della città di N come mezzo di autodifesa contro le sanguisughe e come oggetto di status (si sa, un cittadino non morsicato è più carino di uno morso), per ritirare dai negozi di armi e portare al loro posto le lance dei troll delle nevi.

Immagine

Nella vendita al dettaglio, un calo della domanda di merce stagionale porta a un cambiamento nell'assortimento sugli scaffali e al ritorno dei saldi non reclamati ai magazzini dei fornitori. Quel casino è ancora. Non tutti possono vantare un portafoglio prodotti equilibrato. La fine della stagione può portare a un gap di liquidità e i fornitori stanno facendo del loro meglio per ridurre le perdite. La sfortuna del commesso viaggiatore così com'è.

L'estate si rivelò calda, perché la stagione si trascinava - il pensiero si posava nella testa di Aristarco - il ritmo annuale della migrazione alata rientrava decisamente in una sorta di quadro predeterminato dalla natura. E se ci fosse questa correlazione tra vendite e condizioni meteorologiche?

Mostrami la correlazione tra il tempo e le vendite di manganelli per zanzare, ecco un gigabyte di tabelle pivot in Excel: è così che è iniziata la mia conoscenza con i resi dei prodotti stagionali.

Il messaggio era chiaro: associare i soldi di M al tempo W.

Immagine

In seguito, le caratteristiche importanti saranno indicate da grandi lettere allegre.

Abbiamo un piano? Ovviamente abbiamo un piano:

Impostare il problema del commesso viaggiatore
La natura dei dati
Meccanica di vendita
Ecco la correlazione che Aristarco stava aspettando.
Modello T
Vendere il modello ai venditori
Fatto, lanciato - migliora
Il valore della disuguaglianza dei negozianti (legge di Pareto) - una coppia di momenti infiniti
Misura i negozianti di Hertz
Promemoria per il riproduttore
Debriefing o rastrello di un commesso viaggiatore

Abbiamo avuto 54 mesi di vendite per un team di 400 persone in 30.000 punti vendita. Dati nelle tabelle pivot del report mensile sulle vendite dei prodotti per giorno - per ogni punto vendita. Di questi, sono state ripristinate le posizioni di transazione - ordini per singoli prodotti con una data univoca (qui si è ipotizzato che un ordine sia stato effettuato dal cliente lo stesso giorno).

Le vendite di manganelli per settimana dimostrano una natura stagionale della domanda: alla fine di settembre (36 settimane) l'importo degli obblighi per i resi (per semplificare, un reso è un ordine con un segno meno) supera i proventi delle vendite. La fine della stagione sta arrivando.

La portata del disastro è un terzo del business del club

Immagine

E se ci fosse questa correlazione tra vendite e condizioni meteorologiche? Le registrazioni meteorologiche ci aiuteranno a rispondere a questa domanda. La storia della raccolta centralizzata di osservazioni meteorologiche da tutto il pianeta da parte dell'amministrazione nazionale statunitense risale all'inizio del secolo scorso, i dati più completi sono disponibili dagli anni '70. Una delle fonti disponibili per uso personale o accademico è GSOD . Dati i dati di vendita nell'intervallo specificato, possiamo testare l'ipotesi graficamente.

Misuriamo le vendite in denaro e pezzi, ma per quanto riguarda il tempo?

Misurano il tempo a Kemerovo allo stesso modo di Adelaide: questi metodi sono standardizzati dalla comunità internazionale. L'elenco completo delle stazioni ufficiali dei paesi membri dell'Organizzazione meteorologica mondiale contiene identificatori univoci (ad esempio, l'aeroporto di Adelaide ha WMO_ID = 94672 , e per il Kemerovo Center for Hydromeorology and Environmental Monitoring WMO_ID = 29642 ), mediante i quali è possibile ricerca di documenti negli archivi. L'attrezzatura speciale si trova costantemente nella cabina psicrometrica ad un'altezza di 2 m dal suolo: i dipendenti della stazione utilizzano le scale per raccogliere le letture degli strumenti.

Immagine

Non è un lavoro facile effettuare misurazioni con frequenti 2 ore per i seguenti indicatori:

  • T - temperatura dell'aria, 2 m dal suolo,
  • P - pressione dell'aria (mm Hg) ridotta al livello del mare,
  • U - umidità relativa, 2 m dal suolo,
  • Ff - velocità del vento, 10-12 m dal suolo, media per 10 minuti,
  • Tn - temperatura minima delle ultime 12 ore,
  • Tx - la temperatura massima nelle ultime 12 ore,
  • Td - punto di rugiada,
  • Tg è la temperatura minima della superficie del suolo durante la notte.

Come si suol dire, ognuno ha il suo

I meteorologi fanno osservazioni, i venditori fanno vendite. Transazioni - fissazione degli ordini.

Immagine
Immagine
Presumibilmente un buon commesso viaggiatore segue la procedura e il percorso - dettano i vincoli di tempo stretti. Va bene quando ci sono tanti ed esclusivi venditori. Ma non adesso. Nella nostra situazione, i rappresentanti di vendita vengono assunti da un distributore. Analizziamo i dati di vendita dei distributori ai punti vendita - Sell-Out.
In linea di principio, e questa è la migliore pratica, è una buona idea tenere un registro delle attività dei venditori ambulanti. Una volta che abbiamo misurato ogni decimo su quasi duemila, un supervisore ha seguito il rappresentante di vendita per una settimana con un cronometro. Ho quindi elaborato queste misurazioni. Era tanto tempo fa e il processo di misurazione era il seguente: seguendo incessantemente il commesso viaggiatore, il suo diretto superiore misurava tutte le fasi della visita e prendeva appunti su un taccuino. Alla fine del turno, all'ufficio regionale, l'ho inserito nella tabella e ce l'ho inviato. Quindi due regioni si sono distinte notevolmente: la qualità dei dati (completezza, offset delle colonne) ha richiesto la pulizia. Due settimane dell'esperimento sono trascorse in leggero tumulto: ogni supervisore ha misurato due venditori. Quindi ho chiesto al project manager del successo delle vendite in quelle regioni: si è rivelato piccolo. Da allora, la regola è stata misurare le possibilità di successo dei venditori con la purezza dei dati. Il nostro caso è da qualche parte nel mezzo.

I dati vengono raccolti dalle transazioni che vengono inserite dai venditori nei dispositivi mobili e contengono abbastanza spazzatura - è stato un trucco per gestire l'inserimento degli indirizzi in forma umana e per i geocodici (ho consigliato ad Aristarco di risolvere il problema invitando uno stagista a un progetto interessante per il ruolo di junior monkeyjobber) e qui vale la pena consigliare ai responsabili delle vendite: 1) pensare all'automazione dell'input e 2) proteggere i dati dei clienti, in particolare i dati dell'indirizzo - all'improvviso si desidera inviare cartoline per il nuovo anno a tutti, e la posta sarà imbarazzata.

La possibilità di correlare i dati di vendita con i piani e le azioni di marketing consente di valutare l'efficacia dei metodi in diverse condizioni meteorologiche. Più sappiamo cosa sta succedendo sul campo con un commesso viaggiatore, meglio è. E ci sono molte cose interessanti in corso, incluso un costante conflitto di interessi.

Immagine

Brevemente sui meccanismi di interazione tra i partecipanti al mercato nei prodotti di consumo. Le merci raggiungono i consumatori attraverso una catena di intermediari. I produttori (P1 e P2) competono ad ogni passo e lo scaffale del negozio è l'ultima frontiera. Di solito un paio di grandi fornitori si contendono l'attenzione dei distributori, quelli piccoli non interessano a nessuno e fanno fatica.
Esistono tre tipi di transazioni:

• Sell-In - dal produttore al distributore,
• Sell-Out - dal distributore al punto vendita,
• Sell-Through - al consumatore.

Un vero venditore ha abbastanza potere contrattuale da convincere distributori e punti vendita a condividere i nastri. La quota di mercato è l'argomento più potente. Le reti commerciali sono più disposte a condividere le informazioni e questa pratica sta crescendo.

Rappresentiamo il flusso di denaro e il tempo

Immagine

La dinamica della domanda di manganelli cambia insieme alla temperatura media della settimana. La fine della stagione coincide con l'inizio dell'ondata di freddo. Questo è in generale per il mercato - la geografia delle vendite che abbiamo è 603 mila chilometri quadrati - l'autunno in momenti diversi attraversa città e villaggi, quindi abbiamo a che fare con i resi per 10 settimane. In tutto l'immenso.

Perché la temperatura media?

Minimalismo. Pigrizia. Esibire. Bene, e per esperienza personale - mi piace sedermi in giardino con un libro in estate, ma ecco la sfortuna - le zanzare. Non è molto buono sventolare il testimone e leggere allo stesso tempo, quindi devi bruciare l'incenso o riscaldare il fumigatore da loro - i metodi sono duri e distraggono dalla lettura un po' meno forte degli insetti succhiatori di sangue, e è meglio trovare un giardino in estate, quindi un compromesso è inevitabile. Una volta ho notato che il ritardo tra l'arrivo della frescura serale, quando è ora di indossare una felpa e avvolgermi in un cappuccio, e la scomparsa delle zanzare è di mezz'ora. Per diversi giorni di fila, ho misurato la temperatura dell'aria proprio in questo momento - circa 19 ° C c'era un confine invisibile che separava l'arrivo delle zanzare dal giardino. Ecco come è nata l'euristica.

Inoltre, le vendite sono correlate al tempo. Solo con la risposta "La correlazione di Pearson tra i resi e la temperatura massima nelle ultime 12 ore è 0,676722" non andrei dal capo venditore - non capiranno.

Conclusione intermedia - abbiamo esaminato la storia delle operazioni di restituzione delle merci stagionali dalla vendita al dettaglio ai magazzini ai distributori e abbiamo delineato la sfortuna del venditore per la dipendenza delle vendite dallo stato dell'ambiente (temperatura dell'aria a livello di 2 m dal suolo) in quel momento della sua visita al negozio.

Prenderemo in considerazione gli argomenti sulla connessione tra la fine della stagione (la disgrazia del commesso viaggiatore) e il tempo sufficiente per il passaggio agli esercizi di machine learning - il nostro obiettivo è generalizzare la dipendenza e creare nuove conoscenze che spingano all'azione. Ad esempio, decidere in anticipo di cambiare l'assortimento in ogni momento, invece di aspettare i ritorni in autunno.

Molti dati: i modelli semplici funzioneranno?

Si ritiene che un gran numero di esempi consenta l'uso di modelli semplici. Abbiamo molti dati, poco più di 8 milioni di righe. Per data e coordinate, abbiamo confrontato le condizioni meteorologiche con le transazioni e possiamo provare a risolvere il problema della classificazione binaria e addestrare l'algoritmo a distinguere le vendite dai rimborsi.

Modello T

Immagine
Composizione di finestre scorrevoli e legno. La dimensione delle finestre è scelta per essere 3, 1 e 7 giorni (in onore di Windows)
Facciamo stacking on the knee - un metodo in cui l'output di un modello viene alimentato all'input di un altro, che ci consente di ottenere una migliore qualità di previsione rispetto all'utilizzo separato dei modelli. Per ogni transazione, espandiamo il set di dati con informazioni sullo stato del tempo per i tre e sette giorni precedenti l'evento. Anche una finestra scorrevole è un modello. L'uso di algoritmi interpretati è dettato da considerazioni di ergonomia: vendere sull'onda dell'hype è probabilmente carino, ma mi è stato insegnato a credere che la conoscenza del prodotto e la capacità di ragionare sulla meccanica del suo funzionamento rendano il venditore più efficace.
Inoltre, il nuovo anno del GDPR sta correndo verso di noi e i modelli semplici e comprensibili stanno crescendo di prezzo.
Fuori dagli schemi, l'accuratezza della previsione - la percentuale di risposte corrette - è del 99%. Si può presumere che un tale interprete delle previsioni del tempo introdurrà distorsioni minime.
In generale, la scelta della metrica di qualità è un passaggio cruciale e il nostro caso detta la strategia della trasparenza: scegliamo tra i migliori i modelli più interpretati. In futuro, confronteremo la famiglia di algoritmi di apprendimento automatico e li valuteremo in base a diversi parametri, quali: costo computazionale e scalabilità, disponibilità di componenti pronti all'uso e costi operativi. Ora stiamo impostando il problema del commesso viaggiatore e suggeriamo un algoritmo per risolverlo.
Così. Abbiamo etichettato il fallimento del commesso viaggiatore come resi stagionali al dettaglio e l'abbiamo risolto con ragionevole precisione utilizzando l'apprendimento automatico, utilizzando solo una variabile aggiuntiva che descrive lo stato del sistema. Ora possiamo interpretare le previsioni del tempo e prevedere la fine della stagione guardando al futuro con due settimane di anticipo.

Come presentare un modello del genere a un'azienda?

Immagine
Credo che il successo dei prodotti di machine learning dipenda da quanto familiari siano le domande per le persone. Il problema della classificazione binaria che abbiamo appena risolto risponde alla domanda: "Cosa accadrà nelle condizioni date?" - questo ci permette di interpretare separatamente le promesse dei previsori per ogni giorno.
Riformulando la domanda, arriviamo a una risposta (ea una storia) più conveniente.
Abbiamo un modello per la fine della stagione, viene addestrato sui dati di vendita e poi gli poniamo la domanda: "Quanti dei prossimi 10 giorni venderemo in base alle previsioni del tempo?"
Tracciamo la risposta sulla mappa dell'area, codificando il valore con il colore: 10 corrisponde al verde britannico, che dovrebbe essere associato a un buon stato di cose; 0 indicheremo il bordeaux, che dovrebbe evocare una gamma tempestosa di sentimenti in un lettore esperto. L'ambiguità della risposta 5 è espressa dalla tinta canarino in netto contrasto con lo sfondo.
Confermando la correttezza della tesi sulla più importante delle arti, valuteremo la dinamica del fenomeno nel tempo - realizzeremo l'animazione frame-by-frame (il cartone sarà un premio per il riproduttore - lanciate il taccuino e voi sarà felice). Lampi di rosso, dapprima timidi tra la tavolozza dei colori estivi, preannunciano l'imminente fine della stagione, poiché l'alba precede il sorgere del sole. Un momento - e ora l'intera mappa è inondata dai fiori dell'alba mattutina. La sfortuna del venditore arrivò, spazzando il cibo dagli scaffali e ardendo con il fuoco dell'ottobre rosso, seguito dall'inverno, e portò tutto: città, persone, ma per cominciare il verde.
Immagine
La codifica a colori lascia la dimensione di un punto sulla mappa libera di esprimere un'altra idea - può essere solo un volume storico di un'attività, o una soluzione a un problema di regressione - una previsione di vendita, di cui parleremo più avanti.
Il comandante in capo si chinò sulla mappa. - Finalmente vedo le mie vendite, - sbottò dal capo. Una manciata di puntini rossi nel nord prefigurava disordini. Non appena chiudi gli occhi, il suono delle orde di venditori, che si affrettano per le città e i villaggi, ora dormendo pacificamente e ancora non sapendo che domani per svegliarsi, è ora di cambiare la merce sugli scaffali, si è insinuato nelle orecchie sempre più forte.
* * *

Scena due

In cui scomponiamo lo spettro dei clienti analizzando la frequenza delle visite e aumentiamo la precisione del modello T di un ordine di grandezza.
Qui, forse, vale la pena segnare una prefazione tardiva e presentarsi. Quello che sta accadendo e descritto in queste note è uno degli episodi di ricerca avvenuti nell'ambito della mia seconda laurea magistrale. Le osservazioni dei viaggiatori - e le conclusioni non sempre ovvie tratte dall'analisi dei dati - sono ciò di cui tratta questa storia.
Mi chiamo Vadim Safronov e sono SAP Travel Salesman Support Engineer - tecnico di prevendita.
Il comandante in capo Aristarco si chinò sulla mappa. Il nord è sbocciato nei toni del rosso. Cento zoccoli di cristallo - la divisione vendite regionale mantiene il team di vendita dietro il terreno - ecco chi si darà da fare domani. Il nord è una zona aspra ed è irrealistico visitare tutti e settemila i negozi di armi prima che la neve cada sui passi.

E se non tutti i negozianti fossero ugualmente carini?

La quantità di disuguaglianza del cliente è descritta in modo abbastanza accurato da un'elegante formula:
Immagine
Legge di Pareto: la probabilità di un evento maggiore di x è proporzionale alla potenza di x, è solitamente da 2 a 3.
La rete di distribuzione - tutte le catene di distribuzione-venditore-negozio messe insieme - ha le proprietà dei piccoli modelli mondiali. C'è da aspettarselo, perché le vendite sono relazioni tra persone e le dinamiche del sistema sono simili a quelle degli altri social network. La teoria dei grafi fornisce gli strumenti per descrivere ciò che sta accadendo. Considera un paio di concetti che sono popolari e ben noti ai leader. Coda lunga e rendimenti decrescenti - Una piccola percentuale di clienti crea una grande quota di operazioni e profitti e un aumento sproporzionato dei costi - una penalità per il perfezionismo (o paga per l'altezza del livello).
Perché proprio i grafici?
L'idea di gestione delle relazioni con i clienti presuppone relazioni tra partner commerciali (l'entità centrale nel mondo di SAP CRM). L'effetto di rete nei prodotti di consumo si riscontra sia nelle dimensioni dell'attività con i clienti che nella popolarità dei prodotti. Descrivendo catene di relazioni e visualizzandole per bordi in un grafico in cui i nodi saranno partner commerciali, otteniamo una nuova struttura dati che consente trasformazioni e calcoli interessanti, ad esempio Page Rank. Un affascinante esperimento comparativo può essere condotto sulla corrispondenza pratica tra la frequenza di un commesso viaggiatore che visita un negozio, la probabilità di trovarvisi in un momento casuale e l'ergodicità attesa di un venditore ambulante. (scusa: i dati visti in precedenza non è più possibile e vietato l'uso - come sarà quello che è adatto per l'analisi aperta - lo sorseggerò)
Molti, molti problemi nella vita di un commesso viaggiatore si risolvono sui grafici. E questo è fantastico. Ad esempio, la consueta proporzione 80/20 tra le operazioni: quanto è applicabile?
Le statistiche tradizionali sono tutte basate sul teorema del limite centrale, che presuppone l'indipendenza tra i singoli punti dati nel campione in esame. La legge di Pareto, al contrario, presuppone una stretta relazione tra gli elementi di un sistema - una qualità caratteristica delle strutture di rete. La spiegazione della dinamica della formazione di una distribuzione sinistra così fortemente distorta con una coda pesante (il modello di attaccamento preferito) è stata proposta per primo da Barabasi : quando c'è una scelta e un'opportunità per stabilire la priorità di un'azione, la dinamica del processo sarà non Poisson. Ad esempio, se la rete cresce e nuovi nodi formano connessioni con quelli esistenti, preferendo unire quelli più connessi con probabilità p, oppure scegliendo casualmente un vicino con probabilità 1-p. A seconda del valore del parametro, il grafico risultante è casuale (modello Erdos-Reini) a p = 0, o mostra un diametro piccolo inerente ai modelli del mondo piccolo (la lunghezza del percorso più breve tra due nodi), clustering alto (nodi vicini sono più spesso interconnessi, ad esempio gli amici degli amici sono spesso familiari).
Una proprietà notevole della legge di Pareto è la forma del grafico della funzione: in una doppia scala logaritmica, è una linea retta. Il calcolo del parametro, l'esponente γ, è un problema risolto non molto tempo fa (2007). Fino a quando la selezione del parametro non era disponibile, costruivano semplicemente un grafico e valutavano la rettilineità a occhio: il valore di influenza solo la pendenza del grafico. Ora c'è una libreria powerLaw già pronta per questo. Non per niente la legge sul potere è il secondo argomento del corso di Leonid Zhukov alla Higher School of Economics , a cui vorrei esprimere i miei più sentiti ringraziamenti umani per il libero accesso ai materiali proprio qui.
L'utilità pratica della legge di Pareto: 1) è conveniente risolvere problemi di ottimizzazione 2) insegnano nelle business school, ma questo è più importante: parlare la lingua degli affari è un'opportunità per essere capiti.
Test della funzione di distribuzione della potenza cumulativa: grafico su doppia scala logaritmica.
Immagine
La regola di Pareto è vicina al nostro caso e il 20% dei negozianti guadagna il 90%.

LA CONSEGUENZA PI IMPORTANTE:

Nelle vendite il concetto di media non ha senso, poiché la varianza è infinita

Funziona ancora con un controllo medio? Guarda una lezione sulla regola di Pareto di Leonid Zhukov (RU) o Yure Leskovek (EN): ci sono molte cose interessanti.
L'implicazione pratica è la classificazione della base di clienti.
La segmentazione del comportamento dei punti vendita è un'attività di clustering nell'apprendimento automatico, un metodo che consente di dividere gruppi simili all'interno in qualcosa, mentre gli elementi tra i diversi gruppi differiranno in modo significativo. Risolviamo il problema utilizzando i dati disponibili. In modo analogico. Amichevole per gli affari. Un'ulteriore motivazione sarà l'arricchimento del set di funzionalità.
Ricordiamo che i nostri dati rappresentano le posizioni degli ordini di cui si conosce: prodotto, quantità, cliente, venditore, giorno di calendario, coordinate. Aggiungiamo la variabile T - temperatura ambiente - possiamo ottenere questi dati da fonti aperte (GSOD).
Costruiamo un segno del comportamento del cliente: la frequenza di immissione degli ordini da parte dei punti vendita. Sappiamo che la maggior parte degli ordini viene effettuata in loco, nel punto vendita, il cliente del distributore. I venditori pigri a volte passano alla modalità telefonica di raccolta degli ordini - dicono che ciò influisce immediatamente sull'efficienza - le vendite stanno diminuendo.
Immagine
Come misura della frequenza delle visite - ci permetterà di scomporre lo spettro dei clienti in insiemi separabili - prendiamo la frequenza media delle visite in Hertz.

Algoritmo

per ogni cliente (punto vendita):
  1. misureremo l'importo delle transazioni - in denaro o in unità di beni (fattori esterni, come l'inflazione, possono ridurre l'accuratezza della previsione in una valuta instabile).
  2. Quindi classifichiamo l'intero set di clienti in base al criterio ricevuto e li dividiamo in cesti uguali. Scegliamo il numero di cesti pari a 10 e dividiamo la base clienti in decili. Assegniamo i codici lettera alle classi cliente ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'], i migliori clienti sono basket A.
  3. misurare la frequenza delle visite di un commesso viaggiatore.
  4. Ripetere il passaggio 2 per la frequenza della funzione

Ora il comportamento di ciascuno dei clienti può essere descritto da indicatori di frequenza e monetari e codificato con un codice di due lettere. Il segmento di clienti più redditizio, AA.
Immagine
Qui vediamo ordini, fatturati e segmenti di clientela (l'importo degli interessi può differire da 100 a causa dell'arrotondamento). Guardando più da vicino le aree verdi da corsa britanniche - di seguito, questa tonalità sottolinea le aspettative ottimistiche - è facile vedere che il segmento AA genera quasi la metà dei profitti - solo il 3% della base clienti.
Questa scomposizione conferma il presupposto della disuguaglianza del negoziante e torniamo al problema dell'apprendimento automatico per risolvere la sfortuna del commesso viaggiatore.
Si nota un miglioramento dell'ordine di grandezza della qualità delle previsioni! Al costo di un calcolo relativamente semplice della frequenza di visita del negozio come commesso viaggiatore, abbiamo ottenuto una quota del 99,9% di risposte corrette del classificatore. Ora possiamo ampliare la gamma di domande al modello e ottenere risposte a: "Quanti dei prossimi 10 giorni acquisteranno i nostri clienti più redditizi?" o "Quando smetterà di acquistare questo cliente?" - tenendo conto del comportamento del cliente.

Modello finale T + F

Immagine
In questo esercizio, noi:
1) Identificare la sfortuna del venditore di viaggi
2) Considerato un modo per risolverlo e migliorarlo
3) Strumenti di misura e controllo proposti
Cosa fare dopo?
Il comandante in capo si chinò sulla mappa. L'alba stava piovendo a nord. Era già chiaro dove correre: dai negozianti più simpatici. Ma quanti carrelli porta manganelli portare con te? Il fenomeno - ormai prevedibile, dettava una cosa - era il momento di misurare la sfortuna del commesso viaggiatore. Facendo le fusa sottovoce sulle guance e sullo splendore di Aurora, Aristarco si ritirò in camera da letto.
* * *

Promemoria per il riproduttore

Immagine
La vaselina al pepe dà baci nel gelo del fuoco, collage di divulgazione scientifica, 2017
Ciao riproduttore!
Puoi ripetere la ricerca e misurare tu stesso la sfortuna del commesso viaggiatore. Questa abilità tornerà utile quando incontrerai il capo venditore e brillerai con la comprensione dello stato delle cose. Se misuri la sfortuna, condividi il risultato e le impressioni personali.
Inoltre, è ricercato il capo venditore.
Annali di storia:
- Aristarco ha registrato 54 mesi in 37 mila negozi, ha misurato il fallimento in 17 categorie e condiviso i dati della città di H, e inoltre, ha cambiato il modo in cui i distributori fissavano gli obiettivi - ora tenendo conto del comportamento dei negozianti. (2017)
- L'anonimo capo venditore ha registrato 30 mesi in 34mila negozi in 7 categorie e ha ordinato i negozianti per pietà e quant'altro. (2016)
- Capo venditore - un conoscente di un conoscente a cena ha condiviso un metodo per estrarre dati da distributori e negozianti. (2014)
- Il vice capo venditore ha spiegato perché ai distributori non piace aprire la propria attività con i negozianti. È questa straordinaria capacità di estrarre dati dalle operazioni dei partner nella rete di distribuzione che distingue il capo delle vendite da chiunque. (2007)
Ho avuto la fortuna di incontrarne diversi, e se il capo venditore che incontri è un vero venditore, lo aggiungerò volentieri a questa lista.
Fallo!
* * *

Debriefing o rastrello di un commesso viaggiatore

Immagine
Ecco il luogo per i problemi tecnici e organizzativi riscontrati:
- Rospo schiacciato per acquistare i dati meteorologici per i test e ora non sappiamo come le previsioni di una fonte siano coerenti con l'archivio di un'altra. Sembra che dovrai comprare. (UPD: ora lo sappiamo già - ci sono una decina di giorni di dispersione e se la carta è rossa, allora, molto probabilmente, ci sono già i rimborsi)
- Succede che il mercato non abbia una piattaforma unica o standard per il lavoro dei distributori (succede che c'è - Aristarco è stato fortunato, non come un anonimo capo venditore). Di conseguenza, i partner hanno implementato diversi sistemi informativi e modelli di dati: l'ETL diventa 30 volte più interessante.
- I ritardi nell'immissione e trasmissione dei dati distruggono le serie temporali - il peggior distributore incontrato segnalato una volta al mese.
* * *
Annuncio: scena tre, in cui misuriamo la nostra sventura e il Profeta appare per primo.
( ecco il codice che fa tutto quanto descritto )