Файл: Средства разработки клиентских программ (разработка клиентской программы).pdf

К сожалению, автоматически проанализовать, какие именно продукты получили большее количество лайков, не получится, для этого необходим специальный алгоритм, но то, что на первом месте по популярности записи, связанные с конкурсами, подтверждает результаты анализа вторичных данных, которые свидетельствуют о том, что сейчас людям больше всего интересно получать продукцию, участвуя в акциях и конкурсах.

Несмотря на то, что не удалось выяснить характеристики пользователей, которые интересуются косметикой бренда, вместо этого можно проанализировать характеристики пользователей, которые состоят в группе в социальной сети, посвященной бренду.

Необходимо проанализировать следующие характеристики пользователей: высшее образование, пол, возраст, страна, город. Ограничением такого способа анализа является то, что не все пользователи социальной сети указывают полную информацию о себе, особенно это касается даты рождения и образования.

В условиях исследования, пользователи, у которых высшее образование не указано, будут считаться пользователями, у которых нет высшего образования.

В приложении 4 приведен скрипт, который производит сбор заданных характеристик из группы Вконтакте, посвященной бренду косметики.

Согласно рисунку 10 большинство пользователей находятся в России (1) и менее 2 тысяч пользователей в Украине (2), Беларуси (3) и Азербайджане (4).

Рисунок 11 – Количество подписчиков в разных странах

Анализировать города удобнее в табличном формате, поэтому в таблице 10 указаны города, которые имеют более 10 подписчиков в группе. Видно, что большинство подписчиком из Москвы, что подтверждает анализ внутренних данных, где большинство продаж также привязаны к Москве. Остальные города, которые фигурируют, в таблице являются кандидатами для продвижения продукции.

Таблица 10 – Подписчики по городам

Хотя большинство пользователей не указывают свою дату рождения, согласно рисунку 11 те, кто указывает, в основном, родились в промежуток с 1982 по 1995 год, это проиллюстрировано на рисунке 12.

Рисунок 12 – Количество подписчиков по дате рождения

В результате анализа внутренних данных количество женщин среди клиентов интернет-магазина значительно превышало количество мужчин, и это подтверждается результатами анализа данных социальной сети на рисунке 13, где 1 – женщины, 2 – мужчины.

Рисунок 13 – Количество подписчиков среди мужчин и женщин

Также доступным для анализа параметром является образование подписчиков группы социальной сети. На рисунке 14 показано количество подписчиков, у которых указано высшее образование – 1, и количество подписчиков, у которых высшее образование не указано – 0. Видно, что подписчики без образования являются основным контингентом группы и это необходимо учитывать.

Рисунок 14 – Подписчики с образованием

Анализ помог определить ключевые характеристики пользователя, который интересуется косметикой бренда и может стать клиентов интернет-магазина.

2.5 Прогнозирование данных

Целью прогнозирования внутренних данных является определение будущих продаж по месяцам, а также определение будущего спроса по категориям товаров.

Для определения месячных продаж, необходимо использовать метод Ordinary Least Square (OLS), который является наиболее известным метод регрессионного анализа, причем данные должны быть представлены в виде временных рядов с месячным шагом.

Согласно рисунку 15 продажи за 5 лет имеют тенденцию неравномерно снижаться, что соответствует текущей экономической ситуации. Это значительно осложняет прогнозирование временных рядов. Тенденция к снижению подтверждает анализ качественных данных, который был проведен ранее, и свидетельствует о том, что методы продаж, применяемые с 2012 по 2016, сейчас не работают и должны быть пересмотрены.

Рисунок 15 – Динамика продаж по месяцам с 2012 по 2017 год

Необходимо спрогнозировать будущие продажи по данным в формате временных рядов – это означает, что модель интересует только значение зависимой переменной и период, к которому это значение относится.

В данном случае предполагается взять за основу временной ряд с периодичностью – месяц и с помощью модели линейной и квадратичной регрессии.

Согласно таблице 11, в которой представлены результаты моделирования с разными параметрами, наиболее точная и актуальная модель – это модель на основе переменной timetrend и использования dummy переменных для каждого месяца.

Таблица 11 Результат сравнения регрессионных моделей

На рисунке 16 представлен результат прогнозирования данных на основе существующих продаж за 5 лет методом наименьших квадратов. Несмотря на то, что параметры модели соответствуют ожидаемым, сами значения предсказанных продаж далеки от реальных значений. Модели 1,3 совсем не подходят для использования. Модели 2,4 не плохо предсказывают значения, но хорошо показывают тренд. Таким образом можно понять произойдет ли повышение или понижение продаж в будущих месяцах.

Рисунок 16 Результат прогнозирования модели (№1 – левая верхняя, №2 – правая верхняя, №3 – левая нижняя, №4 – правая нижняя

ЗАКЛЮЧЕНИЕ

Целью исследования является повышение продаж интернет-магазина косметики с заявленными характеристиками, в котором на протяжении 5 лет момент отсутствовало какие-либо влияние на потребителей.

Научная новизна исследования заключается в разработке новой методики применения общеизвестных маркетинговых и статистических методов к конкретному объекту рынка (интернет-магазину с заявленными характеристиками).

Практическая значимость исследования заключается в том, что его исследования могут быть применены для интернет-магазинов со схожими характеристиками, а также то, что автоматизированная система применена на практике.

В ходе исследования был сделан обзор предметной области, связанный с розничной продажей, а именно:

• определены понятия: ритейл, маркетинг, маркетинговый анализ;
• определено что такое прогнозирование в маркетинге и каковы его разновидности;
• проведен сравнительный анализ типов данных, которые используются для маркетингового анализа, а также методов их сбора.

В результате обзора предметной области были выбраны типы данных и модели прогнозирования, которые подходят для использования в заданных условиях. Для проведения регулярного качественного анализа данных необходимо использовать не только внутренние данные, которые показывают динамику спроса одной торговой площадки, но и открытые данные, которые позволяют быть в курсе интересов потенциальных потребителей, которые не являются клиентами этой торговой площадки.

В результате анализа предметной области были выбраны методы анализа исходных данных, а также модели прогнозирования, которые должны использоваться. Также была проанализирована современная экономическая ситуация на рынке товаров народного потребления и косметики, в частности. Анализ показал, что на данный момент присутствует кризис, выход из которого в ближайшее время не ожидается. Это подтверждается результатами анализа внутренних данных, согласно которым продажи снижаются. Также, благодаря резкой смене потребительского поведения, прогнозирование временных рядов оказалось недостаточно точным.

Исходя из этого можно сделать вывод о том, что модели потребительского поведения должны быть пересмотрены.

Результатом исследования является автоматизированная система, которая обладает следующими функциями:

• производит сбор различных типов маркетинговых данных: внутренних и вторичных.
• производит расчет статистических характеристик данных, предоставляя пользователю системы возможность сделать качественные выводы о динамике спроса в самом интернет-магазине, а также об интересах целевой аудитории конкретного бренда в социальной сети Вконтакте.
• производит прогноз тренда будущих продаж на основе собранной статистики внутренних продаж.

СПИСОК ЛИТЕРАТУРЫ

1. Рынок сбыта товаров и услуг: [Электронный ресурс] https://businessman.ru/new-rynok-sbyta-tovarov-i-uslug.html (дата обращения: 02.02.2018)
2. Авраменко С., Секерин В. Классификация рынков по типу конечного потребителя: [Электронный ресурс] Вопросы региональной экономики №3(12) 2012. URL: http://fta-mo.ru/upload/ journal/arch/jurnal_no12.pdf (дата обращения: 14.02.2018)
3. Котлер Ф. Основы маркетинга Краткий курс. – Издательский дом "Вильяме", 2007 — 656 с.—ISBN 978-5-8459-0376-1
4. Багиев Г., Тарасевич В. – Маркетинг: Учебник для вузов. 4-е изд. Стандарт третьего поколения. – СПБ.: Питер, 2012. – 560с.
5. Беляевский И.К. МАРКЕТИНГОВОЕ ИССЛЕДОВАНИЕ: Учебное пособие, руководство по изучению дисциплины, практикум по курсу, учебная программа / Московский государственный университет экономики, статистики и информатики. — М. 2004, — 414 с.
6. Классификация методов и моделей прогнозирования: [Электронный ресурс] https://habrahabr.ru/post/177633/ (дата обращения: 20.02.2018)
7. Top 52 free statistical software: [Электронный ресурс] https://www.predictiveanalyticstoday.com/top-free-statistical-software/ (дата обращения: 20.02.2018)
8. Парсинг: [Электронный ресурс] https://seodic.ru/terms/%D0%BF%D0%B0%D1%80%D1%81%D0%B8%D0%BD%D0%B3 (дата обращения: 02.03.2018)
9. Обработка пропусков в данных – часть 1: [Электронный ресурс] BaseGrpup Labs https://basegroup.ru/community/articles/missing (дата обращения: 02.03.2018)
10. Как вычислить выбросы: [Электронный ресурс] Wikihow https://ru.m.wikihow.com/%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B8%D1%82%D1%8C-%D0%B2%D1%8B%D0%B1%D1%80%D0%BE%D1%81%D1%8B (дата обращения: 02.03.2018)
11. Гомидова В. Множественная регрессия и корреляция: [Электронный ресурс] VII Международная студенческая электронная научная конференция "СТУДЕНЧЕСКИЙ НАУЧНЫЙ ФОРУМ 2015" https://www.scienceforum.ru/2015/pdf/8364.pdf (дата обращения: 02.03.2018)
12. Коэффициент детерминации: [Электронный ресурс] Machinelearning http://www.machinelearning.ru/wiki/index.php?title=%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0%B8%D0%B5%D0%BD%D1%82_%D0%B4%D0%B5%D1%82%D0%B5%D1%80%D0%BC%D0%B8%D0%BD%D0%B0%D1%86%D0%B8%D0%B8 (дата обращения: 02.03.2018)
13. Критерий Дарбина-Уотсона: [Электронный ресурс] http://univer-nn.ru/ekonometrika/kriterij-darbina-uotsona/ (дата обращения: 02.03.2018)
14. Статистика Дарбина-Уотсона: [Электронный ресурс] https://university.prognoz.ru/biu/ru/%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%94%D0%B0%D1%80%D0%B1%D0%B8%D0%BD%D0%B0-%D0%A3%D0%BE%D1%82%D1%81%D0%BE%D0%BD%D0%B0 (дата обращения: 02.03.2018)
15. Затяжной спад в экономике. Что предпринимают потребители и бизнес в России: [Электронный ресурс] PWC https://www.pwc.ru/ru/publications/consumer-business-report/e-russias-protracted-recession_rus.pdf (дата обращения: 02.04.2018)
16. Измерение аудитории и оценка эффективности онлайн-рекламы на российском рынке [Электронный ресурс] PWC https://www.pwc.ru/ru/publications/the-effectiveness-of-online-advertising.html (дата обращения: 02.04.2018)
17. 2017 Consumer Packaged Goods Trends [Электронный ресурс] PWC https://www.pwc.ru/ru/publications/assets/2017-consumer-packaged-goods-trends.pdf (дата обращения: 10.04.2018)
18. Красота назло кризису [Электронный ресурс] Деловой Петербург https://www.dp.ru/a/2017/02/14/Krasota_nazlo_krizisu (дата обращения: 13.04.2018)
19. Глобальный рынок косметики – 2016: анализ отрасли и оценка возможностей [Электронный ресурс] https://cosmetology-info.ru/6804/news-Globalnyy-rynok-kosmetiki---2016-analiz-otrasli-i-otsenka-vozmozhnostey/ (дата обращения: 10.04.2018)