A kereslet meghatározása BI rendszerekkel


Tegyük fel, hogy megmaradt egy csomó olyan terméke, amit szeretne villámgyorsan kipucolni a raktárból, hogy helyet csináljon a következő termelésnek. Gyorsan össze is dob egy marketing kampányt, ám amikor az eladási egységár meghatározásához ér, elgondolkodik. Vajon mennyiért kéne adnom a terméket, hogy azt a gyorsan elvigyék a vevők, úgy hogy nekem ez az adott körülmények között a legnagyobb profitot termelje? Vagy másképpen fogalmazva: Mennyivel fog tőlem többet vásárolni a piac vagy egy konkrét vevő, ha 1%-kal csökkentem az áraimat?

Ahhoz, hogy mindezen kérdésekre választ kaphassunk fel kell rajzolni a vevők (minden egyes vevő), vevőcsoportok, beszerzési társaságok és termékek, termékcsoportok keresleti függvényét, azaz azt a függvényt amelyik megmutatja, hogy az adott vevő az adott termékből egy bizonyos egységár mellett mekkora mennyiséget hajlandó megvásárolni.


Kereslet függvény

Kereslet függvény

Ha valamit minden egyes termékre (termékcsoportra, fajtára, ...) és minden egyes vevőre (vevőcsoportra, beszerzési társaságra, szegmensre...) ki kell számítanunk, akkor az ember agyába egyből bevillan, hogy itt több dimenzióról van szó, ergo OLAP. Nosza építsünk egy adatkockát amely segítségével elemezni tudjuk, hogy mennyire rugalmasan reagál a piac az árak 1%-os változására.

Megmondom őszintén ezt 9 éve (2000-ben) meg is tettem és most belebotlottam azokba a jegyzeteimbe, amelyeket a kocka építése során készítettem. Ezt most közreadom. (Akik nem érdekelnek a technikai részletek, az ugorjon egyből a következő grafikonra)

A keresleti függvényt felrajzoló adatkocka 4 dimenziót tartalmazott, azaz az egységár változásának hatását a keresletre 4 dimenzió mentén lehetett elemezni. Ezek:

  • Termékek: termékek, termékcsoportok és a termék egyéb jellemzői szerint
  • vevők: vevők, vevőcsoportok, vevő típusok, beszerzési társaságok, szegmensek szerint
  • időszak. No itt szakítottam a hagyományos idődimenzió felépítéssel. Az idő dimenziónak összesen 5 értéke volt: 30, 60, 90, 180, és 360 és azt mutatta, hogy hány nap adatát vegyük figyelembe a kereslet függvény felrajzolásához. (Magát a kockát minden egyes betöltéskor kinulláztam és feltöltöttem zéróról)
  • Értékesítés típusa: ide gyűjtöttem azokat az értékesítés típusokat, amelyek nem teljesen piaci értékesítések voltak. Ilyen volt például a grátisz értékesítés, amikor a listaár 1 százalékáért adták a terméket. Ezek az értékesítés típusok nagyon torzították a kereslet függvényt ezért célszerű volt őket külön kezelni és az elemzésből kiszűrni.
  • Mennyiség. A mennyiségeket kitettem külön dimenzióba. (0, 1, 2, ... db értékekkel) gondolkodtam rajta, hogy képzek majd csoportokat (Karton, raklap, göngyöleg, ...) de ezt végül nem tettem meg.
  • Egységár: Measure-nek az egységárat tettem és 3 féleképpen aggregáltam: Minimum, maximum és átlag, azaz le tudtuk kérdezni, hogy bizonyos mennyiségek megvásárlásakor mekkora árat fizetett a vevő minimálisan, maximálisan és átlagosan

És az eredmény:

Egy valós kereslet függvény képe

Egy konkrét termék kereslet függvényei. A kék vonal mutatja a maximális egységárat, amit a vevőcsoport megfizetett az adott termékért, a sárga minimálist a köztük elhelyezkedő pedig az átlagosat

Torzító tényezők

Miközben építettem a kockát feljegyeztem egy két tényezőt, ami torzította az elemzést. Leírom ide ezeket is, hátha valakinek hasznos lesz:

  1. Sztornó megrendelések: Egy számla sztornózásakor a forrásrendszer az eredeti számla -1 szeresének összegével egy új számlát hoz létre. Mivel sehol sincs a forrásrendszerben arról információ, hogy az adott sztornó számla melyik eredeti számla sztornója, ezért azt az egyszerűsítést kellett hoznom, hogy a negatív előjeles számlákat a kereslet kocka felépítése során nem vettem figyelembe. Ez nyílván magában hordozza azt a veszélyt, hogy a rendszer tartalmaz olyan értékesítési adatokat is, amelyek a valóságban meg sem történtek.
  2. Sokat gondolkodtam, hogy mit csináljak azokkal az értékesített árukkal, amelyeket visszahoztak. Levonjam őket? Végül nem vontam le őket, mert egy rövid kutatás után kiderült, hogy az árukat jellemzően minőségi kifogások, vagy téves rendelések miatt hozzák vissza. Nem azért mert az áruk vagy mennyiségük nem volt megfelelő.

 

Összefoglalva: Ha olyan iparágban dolgozik, ahol egy vevőnek ugyanazt a terméket sokszor adják el (ilyen pl. az élelmiszeripar) akkor a keresleti függvény felrajzolásával ki tudja kalkulálni a vevő rezervációs árát, azaz azt a maximális árat, amit a vevő az adott mennyiségért még hajlandó megfizetni vagy meg tudja állapítani, hogy hogyan reagálna a piac, vagy egy konkrét vevő az árak 1 %-os változtatására. Ha mindezeket beteszi egy OLAP kockába, akkor nem csak egy termékre hanem termékcsoportokra, vevőkre, vevőcsoportokra aggregálva is vizsgálhatja a kereslet változásának hatásait.

POWER BI WORKSHOP

Tudjon meg többet az itt elhangzottakról! Jöjjön el a 2017. szeptember 5.-i Power BI workshopra. Részletek >>

  

Elválasztó

Már készül a következő cikk. Kérjen értesítést a megjelenéséről itt.

|

Kővári Attila
2009. május 14.
Címkék:

2 Hozzászólás

arrugalmassag

Attila, en nem teljesen ertem az excel abrat. A keresleti gorbenel nem az a lenyeg, hogy egy adott arhoz egy ertekesitesi mennyiseg tartozik? (lasd a kezzel rajzolt abra). Az excelben pl. a 95-ös "árhoz" több érték is tartozik. Illetve a felirat is felrevezeto: "Egy konkrét termék kereslet függvénye", es harom vonal van felette. Maga az otlet erdekes, es egy regi dilemmat melegit fel ujra: hogy lehet az OLAP technologiat es melyebb statisztikai elemzeseket ossezkapcsolni.

Re: Árrugalmasság

Szia,

Tényleg az lenne a jó, ha egy keresleti görbéje lenne a terméknek, de ennél a vállalatnál ez nem így volt: ugyanazt a terméket ugyanannak a vevőnek többször is eladták más-más áron. Gondolj például egy szeletelt, vákuumcsomagolt gyulaira. Azt egy féléven belül többször is megvásárolja ugyanaz a vevő különböző áron, hiszen van, amikor kolbászakció van, van amikor nemzeti hetek vannak, stb.

Ezért van az, hogy nem egy grafikonnal ábrázoltam a keresletet, hanem hárommal: A legfelső mutatja, hogy mennyi volt az az ár, amiért a vevő az adott időszak alatt egyszer már megvásárolta a terméket (rezervációs ár), az alatta elhelyezkedő mutatja az átlagos egységárat a legalsó pedig csak tájékoztató jelleggel mutatja, hogy mennyi volt a legkevesebb, amit az adott mennyiség megvásárlására kifizetett.

A grafikon tényleg kicsit félrevezető, megpróbálom a képaláírásban pontosítani a tartalmát.

Szóljon hozzá!

Szabály: Legyen kedves, segítõkész és vállalja a nevét.
A mező tartalma nem nyilvános.
  • A web és email címek automatikusan linkekké alakulnak.
  • Engedélyezett HTML elemek: <a> <em> <strong> <cite> <code> <ul> <ol> <li> <dl> <dt> <dd>
  • A sorokat és bekezdéseket automatikusan felismeri a rendszer.
ANTI SPAM
A robot regisztrációk elkerülésére.
Image CAPTCHA
Figyeljen a kis és nagybetűk használatára

POWER BI WORKSHOP

Tudjon meg többet az itt elhangzottakról! Jöjjön el a 2017. szeptember 5.-i Power BI workshopra. Részletek >>