Кейс 3. АНАЛИЗ ЭФФЕКТИВНОСТИ МАРКЕТИНГОВОЙ АКЦИИ НА ПРИМЕРЕ ОРГАНИЗАЦИИ РОЗНИЧНОЙ ТОРГОВЛИ

Постановка проблемы. В рамках деятельности организации в отрасли розничной торговли зачастую возникают задачи увеличения объемов продаж. Для этих целей служба маркетинга организации проводит различные рекламные мероприятия. В настоящее время проведение рекламных кампаний (РК) — дорогостоящее мероприятие, и поэтому для коммерческой организации важно оптимизировать рекламные бюджеты, продвигая товары наиболее эффективным способом (увеличивая валовую прибыль организации). В этой связи решение задачи определения экономической эффективности рекламной кампании представляется актуальным. Под оценкой экономической эффективности здесь и далее будет пониматься финансовый результат в дополнительной валовой прибыли (при наличии таковой) организации в связи с рекламной кампанией.

Объектом исследования является организация розничной торговли, которая в рамках своей деятельности проводит рекламные мероприятия с целью стимулирования сбыта.

В деятельности организации определяется рекламный бюджет для целей запуска кампаний, который находится под управлением ЛПР, обычно им является директор но маркетингу. Среди большого числа УР директор маркетинговой службы также рассматривает управленческое решение о запуске маркетинговых активностей для целей увеличения продаж.

С точки зрения внедрения и реализации такого решения предполагается наличие интересного и актуального товарного предложения для потребителя, которое будет транслировано выбранным типом маркетинговой коммуникации.

Основная задача У Р по запуску рекламной кампании заключается в том, чтобы настолько увеличить объем продаж и валовую прибыль, чтобы последняя покрыла затраты на проведение рекламной кампании. Только в этом случае кампания считается экономически успешной. Вместе с этим предполагается повышение показателей известности бренда организации, а также привлечение новой аудитории, которая ранее не осуществляла покупки в розничной сети.

С точки зрения жизненного цикла УР предполагается формирование цели маркетинговой кампании. Решаются следующие вопросы.

  • 1. Какие товарные категории будут продвигаться с использованием рекламных инструментов?
  • 2. Какой необходимый дополнительный объем продаж организации необходимо обеспечить, чтобы с учетом сниженной наценки (обычно в случае акционных предложений цена и прибыль на товар снижаются для привлекательности товарного предложения) организация могла считать проведенную кампанию экономически целесообразной и эффективной?
  • 3. Какие имеются ресурсы (сроки, бюджет) на запуск рекламной кампании и какой канал коммуникации можно выбрать исходя из имеющихся ограничений?

Формируются цели маркетинговой кампании с учетом ответов на поставленные выше вопросы.

На следующем этапе ЛПР ставит задачу по разработке конкретного рекламного предложения выбранным каналом коммуникации своим непосредственным подчиненным. Этап разработки УР включает в себя формирование так называемой креативной концепции предложения, взаимодействие с агентствами, формирующими рекламные материалы. Оцениваются возможные сроки проведения рекламной кампании и затраты, которые организация понесет в случае принятия УР о запуске РК.

На данном этапе ЛПР крайне важно использовать предыдущий опыт проведенных кампаний и оценить эффективность схожей маркетинговой активности. В рассматриваемом кейсе предполагается, что ЛПР находится в ситуации оценки УР о запуске рекламной кампании на ТВ в текущий момент времени на основе недавно (несколько месяцев назад) проводившейся РК на телевидении. Подобный подход к принятию УР позволяет взвешенно просчитать плюсы и минусы планируемой кампании на основе фактических данных о схожей активности.

ЛПР также оценивает возможности рекламного бюджета. В описываемом кейсе такой бюджет не превышает 1% от оборота организации. При этом ЛПР имеет в виду, что проводимая рекламная кампания частично компенсируется за счет производителей рекламируемого товара.

Для различных норм прибыли ЛПР оценивает необходимый прирост объема продаж (валовой прибыли) для покрытия затрат на рекламную кампанию (с учетом доходов от внереализационной деятельности).

На следующем этапе принимается управленческое решение о запуске рекламной кампании, менеджеры управления маркетинга осуществляют действия по размещению рекламных материалов.

Заключительной стадией У Р о проведении маркетинговой кампании является оценка эффективности проведенных мероприятий. В данном кейсе раскрывается применение прикладного экономико-математического метода но оценке эффективности, принимаемых руководством компании управленческих решений о запуске рекламных кампаний. Одним из способов решения подобной задачи является использование современных моделей математического анализа данных и временных рядов. Экономико-статистические модели позволяют проводить экспресс-анализ ситуации и формировать выводы о произошедших мероприятиях.

Среди основных критериев успешности проведенных рекламных мероприятий выделяют изменение выручки организации в связи с кампанией, оценивается прирост валовой прибыли в сравнении с затратами на проведение рекламных активностей с учетом доходов от внереализационной деятельности.

Следует отметить, что основной целью коммерческой организации является увеличение нормы прибыли, и это управленческое решение представляется решением высокого уровня. На рис. П.9 представлена схема возможной структуры и взаимосвязей управленческих решений различных уровней и видов, характерных деятельности торговой организации; пр и сл — верхние индексы, отвечающие обозначению простых и сложных управленческих решений; единственный нижний индекс отвечает порядковому номеру исходного сложного управленческого решения (например, УР™ соответствует первому исходному сложному управленческому решению «Увеличение нормы прибыли»); тройной нижний индекс отвечает управленческим решениям, реализация которых предшествует исходным. При этом первая позиция индекса соответствует порядковому номеру исходного сложного управленческого решения, вторая — уровню предшествования рассматриваемого управленческого решения исходному сложному, третья — порядковый номер управленческого решения на рассматриваемом уровне предшествования (например, УР^ «Оценка эффективности маркетинговой кампании» — сложное управленческое решение, предшествующее 1-му сложному исходному УР, находящееся на четвертом уровне предшествования по отношению к исходному сложному, имеющее на этом уровне порядковый номер).

В данном кейсе рассматривается управленческое решение УР^, целью реализации которого является создание алгоритма для оценки эффективности маркетинговых кампаний в деятельности организации.

Указанное управленческое решение (УР,™,) является сложным, так как требует предварительного решения следующих задач, которые в свою очередь также могут представлять собой сложные управленческие решения:

• выбор метода для оценки эффективности маркетинговых мероприятий. В рамках данного решения представляется необходимым среди набора возможных методов выделить те, которые адекватно интерпретируют результат от проведенной маркетинговой кампании (УР"^);

П.9. Иерархия управленческих решений

Рис. П.9. Иерархия управленческих решений

  • • анализ временного ряда и выявление эффекта рекламной кампании. Выбранный метод позволит воспроизвести экспресс-анализ данных и получить количественную оценку эффективности рекламного мероприятия
  • (УРш).

Математические методы и инструментальные средства, используемые для решения задач. Предполагается использование следующих научных методов: экономико-математические методы анализа временных рядов, методы Data Mining, методы искусственных нейронных сетей (ИНС).

Традиционно в практике компаний данные встречаются в виде временных рядов, которые, как правило, имеют автокорреляцию и часто не стационарны, зачастую с наличием сильных сезонных эффектов. Таким образом, обычные параметрические или непараметрические статистические методы, которые опираются на зависимость или специальную симметрию в распределении функций, не подходят для решения задачи оценки эффекта от маркетинговой кампании (под эффектом здесь и далее подразумевается наличие «всплеска» продаж в организации).

В исследовании используются два инструментальных подхода для изучения эффекта от маркетинговой кампании: построение классических моделей ARIMA для анализа внешних воздействий и нейронных сетей нестандартной архитектуры с точки зрения описания временного ряда.

Модель ARIMA широко известна и применима для задач схожего типа, а также хорошо аппроксимирует ряды с линейным трендом. Однако при использовании модели ARIMA можно столкнуться с такими проблемами, как ошибка спецификации и недостаточная адаптивность модели к историческим данным.

Становится понятно, что на текущем этапе нужна разработка какой-то другой модели, которая учтет недостатки модели ARIMA и сможет измерить эффект от рекламной кампании более качественно.

В этой связи в данном кейсе рассматривается новый метод — нейронная сеть нестандартной архитектуры для анализа эффективности маркетинговых акций, которая сопоставляется с классическим подходом ARIMA.

В качестве инструментальной поддержки указанных методов предлагается использование программных средств, поддерживающих возможности построения экономико-математических и нейросетевых моделей. Одним из таких средств является интегрированная программная среда MATLAB, ее приложения и язык программирования MATLAB, другим — статистический пакет R.

Информационную базу исследования составили данные о продажах организации розничной торговли, предоставленные компанией розничной торговли «Юлмарт».

1. Анализ ситуации и разработка модели. Изучается выручка коммерческой организации «Юлмарт» в Санкт-Петербурге за период с января 2009 г. по март 2013 г. В конце февраля — начале марта 2013 г. была размещена телевизионная реклама компании. Целью исследования является оценка экономической эффективности проведения рекламной кампании.

Известны затраты на изготовление рекламного ролика и на размещение на федеральных телеканалах. Основным вопросом, который изучается менеджментом организации при принятии УР о необходимости проведения рекламных кампаний на телевидении, является эффективность проведенных мероприятий. Для решения этой задачи необходимо получить количественную оценку изменения выручки организации вследствие маркетинговых мероприятий. Следующим шагом является оценка экономической эффективности: рассчитывается изменение объема прибыли, которое сравнивается с затратами на проведение телерекламы. Полученный результат — информация для менеджмента организации при принятии УР о необходимости проведения телевизионных рекламных кампаний в дальнейшем.

На рис. П.10 представлена динамика выручки организации в условных единицах (здесь и далее финансовые показатели организации будут представлены в условных единицах (у.е.), так как реальные показатели представляют собой коммерческую тайну).

П.10. Объем продаж в условных единицах

Рис. П.10. Объем продаж в условных единицах

В динамике наблюдается мультипликативная сезонность, поэтому в анализе ряд будет логарифмирован.

Локализован момент «интервенции», соответствующий периоду проведения рекламной кампании — март 2013 г. В рассматриваемом кейсе будет использоваться термин «интервенция», под которым будут пониматься управленческие решения в деятельности организации или любые другие изменения характера поведения процесса иод воздействием каких-либо (обычно внешних) причин.

Для описания интервенции используется ступенчатая функция для каждого момента времени t (t = 1, 2, 3,..., п)

где Т — момент интервенции.

A. ARIMA для оценки эффекта маркетинговых акций

В ходе работы было построено три модели ЛШМЛ: «простая» ARIMA, построенная по методу Бокса —Дженкинса; auto-arima — метод, разработанный Р. Хиндманом и позволяющий автоматически подобрать параметры модели ARIMA; «сложная» ARIMA. Сложная модель ARIMA получается при рассмотрении заведомо избыточной модели, которая затем упрощается отбрасыванием незначимых слагаемых.

Рассмотрим решение задачи на примере вышеописанных данных. Будем использовать вариант решения, основанный на применении метода auto- arima, реализованного в статистическом пакете R.

В первую очередь правильно организуем анализируемые данные. Файл с данными, подаваемый на вход (далее в скрипте — sales_data.csv), представляет собой таблицу с разделителями в формате .csv с тремя колонками. В описываемом случае данные организованы помесячно. Формат отображения начала файла данных в Excel или LibreOfficeCalc представлен в табл. П.З.

Таблица П.З

Пример файла с данными

Дата

Продажи, y.e.

Интервенция

01.01.2009

0,105

0

01.02.2009

0,101

0

01.03.2013

0,640

1

В первом столбце находится информация о дате продаж (год и месяц), во втором — значение продаж и, наконец, в третьем — значение ступенчатой функции при интервенции (0 — отсутствие, 1 — наличие).

Хотя формат .csv использовали еще древние греки, сейчас он знаком не всем. Преобразовать имеющиеся данные в этот формат несложно. Проще всего занести данные в таблицу Microsoft Excel и затем сохранить таблицу в формате .csv.

Просмотреть данные в файле с расширением .csv можно с помощью все тех же Microsoft Excel или LibreOfficeCalc, но поучительнее всего смотреть на них в текстовом редакторе. В нашем случае начало файла представлено в листинге П.1.

Листинг П. 1

Отображение «шапки файла» в текстовом редакторе

date;sales;intervention 01.01.2009;0,105;О 01.02.2009;0,101;0

Мы смотрим на файл данных, чтобы ответить себе на следующие вопросы:

  • • Есть ли заголовки у столбцов? — Да, есть.
  • • Какой разделитель полей у нас используется? — Точка с запятой «;».
  • • Какой разделитель десятичных знаков у нас используется? — Запятая «,». Для выполнения процедуры auto.arima потребуется наличие пакета

«forecast», его следует предварительно установить в среде R. Разберемся построчно, что происходит в скрипте, представленном ниже в листинге П.2.

Листинг П.2

Код скрипта процедуры auto. arima в пакете R

sales.datac- read.table("sales_data.csv", header=T, 569=";", dec=",") library('forecast')

sales.ts<-ts(log(sales.data[,2]),frequency = 12, start = c(2009, 1)) result<-auto.arima(sales.ts, xreg=sales.data[,3])

summary(result)

sales.data<- read.table ("sales_data.csv", header=T, sep=", dec=",")

Команда read. table читает данные, находящиеся в файле sales_dataxsv.

Полученная таблица (dat&frame) языка R имеет имя sales.data. При этом опция header=T указывает, что в первой строке файла расположены названия столбцов; опция sep=";" указывает, что столбцы в импортируемой таблице данных разделены символом " ,*опция dec="," указывает, что разделитель десятичных знаков — запятая.

Напомним, что мы получили эту информацию, рассматривая в текстовом редакторе файл с данными.

Команда library (' forecast' ) указывает пакету /?, что нам потребуется библиотека forecast, которая была установлена нами ранее.

sales.ts<-ts(log(sales.data[,2]),frequency = 12, start = c (2009, 1))

Команда ts преобразует данные в удобный для библиотеки forecast вид. Временной ряд sales. ts, полученный в результате, содержит в себе значения продаж log (sales, data [ ,2] ). Поскольку в данных присутствует мультипликативная сезонность, ряд предварительно логарифмируется с использованием функции log(). Параметр frequency = 12 объявляет наличие в данных сезонности и указывает, что данные представлены помесячно, начиная с января 2009 г. (start = с (2009,1) ).

result<-autо.arima(sales.ts, xreg=sales.data[,3])

Команда auto. arima строит модель ARIMA для временного ряда sales.ts, включая в модель дополнительную независимую переменную xreg=sales.data[ ,3]. В нашем случае дополнительная переменная описывает влияние рекламной кампании на продажи (интервенция в третьем столбце файла). Все предыдущие действия были подготовкой данных для успешного выполнения процедуры auto.arima. Полученные результаты сохраняются в список result.

summary(result)

Команда summary () в разных ситуациях работает по-разному. В данном случае она выводит основные свойства модели, построенной командой auto.arima. Приведем его здесь и рассмотрим полученный результат (листинг П.З).

Листинг П.З

Результат выполнения процедуры auto. arima в пакете R

Series: sales.ts ARIMA(0,2,1)(0,1,1)[12]

Coefficients:

mal smal data[, 3]

-0.7143 -0.5694 0.0574* s.e. 0.1232 0.3954 0.0737

sigma^ estimated as 0.004705: log likelihood=41.24 AIC=-74.47 AICc=-73.22 BIC=-68.03

In-sample error measures:

ME RMSE МАЕ MPE МАРК MASE

-0.01291747 0.05844000 0.03846425-0.20149547 0.59193137 0.25143102

В результате указана модель, которая была построена с помощью процедуры auto.arima — это модель ARIMA (0,2,1) (0,1,1). Модель не очень сложная, но предполагает взятие двух разностей и одной сезонной разности. Из строчки «sigma^ estimatesas 0.004705» следует, что среднеквадратичная ошибка модели (MSE), равна 0,0047.

Наконец основной результат: оценка коэффициента при интервенции (строка ниже data [, 3 ]) равна 0,0574*.

В построенной модели оказалось, что при наличии рекламной кампании логарифм продаж увеличился на 0,0574. Напомним, временной ряд был предварительно логарифмирован, так как содержал мультипликативную сезонность. Чтобы вернуться к исходным продажам, возьмем экспоненту от полученного коэффициента, получим 1,059.

Можно сделать следующий вывод: рекламная кампания увеличила объем продаж организации в 1,059 раз, т.е. на 5,9%. Итог построения модели — количественная оценка эффекта от рекламной кампании в выручке организации.

Для полноценного изучения экономической эффективности рекламной кампании следует учесть затраты на ее проведение:

  • • производство ролика — 0,0002 у.е.;
  • • размещение на телеканалах — 0,0041 у.е.

Поскольку показатель нормы прибыли является коммерческой тайной, рассчитаем экономическую эффективность ТВ-кампании для разных сценариев нормы прибыли. В табл. П.4 представлен расчет экономической эффективности для норм прибыли в 5, 10 и 15%.

Таблица II.4

Сценарии оценки экономической эффективности ТВ-кампании

Норма прибыли

5%

10%

15%

Оценка без РК

Факт с РК

Оценка без РК

Факт с РК

Оценка без РК

Факт с РК

Эффект от РК

1,059

1,059

1,059

Выручка, у.е.

0,6048

0,6405

0,6048

0,6405

0,6048

0,6405

Прибыль, у.е.

0,0302

0,0320

0,0605

0,0640

0,0907

0,0961

Эффект в прибыли, у.е.

0,0018

0,0036

0,0054

Доходы от внереализационной деятельности, у.е.

0,0034

0,0034

0,0034

Затраты, у.е.

-0,0042

-0,0042

-0,0042

Производство, у.е.

-0,0002

-0,0002

-0,0002

Размещение, у.е.

-0,0041

-0,0041

-0,0041

Экономическая эффективность, у.е.

0,0009

0,0027

0,0045

Из табл. П.4 следует, что запуск телерекламы был экономически оправдан, полученная прибыль превысила затраты в любом из сценариев нормы прибыли. С точки зрения УР менеджмента вывод следующий — необходимо проводить рекламную кампанию для повышения объема продаж и увеличения валовой прибыли.

Описанный алгоритм позволяет достаточно оперативно и с минимальными затратами провести анализ оценки эффективности рекламной кампании с использованием экономико-статистических методов при наличии достаточного набора данных. В общем случае рекомендуется проводить подобный анализ самостоятельно вручную, строя «простую» модель ARIMA по методу Бокса — Дженкинса.

Далее в нашем исследовании сравниваются все три построенных модели, при этом критериями качества модели выступают среднеквадратичная сумма ошибок (критерий MSE) и адекватность модели. Результаты, полученные в ходе построения различных моделей ARIMA (табл. П.5).

Таблица П.5

Среднеквадратичная сумма ошибок моделей ARIMA

«Простая»

auto-arima

«Сложная»

0,0056

0,0047

0,0056

Из рассмотрения следует исключить те модели, которые неадекватно интерпретируют изменение в динамике, однако в данном анализе таких моделей не обнаружено.

В результате наилучшей по критерию MSE оказалась модель ARIMA (0,2,1) (0,1,1). Она получена методом auto-arima со значением коэффициента MSE, равным 0,0047. Следует заметить, что модель, построенная вручную, проще по коэффициентам при модели {ARIMA (1,1,0) (1,0,0)), а показатель MSE отличается незначительно. В общем случае рекомендуется не усложнять модель.

Б. Нейронная сеть специальной архитектуры для оценки эффекта маркетинговых акций

Отдельно рассматривается решение кейса с использованием искусственных нейронных сетей для оценки эффекта от рекламной кампании. Заметим, что использование нейронных сетей при моделировании временных рядов является стандартной практикой.

Второй способ количественного анализа УР использует нейронную сеть прямого распространения необычной архитектуры. Обычная нейронная сеть прямого распространения модифицируется гак, чтобы можно было выделить вклад каждого оцениваемого события. Для этого из сети исключаются:

  • • взаимодействия между внешними переменными и нейронами на внутреннем слое, отвечающими за оцениваемые события;
  • • взаимодействия между внешними независимыми переменными, отвечающими за оцениваемые события, и остальными нейронами на внутреннем слое.

Для нейронов на внутреннем слое используется логистическая функция активации, задаваемая следующим выражением

На выходном слое функция активации — линейная.

Таким образом, получается достаточно необычная топология нейронной сети (рис. П. 11). Если говорить подробнее об архитектуре, то на внешнем слое присутствуют 6 или 12 переменных, которые описывают динамику временного ряда, и две дополнительные переменные, которые оцениваются отдельно для целей исследования.

II. 11. Модифицированная архитектура нейронной сети

Рис. II. 11. Модифицированная архитектура нейронной сети

Было построено и проанализировано шесть вариантов модели, между собой они отличаются следующими характеристиками:

  • • число входных переменных на внешнем слое: 6 или 12 переменных и две переменные, описывающие интервенцию;
  • • число нейронов: 4, б или 8 на внутреннем слое.

Каждая нейронная сеть обучалась за 1000 итераций. Среднеквадратичные суммы ошибок всех шести моделей представлены в табл. П.6.

Таблица 11.6

Среднеквадратичная сумма ошибок нейронных сетей

Число нейронов

Число переменных

6

12

4

0,0124

0,0013

6

0,0125

0,0002

8

0,0113

0,0001

Для ряда моделей, которые описывают данные о выручке компании, был получен критерий MSE со значением, близким к нулю. Эти модели являются переобученными, поэтому были отброшены:

  • • модели с 12 переменными и 6 нейронами на внутреннем слое;
  • • модели с 12 переменными и 8 нейронами на внутреннем слое.

Наименьшее значение критерия MSE оказалось равным 0,0013 и соответствует модели, которая имеет на внешнем слое 12 переменных и 2 переменные для описания оцениваемых событий и 4 нейрона на внутреннем слое.

Анализируя коэффициенты модели, можно сделать следующий вывод: рекламная кампания подняла объем продаж организации в 1,074 раз, т.е. примерно на 7,4%.

Так же, как и в случае модели ARIMA, оценим эффективность рекламной кампании с учетом затрат для нормы прибыли в 5, 10 и 15% (табл. П.7).

Таблица П. 7

Сценарии оценки экономической эффективности ТВ-камнании

Норма прибыли

5%

10%

15%

Оценка без РК

Факт с РК

Оценка без РК

Факт с РК

Оценка без РК

Факт с РК

Эффект от РК

1,074

1,074

1,074

Выручка, у.е.

0,5964

0,6405

0,5964

0,6405

0,5964

0,6405

Прибыль, у.с.

0,0298

0,0320

0,0596

0,0640

0,0895

0,0961

Эффект в прибыли, у.е.

0,0022

0,0044

0,0066

Доходы от внереализационной деятельности, у.е.

0,0034

0,0034

0,0034

Затраты, у.е.

-0,0042

-0,0042

-0,0042

Производство, у.е.

-0,0002

-0,0002

-0,0002

Размещение, у.е.

-0,0041

-0,0041

-0,0041

Экономическая эффективность, у.е.

0,0013

0,0035

0,0057

Оценивая показатели, полученные по методу с использованием нейронных сетей, следует заметить, что прирост выручки от телерекламы составил 7,4%. При этом, в целом кампания является экономически эффективной в любом из рассчитанных сценариев нормы прибыли. Данная информация является основанием для принятия УР о необходимости проведения рекламной кампании.

Если сравнивать предложенные методы по критерию MSE, нейронные сети оказались в четыре раза лучше метода ARIMA. Показатель MSE модели нейронных сетей составил 0,0013 против 0,0047 у модели ARIMA. Можно предполагать, что оценка, полученная с использованием нейронных сетей, несколько точнее описывает ситуацию с УР о необходимости проведения рекламной кампании. При этом использование нейронных сетей предполагает фундаментальную подготовку специалиста для построения модели и наличие инструментальных средств. Поэтому, возможно, для целей проведения экспресс-анализа УР о проведении рекламной кампании имеет смысл использовать метод с построением модели ARIMA, описанный выше, подразумевая, что точность оценки может быть ниже при более оперативном получении результата.

2. Особенности реализации управленческого решения но оценке эффективности маркетинговых кампаний. Как было отмечено выше, менеджмент коммерческой организации принимает различные УР с целью повышения объемов продаж. В частности, директор по маркетингу организации является ЛПР в контексте возможных мероприятий по стимулированию сбыта.

Для того чтобы принимаемые УР были обусловлены фактами, ЛПР зачастую прибегает к ретроспективной оценке уже проведенных маркетинговых кампаний. Кроме того, успешность проводимых рекламных кампаний считается одним из показателей эффективности работы нанимаемого высокопоставленного менеджера.

В этой связи рассмотренный метод для оценки У Р о необходимости проведения рекламной кампании является важной составляющей работы специалистов но маркетингу организации.

Следует заметить, что предложенные методы для оценки экономической эффективности маркетинговых кампаний требуют определенного уровня квалификации специалиста-маркетолога, что накладывает некоторые ограничения на применимость данного подхода для применения экспресс-анализа.

Задания для самостоятельного выполнения

Возможный вариант формулировки управленческого решения — разработка подхода к количественной оценке интервенций в динамике макроэкономических показателей страны. Задача предполагает ретроспективную оценку интервенции — «кризис 2008 г.».

  • 1. Найдите в Интернете актуальные данные по следующим показателям, характеризующим уровень развития государства:
    • • среднемесячная номинальная начисленная заработная плата одного работника;
    • • оборот розничной торговли продовольственных товаров;
    • • оборот розничной торговли непродовольственных товаров.

Рекомендуемый источник — Росстат: https://www.gks.ru.

2. Отформатируйте и сформируйте собранные данные в MS Excel для показателей, которые вам удастся найти. Добавьте столбец, описывающий интервенцию.

Рекомендации:

  • • используйте команду «Заменить» для форматирования данных;
  • • организуйте данные построчно;
  • • проанализируйте динамику показателей;
  • • оцените начало интервенции в данных;
  • • оцените конец интервенции в данных;
  • • оцените функцию, описывающую интервенцию;
  • • сохраните полученный результат в формате .csv.
  • 3. Проведите анализ интервенции с использованием модели ARIMA.

Рекомендация: используйте команду auto.arima в статистическом пакете R.

4. Проанализируйте полученные результаты и оформите выводы в виде отчета, который должен содержать оценку интервенции для каждого показателя, а также возможный сценарий развития событий в случае отсутствия интервенции.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >