14.04.2014

Kampanjan vaikutuksen estimointi R-ohjelmalla

Blogikirjoituksen tarkoituksena on esitellä yksi keino estimoida kampanjan vaikutusta myyntiin. Aineistona on yrityksen “Lassen lelutehdas” myyntieurot vuodesta 1996 vuoteen 2003. Lelutehtaalla on vuosien saatossa ollut vain yksi kampanja tammikuusta (1997) elokuun (1997) alkuun saakka. Kampanjan todellinen vaikutus myyntiin tunnetaan, mutta sitä tietoa käytetään vain ennustetarkkuuden laskennasta, ts. käytämme vain tietoa kampanjan alkamisajankohdasta (ja ripauksen loppumisajankohdasta arvioitaessa kampanjan vaikutusta kampanjan jälkeiseen aikaan). Blogikirjoitus on tarkoitettu ensisijaisesti R-osaajille tai luomaan yksinkertaisen kuvan pikaisesta kampanjan vaikutuksen estimoinnista. Kampanjan vaikutuksen tutkimisessa suoritetaan seuraavat vaiheet:

  1. Myyntiaineiston redusointi; katkaistaan myyntiaineisto kampanjan alkamisajan kohdasta.
  2. Muodostetaan SARIMA-malli katkaistulle aineistolle.
  3. Ennustetaan estimoidun mallin avulla myyntiennuste seuraavalle vuodelle (1997).
  4. Tarkastellaan kampanjan vaikutuksen päättymistä ennusteen avulla
  5. Lasketaan todellisen ja ennustetun aikasarjan erotus estimoidulta kampanjan vaikutusajalta => kampanjan vaikutus (euroina).

1. Aineisto ja sen redusointi

Aineisto ja sen muodostama aikasarja graafina.

aika_sarja_kampanjaMyynti_data

aika_sarja_kampanjaMyynti_2

Kampanjan vaikutus on määritelty aikavälille 1.1997-7.1997:

(17325,15473,15443,9876,6758,3215,4360), kampanjan vaikutus=72450.

Redusoitu aikasarja 1992-1996:

aika_sarja_kampanjaMyynti_1992_1996

2. SARIMA-malli

Aikasarja malliksi valittiin acf/pacf-tarkasteluiden päätteeksi SARIMA-malli seuraavilla estimoiduilla parametreilla, jossa ar1=AR-kerroin, sar1/2=AR-kausikertoimet, 1:length(timeseries_1_48)=drifti.

sarima_malli

3. Mallin tuottamat ennusteet seuraavan vuoden myynnille

Mallin tuottamat sovitteet ja ennusteet seuraavalle vuodelle:

aika_sarja_kampanjaMyynti_1992_1996_ennuste

ennusteet_aikasarja_kampanja

4. Kampanjan vaikutuksen päättyminen

Esimerkin tapauksessa käy hyvin kampanjan päättymisen ennustamisessa, sillä kriteerinä kampanjan vaikutuksen päättymiselle voidaan pitää hetkeä, jolloin tarkasteltava aikasarja leikkaa ennustetta. Aina tilanne ei ole yhtä ruusuinen, joskus joudutaan tekemään “silmämääräinen” päätös kampanjan vaikutuksesta aineiston ja ennusteen avulla (graafien/luottamusvälien avulla). Seuraavasta kuvasta huomataan, että kampanjan vaikutus estimoidaan loppuneeksi heinäkuussa 1996 (sama kuin todellisuudessa):

aika_sarja_kampanja_vaikutus

5. Kampanjan vaikutuksen estimaatti

Edellisestä kappaleesta saamme laskettua estimoidun kampanjan vaikutuksen summaamalla positiiviset arvot yhteen. Estimoitu kampanjan vaikutus on 68581, kun oikea arvo oli 72450. Pääsimme siis hyvin lähelle todellista vaikutusta yksinkertaisella aikasarjamallinnuksella.

Esitetyn lähestymistavan etuna on sen helppo toteutus. On kuitenkin aikasarjoja, jotka eivät ole yhtä “säännöllisiä” kuin esimerkin aikasarja, jolloin kampanjan vaikutusajan estimoinnissa voi tulla ongelmatilanteita, eikä myöskään ARIMA-mallin sovittaminen ole aina järkevää/mahdollista. Mikäli ARIMA-perheen mallit eivät ole tuttuja, voi myynnin ennusteet (redusoidusta aineistosta) estimoida esimerkiksi Holt-Winters:llä tai aikasarjan dekomponoinnin avulla (estimoi trendi tuleville kuukausille lineaarisella regressiolla ja lisää trendiin kausivaihtelukomponentti).

Share
Contact Person

Blog writer

Lasse Liukkonen

Vincit Bilot

Bilot & Vincit have joined forces!

See where the story continues 

You have Successfully Subscribed!

Vincit Bilot

Bilot & Vincit have joined forces!

See where the story continues 

You have Successfully Subscribed!