Эффект каннибализации при прогнозировании спроса в офлайн-ритейле

BigData и машинное обучение

Доклад отклонён

Целевая аудитория

data scientists, аналитики данных

Тезисы

В Магните, как и у других ритейлеров вне зависимости от типа магазина, промо является обязательным, неотъемлемым и важным механизмом стимулирования спроса.
Наша команда отвечает на вопрос: "сколько данного товара будет продано в конкретном магазине, если мы дадим скидку в n-%?". Отвечая на данный вопрос, мы понимаем, что помимо традиционных факторов (цены, скидки, сезонность) на спрос конкретного товара влияет его окружения. На полке могут стоять более привлекательные предложения, как по уровню скидки, так и по силе бренда. В нашем случае перетекание спроса из одной позиции в другую, в зависимости от предложений во всей категории, и будет являться эффектом каннибализации.

Несмотря на то, что никто не отрицает существовании этого эффекта, нам долго не удавалось получить прироста в метриках нашего прогнозного сервиса с учетом оценки окружения искомой позиции.

В докладе я раскрою проблемы, с которыми мы столкнулись по пути к "секте свидетелей каннибализации". Особое внимание уделю методам, которые успели опробовать, и расскажу об основных подводных камнях. Затрону классические проблемы офлайн-ритейла, например, почему результат А/Б тесты нельзя увидеть ранее, чем через 180 дней и как мы тестируем свои гипотезы. А также, про данные, детализации моделей, кластера и нагрузку на них.

Уже много лет работаю в Магните.

Магнит

Один из самых больших ритейлеров в России.

Видео