Маркетинг категории прогнозирования: альтернатива BVAR - искусственных нейронных сетей

Категория Маркетинг прогнозирования: Альтернатива BVAR - искусственных нейронных сетей *

РЕЗЮМЕ

Анализ данных сканирования в деятельности бренд-менеджмент представляет уникальные трудности из-за огромного количества данных. Временные ряды методов, которые в состоянии справиться с объемом фактически часто являются неприемлемыми в связи с нарушением многих статистических допущений в данных характеристик. Мы рассмотрим сканера наборов данных для трех категорий бренда и изучить свойства, связанные со многими методы прогнозирования временных рядов. Многие будут обнаружены подобные нарушения по отношению к линейности, нормальности, автокорреляции и гетероскедастичности. Помня об этом, мы сравниваем прогнозирования способности нейронных сетей, которые требуют никаких предположений по 2 из наиболее надежных методов временных рядов. Нейронных сетей предоставлять аналогичные прогнозы, Байесовский авторегрессии вектор (BVAR) и, как превзойти обобщенных авторегрессии условной herteroscedasticty (GARCH) моделей.

Предметные области: Искусственный интеллект, ценообразование, анализ продаж, и статистика.

ВВЕДЕНИЕ

В 1990-х, сканер-анализа данных стала критической деятельности в упакованных потребительских товаров (CPG) маркетинговых исследований (Blattberg, Глазер,

Таким образом, прогнозирование будущих продаж действительно полезным для ритейлеров и поставщиков. Проблема заключается в том, как использовать данные в практической точно прогнозировать (Цзян, 1995). Многие прогноза и анализа модели используются в настоящее время на основе линейной регрессии с одной переменной: до продажи (Curry, Divakar, Матур,

Категорийный менеджмент как это практикуется предприятиями розничной торговли требует от руководителей управления ценообразования, мерчандайзинга и переназначения уровнях по всем пунктам, в CPG категории в целях оказания влияния на объем продаж, доходы и прибыль (Curry, 1993; Зенор, 1994). Типичных методов для прогнозирования временных рядов, такие как экспоненциальное сглаживание, BoxJenkins передаточной функции анализа, многомерные авторегрессии скользящего среднего (марма) не в состоянии выполнить эту новую задачу-переваривания большого объема данных, эффективно, с учетом множества переменных, взаимодействующие друг с другом, и производить прогнозы для всей категории, а не только единым брендом.

Чтобы решить эту дилемму для CPG менеджеров, сложные методы прогнозирования, являются обязательными. По крайней мере, такие методы должны разрешать скупой моделирования соревновательной деятельности в той или иной категории продуктов и производить высококачественные, около долгосрочные прогнозы (Blattberg и др.., 1998; Curry, 1993). Для реализации в интересах управления категориями от наличия данных сканирования, маркетинг науки исследователи приступили к изучению традиционных эконометрических моделей. Один из методов, который возник, как точные и достаточно надежной является байесовской авторегрессии вектор (BVAR). BVAR модель подходит для моделирования прогнозов CPG категории, функции сочетание непрерывных и дискретных переменных предиктор найти в данных сканирования по сравнению с его конкурентов, таких как множественная регрессия, Экспоненциальное сглаживание (ES), одномерных и многомерных Бокса-Дженкинса ( BJ), и марма (Карри и др.., 1995). Кроме того, в отличие от других моделей с одномерными прогноз, BVAR в состоянии обеспечить прогнозирование рядов данных (например, продаж для всех марок в категории), где маркетинговой деятельности всех игроков принимаются во внимание. Некоторые маркетинговые ученые утверждают превосходство использования BVAR модель для анализа категории CPG (Карри и др.., 1995; Цзян, Клейн,

Относительно неисследованными альтернативы BVAR является ИНС, которые также могут быть использованы для прогнозирования продаж category (вектор прогнозы). Нейронных сетей в прогнозах продуктовых розничных особенно привлекательны тем, что большое количество UPC (универсальный код товара) сканер данных обычно становится доступной из электронных систем проверки (Curry, 1993). Методы работы с данными должны быть в состоянии обрабатывать большие объемы и адаптироваться к последним изменениям. Исследователи полагают, что нейронных сетей можно обобщить и "видеть сквозь" шумов и искажений лучше, чем обычные статистические модели (Hill, О'Коннор,

Ученые и практики имеют значительный интерес к развитию искусственных нейронных сетей (ИНС) приложений в качестве решения помогает в ряде областей, таких как производство, финансы и маркетинг. В обрабатывающей промышленности, некоторые приложения в создании планирования, системы проектирования и управления качеством продукции (Huang

Одна из целей данной работы является изучение наличия BVAR допущений моделирования данных CPG сканера. В частности, в следующих предположениях BVAR модели испытания: (1) линейность, (2) постоянная разница (homoscedasticity), (3) нормальности остатков, (4) не автокорреляции и (5) не авторегрессии условной heteroskedasticity (ARCH) эффекты. Мы обнаружили, что данные сканирования нарушают многие из этих предположений. Вторая цель заключается в предоставлении альтернативного подхода для сканера данных анализа применения искусственных нейронных сетей (ИНС). Преимущества над ИНС BVAR: (1) ИНС модели не требует какого-либо из вышеуказанных условий; (2) ИНС нелинейные вычислительные модели, которые, скорее всего в области маркетинга; (3) ИНС были успешно протестированы на других временных рядов прогнозирование приложений (Hill и др.., 1996), и (4) ИНС проще использовать и изучать, чем сложные модели BVAR.

В целях дальнейшего изучения ИНС и BVAR способности прогнозирования, мы сравним и с обобщенным авторегрессии Условные Гетероскедастичность (GARCH) модели. GARCH модели был выбран для сравнения другой, поскольку (1) в отличие от BVAR, GARCH является нелинейной эконометрические модели, (2) постоянное предположение разница не требуется в GARCH (GARCH были задокументированы, чтобы быть лучшей модели для прогнозирования величин с непостоянной остаточной Разница) и (3) других эконометрических моделей (таких, как логит / пробит) не затрагивают проблемы управления категориями (Баклин

Наши наборы данных охватывают три CPG категории, а именно, консервированные супы, чипсы и тканей лица. Мы считаем, что ИНС модели превосходят вне ofsample GARCH моделей прогнозов для каждого бренда в каждой категории и выполнить аналогично BVAR моделей. Таким образом, мы предлагаем некоторые данные о мощности нейронной сети возможностей прогнозирования с использованием данных сканирования. При выполнении аналогичных ИНС BVAR моделей, компромисс становится одним из простоты и интерпретируемости. Хотя модели ИНС требуется меньшее количество манипуляций параметра, следует отметить, что коэффициенты BVAR моделей непосредственно интерпретируемых как ответ эластичности. Иными словами, Энн не может дать ответ на причины полученных результатов.

ИСТОРИЯ МЕТОДОВ

Каждый из трех методов по сравнению в данном исследовании различных допущениях и на основе различных подходов к прогнозированию. Мы обсудим основные фон для каждого метода.

Байесовский авторегрессии вектор "(BVAR)

ВЫВОДЫ

Результаты в этом исследования показывают полезность нейронных сетей в прогнозировании продаж бренда на 3 категории товаров народного потребления. За четыре марки суп, нейронная сеть работает лучше, чем подход, GARCH модели и похожи на байесовской модели авторегрессии вектора. Аналогичные результаты приведены в чип и тканей категорий.

Наши выводы подтверждают результаты др. Kumar и др.. (1995) и Агравал и Sch Хорошие показатели модели ИНС может быть ее способность решать нелинейности, или другие нарушения предположений, в данных (Hruschka, 1993). Диагностические тесты показывают, что некоторые статистические предположения BVAR последовательно встретились с испытанным наборов данных. Таким образом, линейная модель BVAR может быть неподходящими для сканера данных без проверки линейности предположения модели, в то время как Энн, нелинейной модели, может считаться правильной техники для прогнозирования, когда предположение о линейности является неопределенным.

Несмотря на аналогичные показатели ИНС, следует отметить, что коэффициенты BVAR непосредственно интерпретируемых как ответ в то время как коэффициенты эластичности ИНС (подключение весов) непосредственно не интерпретируемых. Таким образом, в отличие от BVAR, ИНС не представила проанализировать причины полученных результатов. Тем не менее, можно использовать ИНС получить грубую оценку эластичности реагирования путем постепенных анализа. Пользователь может ввести несколько сценариев, и получить прогноз для каждого. Эти прогнозы могут обеспечить грубую оценку ответ эластичность. Например, другие входные переменные могут быть постоянными и цены разнообразны. Предсказал продаж могут быть использованы для оценки ценовой эластичности. Тем не менее, в результате эластичности не так надежны, как получить от BVAR.

С CPG данных объема продаж, как представляется, изменяющихся во времени волатильности характеристик модели GARCH, который эффективно захватывает изменяющихся во времени дисперсии остатков, должны иметь удалось обеспечить достаточного. В качестве нелинейной модели GARCH подходит данных достаточно хорошо. Тем не менее, GARCH может только захват ARCH эффект и пренебрежение другими потенциальными неизвестных нелинейных моделей CPG данных. Поскольку специальные функциональные формы не требуется для ИНС, ИНС могут лучше соответствовать модели CPG данных и, следовательно, работать лучше прогнозов. Кроме того, в существующих наборов данных, ИНС остатков вообще устранить эффект ARCH.

Эти модели также требуют определенных подготовки данных. Данные должны быть введены в соответствии с форматом программных пакетов используется. Существует некоторое усилие при конфигурации ИНС, в частности, в выборе оптимального числа узлов. Еще более относится к BVAR, где полезность "до распределения" должен быть выбран, а в GARCH, скользящее среднее сроки и условия авторегрессии в условном уравнение дисперсии выбраны для оптимизации прогнозирования критериев. Кроме того, чтобы иметь объективную оценку в BVAR модель данных должна быть преобразована для удовлетворения линейности предположений. В целом, подготовка к ИНС является наименее интенсивно.

Будущие исследования должны проводить подобные сравнения между ИНС и других эконометрических методов. Различные категории с различными характеристиками должны быть проверены. Есть ИНС, как и большинство моделей временных рядов, лучше всего подходит для стабильных условиях (например, в широком смысле стационарных процессов), где достаточное количество наблюдений имеются в наличии? Иными словами, ИНС надежный инструмент прогнозирования новую категорию или категории характерны частые новых или прерывания? Надежность и простота также опасения, где пользователи часто новички в применении сложной техники. Дальнейшие исследования в ИНС является оправданным, учитывая обещания, выставленные в этой и предыдущих исследований. [В редакцию: 11 февраля 1999. Принято редколлегией: 2 мая 2000].

Ссылки

Agrawal Д.,

Akgiray, В. (1989). Условные гетероскедастичности в рядах доходности акций: данные и прогнозы. Журнал Бизнес, 6 (1), 55-80.

Пояс, D. (1993). Нейронных сетей: Практические розничных приложений. Скидка Merchandiser, 9 (10), 9-11.

Blattberg, Р. C., Глейзер, Р.,

Bollerslev, Т. (1986). Обобщенные авторегрессии условной гетероскедастичности. Журнал эконометрика, 31 (3), 307-327.

Бреуш, Т. (1978). Тестирование на автокорреляции динамических линейных моделей. Австралийский экономического документы, 17 (31), 334-355.

Бреуш, Т. С.,

Брокетт, PL, Charnes, А. Купер, WW, Квон, KH,

Баклин, Р. Е.,

Chauvin Ю.,

Чан, В. C., городского, Т. Л.,

модели рынка и изучении событий. Ежеквартальный обзор экономики и финансов, 36 (4), 529-538.

Колсон, N.,

Curry, D. (1993). Новая система маркетинговых исследований. Нью-Йорк: John Wiley

Карри Д., Divakar, S., Матур, S.,

Доан, T., Litterman, Р. С.,

валютном рынке. Журнал международной экономики, 19 (1 / 2), 47-66.

Драгстедт, C. (1991). Покупки в 2000 году: нейронные сети технологии мозга будущего в розничной. Скидка Merchandiser техника, 31 (9), 7-40.

Энгл, Р. F. (1982). Авторегрессии условной гетероскедастичности с оценками дисперсии инфляции Соединенного Королевства. Эконометрика, 50 (4), 9871007.

Federowicz, A. (1994). Альтернативный взгляд на нейронной сети. Прямой маркетинг News, 16, 23, 51.

Флетчер Д.,

Ошибка модели, когда регрессоры включать отставали зависимых переменных. Эконометрика, 46 (6), 1293-1302.

Грин, В. H. (2000). Эконометрического анализа (01 изд.). Аппер-Садл-Ривер, штат Нью-Джерси: Prentice Hall.

Хилл, Т., О'Коннор, М.,

Homik К. Стинчкомб, М.,

моделирование: по сравнению с эконометрических методов. Европейский журнал исследование операций, 66 (1), 27-35.

Хуан, С. Х.,

Харке, К. М.,

Цзян, J. J. (1995). Использование данных сканирования: IS в отрасли товаров народного потребления. Информационные системы управления, 12 (1), 61-66.

Цзян, J. J., Клейн, Г.,

Kumar, А. Рао, В. Р.,

Litterman, Р. С. (1980). Байесовской процедуре прогнозирования с векторной авторегрессии. В рабочем документе, Массачусетский технологический институт, факультет экономики, Boston, MA.

Маленький, J. (1990). Новые возможности в меняющемся мире. Orsa / TIMS Объединенного Национального Филадельфии совещание, PA, 29 октября (1990 Филипп Мак-Корд-Морс лекция).

Ljung, Г. М.,

Педрик, J. H.,

Рамси, J. B. (1969). Тесты для уточнения ошибки в классической линейной мере регрессионного анализа квадратов. Журнала Королевского статистического общества, B31 (2), 250271.

Rumelhart, Д. Е., Хинтон, Г. Е.,

Sims, К. А. (1980). Макроэкономика и реальностью. Эконометрика, 48 (1), 1-48. Шепард, Д.,

Вассерман, П. Д. (1989). Нейронных вычислений: теория и практика. Нью-Йорк: Райнхольд ИЛ.

Зенор, М. J. (1994). Прибыли преимущества категории управления. Журнал по маркетинговым исследованиям, 31 (2), 202-213.

Джеймс Дж. Цзян

Факультет компьютерных информационных систем, колледжа управления и бизнеса, Луизиана Tech University, Растон, Л. 71272, адрес электронной почты: <a href="mailto:jiang@cab.latech.edu"> jiang@cab.latech.edu </ >

Maosen Чжун

Департамент делового администрирования Школы бизнеса, Университет штата Техас в Браунсвилл, Браунсвилл, TX 78520. адрес электронной почты: <a href="mailto:mzhong@uthl.utb.edu"> mzhong@uthl.utb.edu </ A>

Гарри Клейна

Колледж бизнеса и управления, университет штата Колорадо, Колорадо-Спрингс, 1420 Остин Блафс Parkway, Колорадо-Спрингс, CO 80933-7150, адрес электронной почты: gklein <a href="mailto:gklein@mail.uccs.edu"> @ почте . uccs.edu </ A>

* Авторы хотели бы поблагодарить компании Крогер за поддержку этого исследования в рамках Комплексной научно-исследовательский центр в Университете Цинциннати. Информационная поддержка, обратная связь и понимание доктора DJ Карри (Университет Цинциннати) получили высокую оценку.

Джеймс Дж. Цзян Макс профессор Уотсон компьютерных информационных систем в Луизиане Tech University. Защитил докторскую диссертацию в компьютерных информационных систем был награжден в университете Цинциннати, в 1992 году. В настоящее время его научные интересы включают управление проектами и информационные технологии инфраструктуры knowledgebased организаций. Он является автором более 70 научных статей в таких журналах, как IEEE Transactions по системам, человеку, и кибернетики, IEEE Transactions по технике управления, коммуникаций ACM, систем поддержки принятия решений и управления проектами журнал. Он является членом IEEE, ACM, а также Институт Decision Sciences.

Maosen Чжун является доцент кафедры финансов в Университете штата Техас в Браунсвилл. Он получил DBA в области финансов в Луизиане Tech University в 1999 году. Его исследовательские интересы включают поведения финансовых рынков и прикладной эконометрики. Он стал победителем ААИИ Лучший бумаги премии в 2000 Юго-Западного заседании Ассоциации по финансированию и обращении бумаги в области финансов премии в 1999 году академия экономики и финансов заседании.

Гарри Клейна Когер профессор информационных систем в Университете Колорадо в Колорадо-Спрингс. Он получил докторскую степень в управлении наукой

Университет Пердью. Ранее он работал деканом школы бизнеса при Университете Техаса пермского бассейна. До этого времени он работал с Arthur Andersen