„Der Black Friday hat plus 210 % gebracht.“ Ein Satz wie dieser ist entweder die wichtigste Zeile im Deck oder völlig bedeutungslos, und der Unterschied liegt darin, ob beim Messen irgendetwas konstant gehalten wurde.
Diese Grafik ist die ehrliche Version. Sechs Ereignisse, jedes mit seinem Uplift und seinem 95-%-Intervall, geschätzt bereinigt um Monat, Wochentag und Trend.
Black Friday: +210 %. Weihnachten: +116 %. Dann der lange Schwanz, in dem die interessanten Entscheidungen liegen: Sommerschlussverkauf +42 %, eine einmalige Kampagne +42 %, Ostern +37 %, Winterschlussverkauf +36 %.
Zwei Dinge, die vor der Rangliste auffallen sollten.
Die Intervalle sind schmal, und alle sechs liegen klar über null. So sieht ein gut spezifiziertes Ereignismodell aus, wenn die Ereignisse wirklich groß und wirklich datiert sind. Schließt ein Intervall die Null ein, lautet die korrekte Lesart, dass das Ereignis nichts bewirkt hat, was sich belegen lässt, und das Produkt sagt das, statt es trotzdem einzureihen. Eine Reihe von Zahlen zu ranken, unter denen Rauschen ist, ist der Weg, auf dem ein Aktionskalender auf einem Münzwurf gebaut wird.
Das Zweite ist die Rechnung, die es nie in die Zusammenfassung schafft. Black Friday kommt in dieser Datei 18-mal vor und bringt +210 % gegenüber einem normalen Tag. Der Winterschlussverkauf kommt 45-mal vor und bringt +36 %. Was ist übers Jahr mehr wert? Der mit dem kleineren Uplift, und zwar mit großem Abstand, weil er zweieinhalbmal so oft läuft. Uplift ist eine Rate. Beitrag ist eine Rate mal eine Anzahl, und nur eines von beiden landet in der Überschrift.
Auch wie die Schätzung gebaut ist, zählt. Jedes Ereignis ist eine Dummy-Variable, die die Tage abdeckt, an denen es tatsächlich lief, geschätzt zusammen mit Monats- und Wochentagstermen. Ohne diese Kontrollen schluckt der Black Friday den ganzen späten November, Weihnachten schluckt den Dezember, und die Monatseffekte verschwinden in den Ereignissen. Mit ihnen muss sich jeder Term seinen Koeffizienten gegen die anderen verdienen, und die Zahlen konkurrieren nicht mehr um dasselbe Verdienst.
Eine letzte Disziplin. Ereignisse überlappen sich: ein Schlussverkauf, der in einen Feiertag hineinläuft, ein Launch an einem Spitzenwochenende. Decken zwei Dummies dieselben Tage ab, kann das Modell sie nicht trennen, und TEA markiert die Überlappung, statt das Verdienst stillschweigend aufzuteilen.
Die praktische Version passt in eine Zeile. Bevor Sie zwei Ereignisse vergleichen, prüfen Sie, dass beide Intervalle von der Null entfernt liegen, und multiplizieren Sie dann jeden Uplift mit der Häufigkeit, mit der das Ereignis läuft. Die Rangliste, die dabei herauskommt, ist oft nicht die aus dem Jahresrückblick.
Und wenn ein Ereignis die Null einschließt, ist das ein Befund, auf den man handeln sollte, keine Lücke in der Analyse. Meist heißt es, dass das Ereignis zu klein ist, um es von der Saison zu trennen, in der es liegt, und die ehrlichen Optionen sind dann: öfter durchführen, größer durchführen oder aufhören, dafür zu bezahlen.
Die Grafik ist die echte Ausgabe von Saisonalität & Ereigniswirkung in TEA.
tea, das Produkt
Ihre Datei, diese Frage
Fünfzehn Analysen auf einer CSV mit Wochendaten, mit Intervallen und Diagnosen offen gezeigt, und einem klaren Satz, wenn die Daten keine Antwort hergeben. Kostenlos während der Beta, auf Einladung.
Einen Platz in der Beta anfragen→tea, das Produkt
Fünfzehn ökonometrische Analysen auf Ihrer eigenen CSV: Saisonalität & Ereigniswirkung, Sättigungskurven, Elastizitäten, Budgetaufteilung. Intervalle und Diagnosen offen gezeigt, und ein klarer Satz, wenn die Datei keine Antwort hergibt.
Kostenlos während der Beta, auf Einladung.
Einen Platz in der Beta anfragen →Hat es Ihnen gefallen? Probieren Sie es mit Ihren eigenen Daten.
tea führt Saisonalität & Ereigniswirkung und vierzehn weitere Analysen auf jeder CSV mit Wochendaten aus, in Minuten. Kostenlos während der Beta, auf Einladung.