Previsione della baseline: il business as usual delle campagne

Il grafico del post: Previsione della baseline: il business as usual delle campagne.
Così come è uscito su LinkedIn. Dati: Dataset di esempio grande distribuzione, 1.083 giorni di ricavi dei punti vendita.

Tre anni di ricavi giornalieri di un retailer alimentare, e quattro settimane proiettate in avanti senza niente dentro.

Nessuna campagna. Nessuna promozione. Nessun nuovo punto vendita. La linea tratteggiata è quello che arriva se tutto il marketing si prende un mese di ferie.

Quella linea ha un nome che sembra noioso e non lo è: business as usual. È l’unico termine di confronto onesto su cui giudicare una campagna, e la maggior parte dei report non ce l’ha.

Guarda cosa ha dovuto imparare il modello per disegnarla. La serie ha un battito settimanale, perché nella grande distribuzione il sabato non è il martedì, e sotto ha una deriva lenta. Holt-Winters separa le due cose: un trend additivo, una componente stagionale additiva con periodo sette e un livello che si aggiorna man mano che arrivano nuovi giorni. L’accuratezza sullo storico è del 94,5%.

Ora la parte che cambia le riunioni.

Quando la campagna va in onda e i ricavi salgono del 6%, non stai guardando un risultato del 6%. Stai guardando la differenza tra quello che è successo e questa linea. Se nelle stesse settimane la linea stava già salendo del 3%, la campagna ti ha comprato tre punti, non sei, e la fattura non è diventata più leggera.

Il contrario succede più spesso di quanto si ammetta. Una campagna va in onda in un mese in cui la baseline stava scendendo, i ricavi chiudono piatti e il piano viene bollato come un fallimento. Rispetto a questa linea era il lavoro migliore del trimestre.

Quanto bene ha imparato la settimana. Adattamento contro osservato, ultimi 120 giorni · MAPE 5,5%
La stessa analisi da un’altra angolazione. È il grafico di Verificare una previsione della baseline: il MAPE e l’uplift.

La baseline non è una finezza accademica. È quello che decide se il tuo lavoro viene contato.

Un file, una colonna data, un numero. È tutto l’input. Settimanale, giornaliero o mensile vanno bene, purché il ciclo stagionale sia abbastanza stabile da essere imparato.

E se la serie non ha un ciclo stabile, il modello si adatterà male e lo dirà, che è comunque una risposta: un business in cui le settimane non si somigliano non si può pianificare su un riferimento settimanale.

C’è un secondo uso di questa linea che viene dimenticato. È una decisione di personale e di scorte quanto di marketing: una proiezione con la sua forma settimanale dice al punto vendita quante persone servono il sabato, e il conto è lo stesso in entrambi i casi.

Il modo in cui va storto, da tenere d’occhio, è una baseline stimata su un periodo che contiene già molta attività di campagna. Il modello imparerà volentieri le tue spinte come stagionalità, e da lì in poi ti misurerà contro il tuo mese migliore. Stimala sul tratto più tranquillo che hai, e lascia che le campagne siano quello che sta sopra.

Il grafico è l’output reale di Previsione della baseline in TEA, eseguita su un file di esempio che chiunque può scaricare.

tea, il prodotto

Il tuo file, questa domanda

Quindici analisi su un CSV di dati settimanali, con intervalli e diagnostica in vista, e una frase chiara quando i dati non possono rispondere. Gratis durante la beta, su invito.

Chiedi un posto nella beta

tea, il prodotto

Quindici analisi econometriche sul tuo CSV: Previsione della baseline, curve di saturazione, elasticità, allocazione del budget. Intervalli e diagnostica in vista, e una frase chiara quando il file non può rispondere.

Gratis durante la beta, su invito.

Chiedi un posto nella beta →

Ti è piaciuto? Eseguilo sui tuoi dati.

tea esegue Previsione della baseline e altre quattordici analisi su qualsiasi CSV settimanale, in pochi minuti. Gratis durante la beta, su invito.

Entra nella beta