Šajā pētījumā autors piedāvā metodiku apmeklētāju un pircēju plūsmas modelēša-nai. Metodes pamatā ir vairāku sezonālo svārstību modeļu kombinēšana, kas ļautu iegūt prognozes par apmeklētāju vai pircēju potenciālo skaitu dažādos laika periodos. Me-todes realizācijai nepieciešama nepārtraukta datu vākšana par apmeklētāju vai pircēju skaitu noteiktos laika intervālos. Sistēmu ir iespējams realizēt dažādās datorprogram-mās. Autors sistēmu realizēja Microsoft Excel vidē, tomēr tās plašāka ieviešana reālās situācijās būtu ieteicama izmantojot SQL datu bāzes un kādu no attiecīgajai datu bāzei piemērotāku datu bāzu vadības sistēmu, kas varētu arī tikt izveidota individuāli, izman-tojot tādas programmēšanas valodas kā ASP vai PHP. Šāda sistēmas realizācija ļautu to lietot Internet vidē un atvieglotu centralizētu vairāku veikalu apmeklētāju un pircēju plūsmas monitoringu.
Plūsmas modelēšanas periodu iedalījums
Apmeklētāju plūsma tika modelēta vairākos kalendāros periodos. Katrā periodiskā iedalījumā tiks izmantotas citas pētīšanas metodes, atsevišķos līmeņos šīs metodes var atkārtoties. Katra augstāka perioda izejas dati kalpos kā ieejas dati zemāka līmeņa pe-riodiem.
Plūsma tiks analizēta šādiem periodiem un sezonām:
1 periods – gads, sezona – mēnesis;
2. periods – mēnesis, sezona – diena;
3. periods – nedēļa, sezona – diena;
4. periods – diena, sezona – stunda.
Šajā iedalījumā nepieciešams precizēt jēdzienus periods un sezona. Ar vārdu pe-riods autors apzīmē laika periodu, kura ietvaros tiek analizētas sezonas un notiek pilns svārstību cikls. Savukārt sezona ir novērojumu skaits viena perioda ietvaros. Līdz ar to vārds sezona netiek izprasts klasiskajā nozīmē kā gada ceturkšņi vai gadalaiki.
Mārtiņš Danusēvičs. Potenciālo pircēju plūsmas novērtēšanas metodes 145 Integrētas plūsmas modelēšanas un prognozēšanas sistēmas izveide
Plūsmas integrētai modelēšanai ir jāapvieno visi trīs analīzes līmeņi – gada ietvaros, mēneša ietvaros un dienas ietvaros.
1. attēls. Apmeklētāju plūsmas modelēšanas un prognozēšanas sistēma Consumer fl ow modelling and forecasting system
Šādas integrētās prognozēšanas sistēmas uzturēšanai ir nepieciešami dati par pētā-mā mazumtirdzniecības objekta apmeklētāju skaitu katru stundu jeb intervālu dinami-kas rinda, intervāla garums ir viena stunda. No šādiem sākotnējiem datiem iespējams akumulēt apmeklējumu skaitu jebkuram lielākam laika periodam. Protams, gadījumā, ja uzņēmuma rīcībā nav tehnoloģiju vai nepieciešamības analizēt plūsmu ar precizitāti līdz stundai, var apkopot apmeklētāju skaitu dienas ietvaros. Vēl lielāka rādītāju akumu-lēšana nav lietderīga, jo neļautu pieņemt lēmumus, kas būtu aktuāli ikdienas pasākumu plānošanai.
Prognozes ir savstarpēji saistītas, jo, piemēram, prognoze par plūsmas līmeni mē-nesī tiek izmantota tālāk kā ieejas dati modelim, kurš prognozē plūsmas līmeni dienā.
No datiem par plūsmas līmeņiem katru dienu mēneša ietvaros tiek aprēķināti modeļa koefi cienti, kas raksturo sezonalitāti mēneša ietvaros. Attiecīgi prognozētā mēneša plūs-ma tiek izplūs-mantota kā bāzes rādītājs, uz kuru tiek attiecināts sezonālo svārstību modelis, lai prognozēto mēneša līmeni sadalītu katras dienas līmeņos. Pēc tāda paša principa tiek veikta prognozēšana citos kalendāros līmeņos – virzienā no gada uz dienu.
Pētījuma ietvaros tika izmantoti dati par kāda Rīgas pārtikas mazumtirdzniecības veikala plūsmas līmeņiem katru dienu, kas tika apkopoti pusotra gada laikā. Papildus tika izmantoti autora novērojumi par plūsmas līmeņiem pa stundām kādā Rīgas tirdznie-cības centrā. Principā būtu nepieciešami dati par vienu un to pašu tirdznietirdznie-cības objektu, tomēr šādi dati pētījuma ietvaros nebija pieejami. Tāpēc arī tika izmantoti dažādu objek-tu dati, lai varēobjek-tu aprobēt piedāvātos plūsmas modelēšanas rīkus.
Plūsmas dinamikas modelēšana gada ietvaros
Modelējot plūsmas dinamiku gada ietvaros, tiek piedāvāts izmantot Furjē rindas metodi. Citos periodos tās izmantošana var būt apgrūtināta, jo ir liels sezonu skaits un metode nav piemērota septiņu sezonu modelēšanā (nedēļas ietvaros). Gada ietvaros tri-gonometriskās svārstības ir viegli modelējamas un sniedz labi interpretējamus rezultā-tus.
Plūsmas dinamikas modelēšana mēneša ietvaros
Mēnešu analīzei tika izmantoti dati par 20 mēnešiem, kuros apkopoti dati par katru dienu. Pētot sezonalitāti mēnešu ietvaros, sezonalitātes indeksi pa dienām svārstījās ro-bežās no 0,87 līdz 1,04. Visizteiktākā sezonalitāte tika konstatēta mēneša pirmajās divās dienās (0,87 un 0,94). Šajās dienās katru mēnesi ir viszemākā pircēju plūsma veikalos.
Kā redzams 2. attēlā, nelielas svārstības novērojamas arī mēneša 24. dienā un 16., 19.
datumā. Tomēr šīs nobīdes nav tik izteiktas kā 1. un 2. datumā. Nav novērojamas mē-neša dienas, kurās būtu būtisks plūsmas pieaugums, līdz ar to var secināt, ka nav tādu kalendāro notikumu mēneša ietvaros, kas veicinātu pircēju plūsmu. Savukārt mēneša sā-kumā ir ieteicams veicināt papildu pircēju plūsmu vai samazināt izdevumus, samazinot apkalpojošā personāla skaitu
0,75 0,8 0,85 0,9 0,95 1 1
2 3
4 5
6
7
8
9
10
11
12 13 14 16 15
18 17 19 20 21 22 23 24
25 26
27 28
29 30
31
2. att. Pircēju plūsmas sezonalitāte mēneša ietvaros Customer fl ow monthly seasonality
Plūsmas dinamikas modelēšana nedēļas ietvaros
Nedēļu plūsmu analizēšanai tika izmantoti dati par pārtikas mazumtirdzniecības veikala plūsmām 83 nedēļās. Katrai nedēļai bija pieejami dati par plūsmām katru dienu.
Dinamikas rindas analīzei tika izmantoti sezonālie indeksi. Visai dinamikas rindai tika aprēķināts lineārais trends, katras nedēļas vidējā dienas plūsma un kopējais dinamikas rindas vidējais. Tika aprēķināta katra dinamikas rindas novērojuma attiecība pret katru no trim minētajiem vidējās tendences rādītājiem. Katrai nedēļas dienai tika aprēķināts vidējais sezonalitātes indekss.
Mārtiņš Danusēvičs. Potenciālo pircēju plūsmas novērtēšanas metodes 147
Iegūtie rezultāti liecina par to, ka pārtikas mazumtirdzniecības veikalos ir novēroja-ma sezonalitāte, kas izpaužas kā palielināts plūsnovēroja-mas līmenis piektdienās un sestdienās.
Pārējās nedēļas dienās līmenis ir zemāks. Viszemākais līmenis tiek sasniegts pirmdie-nās. Nedēļas laikā plūsmas līmenis palielinās, sasniedzot virsotni sestdienā, un atkal krītas svētdienās. Svētdienās šis līmenis nokrītas līdz otrdienas līmenim.
Iegūtos sezonālos indeksus tālāk var izmantot, lai prognozētu plūsmas līmeni prog-nozētās nedēļas ietvaros. Kā ieejas informācija tiek izmantota prognozētā plūsma nedē-ļā.
Plūsmas dinamikas modelēšana dienas ietvaros
Lai pieņemtu operatīvus lēmumus ikdienas procesu vadīšanai, ļoti noderīga var būt informācija par pircēju plūsmu svārstībām dienas ietvaros līdz pat stundas precizitātei.
Tomēr tāda īstermiņa prognozēšana var būt ļoti neprecīza. Galvenais neprecizitātes ie-mesls ir tas, ka tik īsa intervāla dinamikas rindas ir ļoti jutīgas pret dažādiem ārējiem faktoriem. Pie šādiem ārējiem faktoriem var pieskaitīt, piemēram, neparedzētus satik-smes sastrēgumus, laika apstākļu maiņas un sabiedriski vai politiski būtiskus notiku-mus.
Pētījuma ietvaros nebija pietiekami liels novērojumu skaits, lai varētu aprobēt prog-nozēšanas metodes dienas ietvaros. Tomēr novērojumi ļauj identifi cēt pamattendences mazumtirdzniecībā, balsoties uz viena pārtikas mazumtirdzniecības veikala apmeklētāju plūsmas novērojumiem. Iegūtie dati liecina par to, ka dienas laikā ir novērojamas sezo-nālās svārstības, līdz ar to šo svārstību prognozēšanai var būt nozīme ikdienas lēmumu pieņemšanā. Šo svārstību modelēšanai arī tiek ieteikts izmantot sezonālo indeksu me-todi. Tomēr kā alternatīvu var arī izmantot autoregresijas vienādojumus, kas sniegtu izlīdzinātāku modeli. Gadījumā, ja prognozēšanas mērķis ir noteikt, piemēram, atvērto kasu skaitu katrā stundā, būtu vēlams izmantot sezonālo indeksu metodi. Savukārt, ja nepieciešams identifi cēt, kurās dienas daļās nepieciešams nodrošināt lielāku preču pie-ejamību vai preču papildināšanu plauktos, var izmantot autoregresijas modeli.
0,9216
0,9537
0,9715
0,9844
1,0471
1,0758
0,9558
0,8500 0,9000 0,9500 1,0000 1,0500 1,1000 1,1500
Pirmdiena Otrdiena Trešdiena Ceturtdiena Piektdiena Sestdiena Svētdiena
Nedēļas diena
Sezonas sezonalitātes indekss
3. att. Pircēju plūsmas sezonalitāte nedēļas ietvaros Custumer fl ow monthly seasonality
Rezultātu novērtējums
Izmantojot pirmā veikala pircēju skaita rādītājus, tika aprēķināti mēnešu, nedēļu un dienu sezonalitātes indeksi. Lai varētu pārliecināties, kā šie indeksi var tikt izman-toti citu veikalu pircēju skaita prognozēšanai, tika izmanizman-toti dati par otra veikala pir-cēju skaitu pusotra gada laikā. Kopā otrajā veikalā bija novērojumi par 734 dienām un pircēju skaits katrā dienā. Izmantojot pirmā veikala datu analīzē iegūtos rādītājus, tika prognozēts, cik būtu jābūt pircējiem katrā no šīm 734 dienām otrajā veikalā. Iegūtajam teorētiskajam pircēju skaitam tika aprēķinātas novirzes un attiecība pret reālo pircēju skaitu. 83,7% gadījumu novirze bija mazāka par 10%, 57,4% gadījumu šī novirze bija mazāka par 5%. Starp visiem 734 novērojumiem vislielākā novirze bija 32% pārāk zems novērtējums un 163% pārāk augsts novērtējums. Iegūtā standartkļūda sastādīja 457,24, ņemot vērā, ka aritmētiskais vidējais pircēju skaits dienā otrajā veikalā bija 5000 cilvē-ku, mediānas vidējais – 5043 cilvēku.
Balstoties uz veikto divu veikalu salīdzinājumu, prognozēšanas sistēma sniedz pie-ņemamus rezultātus, kurus būtu iespējams būtiski uzlabot, papildinot datu bāzi ar vairā-ku veikalu informāciju. Ņemot vērā datu apjomu, nav iespējams aprobēt prognozēšanas sistēmu mēnešu prognozēm.