Buenas días,
os explico el trabajo que hicimos ayer Aineth y yo hoy para anticipar dudas y correcciones.
Actualmente tenemos en la BD de México un histórico de 330 tenderos de los cuales 159 ya no están con nosotros por diferentes motivos.
Eso reduce la muestra a 171 tenderos a analizar (en el futuro ya miraremos si también nos sirve alguno de los perdidos).
Trás una serie de pruebas y debates hemos decidido limpiar primero los datos para quitarnos de en medio los tenderos con peor comportamiento y así tener una muestra más reducida y homogénea.
Paso a enumerar los filtros para la criba poniendo el número de pos descartados por cada filtro (algunos no cumplen varios filtros):
- SLP < 100 (44 pos): Descartar tenderos con menos de 100 productos en stock (podría darse el caso de tiendas con muy poca variedad pero muy estables pero de momento no lo tenemos en cuenta).
- WEEKS_SELLING < 60% (34 pos): Descartar tenderos que cuyo ratio (semanas con ventas)/(semanas con tiendatek) sea menor al 60%.
- TICKETÓN (11 pos): Descartar tenderos que registran FRECUENTEMENTE varias ventas en un mismo ticket. En este punto nos gustaría hacer un análisis más detallado pero no hay tiempo así que teniendo en cuenta que los SKU's promedio por ticket son 2 hemos eliminado aquellos tenderos que tengan un promedio mayor de 5.
- < 7 WEEKS_WITH_US (35 tenderos*): Descartar tenderos que lleven con tiendatek menos de 7 semanas. ¿Por qué 7 semanas? Lo intento explicar a groso modo (data-sciencetist-barbarian de nivel 2). Que me corrija Aineth (data-scientist-wizard de nivel 25) si meto la pata en algo:
Aplicando el método "moving average" a la gráfica de tickets semanales de todas las tiendas conseguimos suavizar su perfil e identificar un patrón bastante común: "El número de tickets va aumentando hasta estabilizarse en la semana 7".
De esta forma tenemos una "fórmula general" para identificar a los tenderos en desarrollo.
*Podemos decir que los 35 tenderos "jóvenes" están en la fase "desarrollando".
Trás aplicar los anteriores filtros reducimos la muestra de 171 a 107, ahora toca aplicar varias fórmulas estadísticas para distinguir entre estables (rana y rana plus) e inestables (trompicones y muertos).
Queremos hacer un excel que muestre de manera muy gráfica los criterios que aplican a cada tendero. Os vamos informando de los siguientes avances.
Ahora a por Sigma!
Alberto Gualis Giménez
Frogtek España
Tel. 974 23 44 95
www.frogtek.org
Woow!! está bastante claro, me parece que por ahora no haría falta el excel! 107 tenderos + 35 nuevos funciona muy bien para lo que haremos con Sigma. Tengo un tema pendiente... si queremos analizar el comportamiento de las marcas a través del tiempo necesitamos comparar tiendas que tengan el mismo tiempo, de otra manera el efecto siempre será incremental dado que hemos ido creciendo en número de tiendas. Se me ocurrió que podríamos crear un ciclo de vida de la tienda, es decir, sin importar la fecha en la que entró la tienda al panel, la primer semana de vida considerarla como Semana 1 para todas, la 2da Semana 2 y asi entonce tendríamos información "normalizada" en tiempo. Espero haberme explicado...
ResponderEliminarCreo que eso es lo que estamos haciendo.
EliminarGracias por la explicación. Tal vez valga la pena explicar estos filtros de forma sencilla a Sigma el día de nuestra reunión...
ResponderEliminarPregunta: Estos filtros aplicarán de forma automática? Entiendo que para ciertos reportes/consultas podrían aplicar ciertos criterios y para otros otros... ¿Me explico?
Saludos.
Lo ideal es que se apliquen automáticamente. Pero...aquí va el pero...solo recomendaría que lo hagamos hasta que podamos corroborar que estos filtros aplican a una muestra representativa y qué los valores limite para cada filtro (ej.: eliminar ticketones con skus xticket >5) son validos. Además, en el futuro es posible que los limites cambién por lo que habría que revisarlos periódicamente.
EliminarPor cierto, estamos quitando al 48% de nuestra muestra... hay que tomarlo en cuenta para calcular el objetivo de tiendas por CEDI.
ResponderEliminarUn par de comentarios. Primero, los tiquetones sólo hay que quitarlos para el análisis de tickets. Para el de categorías por ejemplo funcionan perfectamente
ResponderEliminarPor otro lado, no debemos normalizar por semana de creación porque perderíamos los efectos de estacionalidad...
De acuerdo con lo de los ticketones.
EliminarTomar en cuenta las semanas con tiendatek nos permite identificar la tendencia de los datos atribuibles a la curva de aprendizaje del tendero. Aparte debemos incluir las fechas actuales para determinar la tendencia atribuible al periodo de tiempo.
No estoy seguro si (por el momento) sea más impactante la estacionalidad que la cantidad de tenderos que hasta ahora están ingresando a nuestra red, sobre todo ahora que estamos en pleno crecimiento. Estoy seguro que una vez que tengamos un panel estable en el DF, la estacionalidad será entonces una variable importantisima.
ResponderEliminarPor ahora prefiero mostrar información de 140 tenderos aunque sea de 2 semanas (en diferentes momentos de tiempo), que mostrar información de 40 tenderos de 1 año, otros 40 de 6 meses, 30 de 5 meses y así... que opinan?
Como lo veo es que el estudio de la evolución histórica de los tenderos sirve únicamente para tener una noción del tipo de comportamiento que presentan los tenderos así como para reconocer causas especificas que hayan afectado su desempeño a través del tiempo y permitir crear un red más solida de tenderos al aplicar acciones preventivas que optimicen su desempeño. Es decir, sirve internamente.
EliminarA los CPGs les interesaría conocer la antigüedad promedio de los tenderos(Bimbo shoppers), la tasa de ingreso (y abandono) del sistema y qué más?. Lo que aportaría información sobre la relevancia y fiabilidad de nuestros datos. Además, quieren saber como ha sido la demanda del consumidor final(Bimbo clients) para determinar acciones específicas en cuanto a periodos del año. Quizá aquí podríamos enfocarnos en presentar la estacionalidad anual y enfocarnos en periodos específicos (ej: día de las madres, es muy tarde para Navidad :( )que podrían tener un impacto especial en sus ventas.
Por otra parte, es cierto que los CPGs deben estar más interesados en conocer el nivel actual desempeño de los tenderos con una estimación aproximada de los tenderos buenos. Esto les ayudará a determinar acciones concretas que pueden implementar para mejorar sus propias ventas, costos, etc.
En sintesís, necesitamos integrar datos históricos y actuales que sean relevantes para los CPGs.
Cuál es la prioridad?