Una buena pregunta! Como respuesta rápida, crearía un conjunto de datos maestros que contiene las finanzas y las operaciones de todas las franquicias con información demográfica local disponible para cada ubicación. Espero incluir información de cada franquicia sobre los niveles de ingresos locales, la proximidad al tráfico, el clima, la densidad de población, la proximidad a otras empresas, etc., cualquier cosa que ayude a comprender el área que rodea a cada ubicación de la franquicia. También me gustaría obtener un conjunto de datos de referencia sobre las condiciones macroeconómicas locales, regionales y nacionales (por ejemplo, desempleo, inflación, tasa de interés preferencial, etc.). También podría considerar agregar cualquier información sobre los propietarios-operadores de franquicias locales, en la medida en que el gerente sea crucial.
A partir de aquí, se convierte en una cuestión de descubrimiento preliminar, buscando correlaciones entre las variables y posibles oportunidades para reducir las variables. Consideraría ejecutar PCA y / o análisis factorial (particularmente si tuviera una teoría sobre variables latentes). Luego identificaría un conjunto de KPIs aceptables para la administración que había solicitado el análisis sobre los factores más deseables que rodean una franquicia (es decir, ganancias operativas trimestrales, ROI, EVA, tasa de pago, etc.). Entiendo que la apreciación del valor de la propiedad es de gran interés para la administración corporativa de franquicias, por lo que este también podría ser un objetivo deseable.
En este punto, aplicaría modelos econométricos en un intento de derivar un modelo predictivo sobre los KPI de interés. Verificaría la estacionalidad y también consideraría en qué medida los efectos macroeconómicos fuera de la ubicación podrían ser factores clave en el éxito de la franquicia (en realidad podría ser que la ubicación sea menos una consideración que las tendencias macroeconómicas, en cuyo caso la recomendación sería cronometrar nuevas franquicias para condiciones macroeconómicas, con menos consideración de la ubicación particular). También me aseguraría de que se incluyera al propietario-operador en caso de que se correlacionara abrumadoramente con el éxito (y si es posible, cualquier detalle sobre los antecedentes del propietario-operador, por ejemplo, si tenían un MBA).
- ¿Qué tiene más alcance y permanecerá durante mucho tiempo en el mercado, la ciencia de datos, la computación en la nube o Hadoop y big data?
- ¿Es realmente necesario saber la codificación Java para Big Data? ¿Es posible aprender Big Data sin conocimiento de Java?
- Cómo convertirse en un científico de datos en 4-5 meses si no tengo experiencia previa con ningún lenguaje de programación
- ¿Se considera que R no es adecuado para Big Data en comparación con Python?
- ¿Un perfil como el mío tiene alguna posibilidad de ingresar a un buen instituto a través de GRE para obtener una maestría en ciencia de datos?
El análisis econométrico mostrará la importancia relativa de las variables contribuyentes, sugiriendo aquellas que predicen más altamente el éxito (según la métrica elegida) y en qué combinación. A partir de aquí, se trata de realizar una encuesta más amplia para recopilar esos datos para la región objetivo bajo consideración para nuevas franquicias. Luego, ejecute los perfiles de datos de ubicación prospectiva contra el modelo de regresión para producir las ubicaciones más altamente predictivas de éxito.
Esta es una explicación bastante simplificada y analicé varios subpasos, verificaciones, diagnósticos, etc., pero esta es la idea básica.
Como verificación secundaria, si tuviera tiempo, usaría el mismo conjunto de datos y ejecutaría algunos modelos comunes de aprendizaje automático para producir predicciones también (árbol de decisión, red neuronal, etc.). Luego ejecutaría todos los modelos de regresión y aprendizaje automático en el conjunto de datos y examinaría los diagnósticos sobre el rendimiento del modelo: matriz de confusión y ROC para elegir el modelo ganador. Usaría datos de espera y volvería a ejecutar los diagnósticos varias veces y de varias maneras para asegurarme de que no estaba sobreajustando en el conjunto de datos. Finalmente, dejaría instrucciones para volver a verificar y volver a ejecutar el modelo en el futuro.
Aunque esto podría hacerse en R o Python, no me molestaría con eso y perdería el tiempo. Ejecutaría todo esto en SAS Enterprise Miner y realizaría el trabajo de forma rápida y ordenada, produciendo el flujo de trabajo auto-documentado, las configuraciones y los resultados de las pruebas de diagnóstico.
¿Cuánto pagaría uno por este servicio si fuera demostrablemente más efectivo para optimizar las ganancias?
Sorprendentemente, no muchos pagarán nada … Todavía hay una brecha de conocimiento masiva, malentendidos y desconfianza de estas técnicas muy bien aceptadas. Muchos gerentes todavía sienten que su intuición puede vencer a la máquina (o al menos quieren creer, por lo menos, porque su relevancia se pone en duda). Este es un problema generacional que, con suerte, será una lección a medida que la ciencia de datos se vuelva más socializada y más gerentes comiencen a comprender y confiar en las metodologías centrales. Por ejemplo, es una señal positiva de que muchos programas de MBA están cubriendo econometría y análisis.
