De una sola exportación de ventas a un veredicto para cada tienda.
Una lectura aísla cuánto aportó un cambio a las ventas en cada tienda que lo hizo: un programa de lealtad, una oferta, un programa de comida, productos nuevos, el personal o una remodelación. Estos son los pasos, y lo que usted hace en cada uno.
- 1
Usted nos dice qué cambió.
Qué fue, en qué tiendas y la fecha en que empezó en cada una. El formulario para definir el alcance de una lecturaEN toma unos 3 minutos.
- 2
Usted envía una sola exportación.
Ventas semanales por tienda, de 1 a 2 años hacia atrás, desde el sistema administrativo que ya usa, como PDI o Petrosoft. No hay sistemas que conectar.
- 3
Construimos el gemelo de cada tienda.
Una línea de ventas predichas que muestra lo que esa tienda habría vendido sin el cambio, construida con sus tiendas que no hicieron el cambio.
- 4
Comparamos, y luego verificamos nuestro trabajo.
La diferencia entre cada tienda y su gemelo después del cambio es lo que el cambio aportó a las ventas, o a lo que mida la lectura. El gemelo tiene que haber seguido de cerca a su tienda antes del cambio, y una prueba placebo con una fecha de inicio inventada no debe mostrar ningún incremento.
- 5
Usted recibe la lectura.
Para una lectura encargada, unas 2 semanas después de que llegan sus datos: el resultado de cada tienda con su intervalo de confianza y un veredicto en palabras sencillas, y luego una presentación de 60 minutos.
Una película sin sonido de 75 segundos que se repite. Abre con $2.9 millones al año en ventas adicionales dentro de la tienda para una cadena de 42 tiendas, más o menos lo que vendería una tienda número 43, sin construirla. La inferencia causal le da a cada tienda un gemelo, mezclado a partir de las otras tiendas de la cadena, y cada gemelo muestra lo que una tienda es capaz de vender y cómo debería desempeñarse. La inferencia causal también aísla y ordena lo que está ayudando y lo que está perjudicando las ventas en cada tienda. La Tienda 27 sube 4% frente al año pasado, pero solo su nuevo lanzamiento de pizza ayudó, con $2,600 a la semana, mientras que un competidor nuevo cerca, la reorganización del pasillo de botanas y una oferta de bebidas energéticas le costaron $900, $400 y $150 a la semana, comparado con su desempeño esperado, según la predicción de su gemelo. Luego la película empieza con el reporte semanal de ventas de PDI de la cadena, tal como se reenvió, y pregunta si algo llama la atención. Las tiendas 13 y 14 bajan 2% frente al año pasado. El análisis de gemelos señala a la Tienda 14: otras tiendas como ella crecieron 2%, y su gemelo predijo +1.8%, no una caída. Cuando ese reporte marcado vuelve, los 3 reportes semanales que envió la cadena se eliminan, cuando lo pide o en la fecha programada, y el reporte marcado se queda con la cadena. Empezando por la bomba, las ventas de combustible de la Tienda 14 se mantuvieron frente a su gemelo, pero entraron menos conductores a la tienda: la conversión de bomba a tienda es 2% menor, las ventas dentro de la tienda son 4% menores, o $3,550 a la semana, la comida preparada es 17% menor y las bebidas y botanas son 6% menores. La comida preparada cayó especialmente rápido en la Tienda 14 desde el 3 de agosto, comparado con la predicción del gemelo y la tendencia en las otras tiendas de la cadena. Seurat le pregunta a la tienda si algo podría explicar la caída, y el gerente dice que nunca implementaron ahí la capacitación del personal para los sándwiches. El problema se detectó comparando las ventas por categoría con las ventas que predijo el gemelo. Luego, un tablero de las 42 tiendas muestra que este era 1 de 32 hallazgos y oportunidades, que juntos valen $2.9 millones al año: lanzar el burrito en 18 tiendas más, $554,000; poner los calentadores junto a la caja, $352,000; volver a capacitar al equipo de almuerzo de la Tienda 14, $185,000; una oferta para recuperar clientes cerca de los competidores, $160,000; terminar la oferta de bebidas energéticas, $125,000; y 27 hallazgos más, $1.5 millones. Durante toda la película, una franja de Datos usados muestra de cuál de 4 pasos vienen los datos de cada escena, qué incluye y qué deja fuera ese paso, y aclara que nada se conecta a los sistemas de la cadena. La tarjeta final dice que empiece con el reporte semanal que ya tiene, y enumera lo que Seurat usa, lo que hay que dejar fuera y qué pasa con ello.
El gemelo siguió a la tienda. Un gemelo tiene que haber coincidido de cerca con las ventas semanales de su tienda durante un año o más antes del cambio. Si no fue así, no podemos confiar en el gemelo de esa tienda, así que la lectura no reporta ningún resultado para ella.
Las pruebas placebo no encuentran nada. La lectura se repite con una fecha de inicio inventada, y en tiendas que nunca hicieron el cambio: como no hay nada que encontrar, no debería mostrar ningún efecto. Si muestra un efecto, la lectura no está funcionando bien, y se lo decimos.
La significancia se declara. Cuando el intervalo de confianza de un resultado incluye el cero, el veredicto dice "Sin efecto significativo", con esas palabras.
Los factores externos se eliminan. El clima, los precios de la gasolina, el calendario y los eventos locales también afectan al gemelo, así que en este tipo de análisis se cancelan.
Los datos de referencia de la industria ordenan a los operadores según la utilidad operativa de sus tiendas y reportan cómo se ve el grupo superior. Es lo más cercano que tiene el canal a una respuesta sobre qué impulsa la utilidad de una tienda, pero tiene 2 problemas que ningún volumen adicional de datos resuelve.
Ordena según el resultado. Si ordena las cadenas por utilidad, encuentra las cosas que acompañan a la escala, como tiendas más grandes, más comida y más personal. Eso confunde el análisis, así que no puede decir si alguna de ellas causó la utilidad.
Reporta promedios. Los promedios por empresa, sin la dispersión por tienda, pueden describir a un buen operador, pero no pueden encontrar una buena tienda.
Un ranking le dice cómo se ven los ganadores. Una lectura aísla el impacto específico de un cambio.
Los métodos tienen nombres que puede buscar: diferencias en diferencias, control sintético y series de tiempo estructurales bayesianas. Google publicó el núcleo como código abierto, con el nombre CausalImpact. Están publicados y revisados por pares, y nada en ellos es propietario.
El clima, los precios del combustible, la variación de precios de la categoría y el calendario se eliminan antes de atribuirle algo a un cambio. La variación de precios importa más de lo que parece: una categoría puede facturar más dólares vendiendo menos unidades, así que una lectura solo en dólares puede atribuirle a un cambio una inflación que no causó.
El método se volvió gratuito. Google publicó CausalImpact como código abierto y puso el motor principal al alcance de todos.
El cómputo se abarató. Modelos que en 2015 necesitaban un clúster hoy corren en hardware común.
Las señales externas se conectan. El clima, los precios del combustible, los eventos locales y las tendencias de categoría se pueden conectar comercialmente con las ventas de cada tienda.
Lo que antes requería un equipo de investigación universitario y meses de cómputo hoy corre en una tarde. Por eso un operador con 30 tiendas puede tener lo que hace 10 años solo podían comprar las cadenas más grandes.
Una lectura mide un cambio que sus tiendas ya hicieron. El Lever Board ordena los cambios que todavía no ha hecho, con lecturas de tiendas como las suyas en otras cadenas, emparejadas con cada una de sus tiendas, cada una con un rango y una calificación. Después de que usted hace un cambio, comparamos su aporte real con nuestra estimación.
¿Hoy hace pruebas diseñadas?Sin diseño de pruebas ni tiendas excluidas →EN
Sin sus datos podemos llegar más lejos de lo que usted esperaría.
| Usted nos da | Usted recibe | |
|---|---|---|
| Store-to-Store ReadEN | Nada | Cuáles de sus tiendas tienen bajo desempeño y qué dicen sus clientes que está mal en ellas |
| Una lectura de rentabilidadEN | Una exportación de datos | Cuánto aportó un cambio a las ventas en cada tienda que lo hizo |
| Lever BoardEN | 2 años de datos de ventas | Cada palanca comprobada, ordenada y sugerida para cada una de sus tiendas, con su aporte al incremento evaluado |
| Remodel Sequence ReadEN | 2 años de datos de ventas y su plan de inversión | Qué sitios de su plan de inversión deberían recibir el dinero primero, cuáles no deberían recibirlo y qué tendría que cambiar para los demás |
| MonitoringEN | Nada nuevo | Veredictos a medida que se confirman las lecturas, y alertas cuando una palanca no aparece en los datos como debería, lo que normalmente significa que no se está aplicando como se especificó |
¿Ya sabe qué cambio necesita evaluar?
Díganos qué cambió, dónde y cuándo. Le responderemos con lo que una lectura puede mostrar.