Mark Grabau, Uzman Veri Bilimcisi
Yayınlanma Tarihi: 29 Şubat 2016
On
yıl önce, ajan tabanlı modellemeye (ATM) ilk girişimim, Columbus,
Ohio'daki bir özel perakendecinin mağaza operasyonları üyesi olarak
gelişti. Amaç, markete, yıl içerisinde ve haftanın
gününe göre en iyi alışveriş yapan müşteriyi ve ilişkili davranışı ortaya çıkarmak için bir mağazayı modellemekti.
Averill
Law'un Simülasyon Modellemesi ve Analizi adlı "Simülasyon İncil'i" nin
son baskısına danışarak, birçok uzmanla röportaj yaptıktan sonra, Dr.
Law'a göre ATM'nin sadece KOS (kesikli olay simülasyonu)'un özel bir örneği olduğunu keşfetmekten memnuniyet duydum. Eğer
bu doğru ise, genel amaçlı bir KOS programında perakende simülasyon
için alışveriş modelleri oluşturmak mümkün olmalıdır. Ben başladığımda Ohio Dayton'da bir yüksek öğrenim kurumuna danıştım. Arena'da yapılamayacağını düşünmüştüm ... Ancak yapılabilirdi ve yaptım.
KOS paketleri oluştuğu için uzun zamandır modellenmiş olan bir varlık davranışı olmuştur. Bir aracının davranışının göstergesi olmaktan vazgeçmiyor musunuz? İşletme
bekleme eğilimindedir (veya yapmamalıdır), kendisi önünde çizgide
olanın farkında olup diğer satırlarda kendisinin yanında olduğunu ve bu
bilgilere dayanarak kararlar almasını sağlar. Kanımca, bu özerk davranış ve kararlar çevreye dayalı olarak üretiliyor.
ATM'nin bu uygulaması için, her biri kendi modelleme komplikasyonlarına sahip iki tür aracı vardır. İlk olarak, alışveriş yapan var. Alışveriş yapan kişi önceden belirlenmiş bir listesini elde etmek veya sadece göz atmak için hareket ediyor mu? Bir alışveriş her modda ne kadar hızlı hareket eder? Ya bir erkeğe karşı bir kadın alışveriş yaparsa? Bir yetişkin bir arabayı mı yoksa gezginci mi itiyor? Mağazadaki davranış da, alışverişte, mağazadaki ürünlerin yerleşimi ve konumu hakkında önceden bilgi sahibi olabilir. Sonunda, sarma masası veya ödeme alanı var. Bazı perakendeciler kasıtlı olarak sarma masasını mağazanın arkasına yerleştirir. Dükkana yürüdüklerinde herkesin geçtiği son derece görünür bir çizgi ile alışverişten vazgeçme mantığı yoktur. Bunu, tipik büyük kutu perakende satıcınızla veya bakkalınızla karşılaştırın. Tüm alışveriş ortamları bu ortamlara girer ve gözlemlediği ilk şey, çizgiler olup olmadığıdır. Lowes, Home Depot ve Kroger'ın hatları, demirbaşları ve kısmi duvarları gizlemeye çalıştıklarına da dikkat edin.
Bu senaryonun ikinci tür acentesi ilişkilidir. Özel perakende, müthiş bir müşteri deneyimi sunmak genelde büyük kutu perakendecilerden daha önemlidir. Hedef dükkanda en yakın zamanda ne zaman hızlı ve kolay bir ortak bulabildiniz? İştirakçinin, aynı zamanda, farklı davranış ve kararlar verecek farklı rolleri olacaktır. Ortak satış, stoklama veya ödeme modunda mı? Eğer satış modundaysa, işten vazgeçerek ne yapıyorlar? Bir
müşteri mağazaya girdiğinde, iştirakçi hızlı yangınla takıntılı veya
yırtıcı davranıyor mu, soruları araştırıyor mu, "Size nasıl yardımcı
olabilirim? Seni bugün mağazada ne getiriyor? Bir
sutyen takmak ister misiniz? "Parfüm testinin, alışveriş yapmayan
Gimbles mağazasına yürürken Will Ferrell'in rol aldığı Elf'in parfüm
tadına bakmasına da dikkat edin. İş arkadaşları konserlerde nasıl çalışırlar? Alışveriş başka bir odaya mı, yoksa başka bir odaya mı gidiyor? Aynı soruları sorarak müşteriyi hayal kırıklığına uğratıyorlar mı? Bir müşterinin uydurma odasında yardıma ihtiyacı olduğunda ne olur? Bazı
perakendeciler için perakendecinin istediği son şey, alışveriş yapan
kişinin döşeme odasından çıkıp yere geri dönmesi ve kendisinin doğru
boyutta ürünler aramasıdır. Markanın sürmekte olduğu müşteri deneyimine personel seviyeleri ve ilişkisel davranışlar sunmak nedir? Bunları
gerçek dünyada test edebiliriz ya da işlevsiz, marka zarar verici
davranışları analiz etmek ve ortadan kaldırmak için bir model
oluşturabiliriz.
Bu tür projeler için diğerleriyle olduğu gibi veri toplama, çok zaman alıcı olabilir. İlk modeli oluşturduğumda, perakendecinin trafik sayaçları oldu. Dolayısıyla,
satış noktası verisine ek olarak, yalnızca varış saatleri ve ortalama
alışveriş süreleri gündeme geldi ve işte bitti. Mağazada iken alışveriş yapan kişiyi gözlemlemek ve davranış ilişkilendirmek zorunda kaldım. Bugün,
IBM® Presence Insights gibi sistemlerle, alışveriş ve ilişkisel
davranışlar kapsamlı olarak izlenebiliyor ve bir modeli sürmek için
gereken veriler türetilebiliyor. Bu sistemler, farklı bölgelerin algılanması ve izlenmesi için izin verir. Sistem,
mağazanın Kablosuz bağlantısına bağlanmaya çalıştığında veya akıllı
telefonlarında mağazaya özel bir uygulamaya sahip oldukları zaman akıllı
telefon bilgilerini kaydeder. Her bir banyo ya da döşeme odasının eşiğini algılarsak düşünün. Bu bilgi ile, o cihaza sahip her etkinlik erkek veya kadın olarak etiketlenebilir. Buna
ek olarak, alışveriş yapanlar, dışarı çıktıklarında ve sarma masaları
bölgeleri ile geri çekilme ve dolandırıcılık davranışları konusunda daha
katı analizler yapılabilir.
En
sevdiğim alıntılardan biri "O Okçudur, ok değil" şeklindedir.
Görüşmelerde, bir ATM oluşturmak için genel amaçlı bir KOS paketinin
kullanılabileceğinden emindim ve bir satınalma döngüsü olmadan ilerlemiş
olduğum için mutluyum. ATM'ye özgü bir araç. Günün sonunda bu araç yalnızca bir etkinleştiricidir. Modelleyici şeyleri yapar.
Kaynak: https://www.arenasimulation.com/blog/post/using-discrete-event-simulation-to-solve-agent-based-problems
Yorumlar
Yorum Gönder