|
|
A simulation based analysis of price elasticity of demand
Kubišta, Michal ; Stráský, Josef (vedoucí práce) ; Červinka, Michal (oponent)
i Abstrakt V této studii popisujeme originální metodologii analýzy cenové elasticity pop- távky. Tato metoda kombinuje umělou neuronovou síť, která slouží jako model chování zákazníků a navázanou simulaci, která tento model využívá. Tuto methodu následně ověřujeme na reálném datovém setu získaném od evropského onlinového maloobchodníka. Na těchto datech demonstrujeme výhody našeho přístupu, zejména schopnost odhadovat cenovou elasticitu v jednotlivých cen- ových bodech a zahrnutí celkové cenové situace (ceny všech produktů). Klasifikace JEL C45, C44, C15, D12 Klíčová slova cenová elasticita poptávky, umělé neu- ronové sítě, agentové modely Název práce Analýza cenové elasticity poptávky za- ložená na simulacích E-mail autora E-mail vedoucího práce
|
|
|
Analysis of Weather Effect on Sales in the Czech FMCG Market
Kubišta, Michal ; Krištoufek, Ladislav (vedoucí práce) ; Brož, Václav (oponent)
Účelem této práce je studium efektu počasí na prodeje na FMCG trhu. Pro tento účel jsme připravili rozsáhlý soubor dat, skládající se z týdenních údajů o prodejích výrobků po kategoriích za více než 1000 obchodů v České Republice v letech 2015 až 2017, společně s údaji o meteorologických podmínkách posbíraných z více než 80 stanic. V této práci představujeme novou přístup k této analýze, a to použití modelů založených na rozho- dovacích stromech. Tyto flexibilní neparametrické metody jsou schopné odhadovat kom- plexní vztahy a automaticky vybírat důležité proměnné. Vzhledem k tomu, že model pra- cuje s více něž 130 proměnnými, jsou obě tyto vlastnosti pro náš účel kritické. Hlavním cílem této práce je bud' prokázat že efekt počasí je na prodej dané kategorie minimální, nebo připravit robustní model s interpretovatelnými výsledky. Na 3 největších kategoriích produktů ukazujeme výraznou reakci prodejů na měnící se meteorologické podmínky, a prezentujeme model který významně překonává výsledky obou základních modelů, re- gresi metodou lasso a regresní strom vytrénovaný na datech bez údajů o počasí. Nako- nec představujeme dva závěry, za prvé, že lineární regrese, v podobných...
|
host ::
RSS.