Wie können Sie Ihre Ziele für 2026 tatsächlich einhalten? Dieses Jahr habe ich beschlossen, dass ich nicht nur eine Liste mit Zielen möchte. Ich möchte ein Imaginative and prescient Board mit echten Kennzahlen, das meine Fortschritte Monat für Monat verfolgt.

Das Drawback, mit dem ich in den letzten Jahren konfrontiert battle, ist die Fragmentierung. Es gibt eine Million Apps, die Ihnen helfen, Finanzen, Schulungen oder tägliche Gewohnheiten zu verfolgen, aber ich konnte nie einen einzigen, zentralisierten Tracker finden. Noch schwieriger battle es, etwas Skalierbares zu finden: ein System, das ein Ziel verfolgt, sei es täglich, wöchentlich, monatlich, vierteljährlich oder jährlich.

Aus diesem Grund habe ich beschlossen, einen eigenen Ziel-Tracker zu bauen. Diese App ist nur ein Beispiel dafür, was für mich intestine funktioniert, aber die Absicht geht über diese spezifische Implementierung hinaus. Das Ziel besteht darin, das Produktdenken dahinter zu teilen: wie man ein System entwirft, das Metriken, visuelle Elemente und Strukturen so aufeinander abstimmt, dass es tatsächlich kurz- und langfristige Ziele unterstützt.

Bevor Sie sich mit dem Code befassen, ist es wichtig, die Designentscheidungen hinter der App zu verstehen.

---

Das Design

Die Logik

In Wirklichkeit wirken unsere Ambitionen auf unterschiedlichen Ebenen. Die meisten Tracker scheitern, weil sie sich auf eine einzige Lösung konzentrieren (häufig die Verfolgung täglicher Gewohnheiten). In meinem Fall brauchte ich ein System, das unterschiedliche Häufigkeiten von Zielen unterstützen konnte, additionally habe ich meine Ziele in zwei Kategorien eingeteilt:

• Hochfrequente Ziele (täglich / wöchentlich): Das sind Dinge, die ich täglich oder wöchentlich tun möchte. Ich nenne diese Gewohnheiten, weil sie eine schnelle und häufige Überprüfung der Dinge erfordern.
• Ziele mit niedriger Frequenz (monatlich / jährlich): Das sind Dinge, die ich monatlich oder jährlich tun möchte. Ich nenne diese strategische Ziele, weil sie weniger Wiederholungen erfordern, dafür aber mehr Richtung und Anpassungen im Laufe der Zeit.

Die von mir entwickelte App sollte alle diese Frequenzen in einem einzigen System erfassen. Dadurch ist es möglich, die Ausführung täglich zu überwachen, aber auch das ganze Jahr über den Überblick über die Fortschritte zu behalten.

Die Benutzeroberfläche

Beim Interface habe ich bewusst auf Komplexität verzichtet. Ich bin kein UI-Experte und wollte keine App voller Schaltflächen, Menüs oder unnötiger Interaktionen.

Stattdessen habe ich eine gitterbasierte Matrix gewählt. Dies ermöglicht das einfache Ankreuzen von Kontrollkästchen für Gewohnheiten oder erreichte Ziele. Bei der Datenvisualisierung ist eine leere Zelle genauso informativ wie eine gefüllte. Das Erkennen von Lücken im Netz wird zu einem starken und sehr konkreten Sign. Es zeigt sofort, wo Konsistenz fehlt und hilft bei der Anpassung.

---

Die Architektur

Für dieses Projekt hatte ich zwei wichtige Anforderungen an die Architektur:

Keine Datenbankverwaltung: Ich wollte nichts lokal installieren oder Server verwalten. Ich habe gewählt Neoneine cloudfreie PostgreSQL-Datenbank, die als Backserver der App fungiert.

Python als einzige Programmiersprache: Ich wollte eine Sprache verwenden, die ich beherrsche. Aus diesem Grund habe ich mich entschieden Streamlit für die Benutzeroberfläche und grundlegendes Python für die Again-Finish-Logik. Mit dieser Wahl kann ich eine professionelle Schnittstelle in reinem Python erstellen, ohne HTML oder CSS anzufassen. Es eignet sich hervorragend für kleine Apps, hat jedoch seine eigenen Grenzen, auf die wir später noch eingehen werden.

---

Eine kurze Tour durch die App

Beginnen wir mit der Landingpage. Auf dieser Seite kann der Benutzer ein Konto erstellen und sich bei der App anmelden.

Vom Autor: Ansicht der Landingpagee

Sobald Sie eingeloggt sind, gelangen Sie zur Strategie-Setup Seite. Hier können Sie Ihr Ziel mit Namen und Kategorie eingeben. Ich habe acht Kategorien erstellt, die Sie ändern können, sobald Sie den Code haben. Für den Relaxation dieser Demo habe ich nur einige meiner nicht vertraulichen Ziele sichtbar gehalten. Der Relaxation ist persönlich und wird durch die rote Farbe verdeckt.

Vom Autor: Ansicht der Setup-PaGe

Als nächstes kommt das Ausführung Seite, die mir wirklich gefällt. Hier finden Sie Kästchen, die Sie ankreuzen können, um Ihre täglichen, wöchentlichen, monatlichen und jährlichen Ziele zu verfolgen. Sie haben sowohl eine Tagesansicht als auch eine Langzeitansicht, mit deren Hilfe Sie die Umsetzung Ihrer Ziele überprüfen können.

Vom Autor: Ansicht der Ausführungsseite (Das TagessetuP)

Vom Autor: Ansicht der Ausführungsseite (Die langfristige SeThoch)

Zum Abschluss habe ich eine erstellt Berichte Seite. Es bietet eine Momentaufnahme Ihrer Zielerreichung. Das ist mein Lieblingsteil, weil er mir hilft zu sehen, ob ich meine täglichen, wöchentlichen und langfristigen Ziele erreicht habe. Wenn ein Tor zu spät kommt, zeigt das System dies deutlich an.

Vom Autor: Ansicht des BerichtsT Seite

---

Lassen Sie uns in den Code einsteigen

Schritt 1: Die Projektorganisationzation

Eine professionelle App braucht eine klare Struktur, damit die „Logik“ von der „Visuals“ getrennt ist. Erstellen Sie einen Ordner mit dem Namen vision_2026 mit dieser Struktur:

Von der AuThor

Schritt 2: Das Backend (Neon & Datenbank Aufstellen)

Erstellen Sie ein kostenloses Konto unter Neon.tech. Sobald Sie ein Projekt erstellt haben, rufen Sie Ihre Verbindungszeichenfolge ab und fügen Sie sie genau wie folgt in .streamlit/secrets and techniques.toml ein:

DATABASE_URL = "your_connection_string_here"

Vom Autor: So erstellen Sie ein Projekt auf Neon

Vom Autor: So rufen Sie Ihre Connecti abOn Zeichenfolge

Schritt 3: Bauen Sie Ihre Tische auf Neon

Führen Sie dies im Neon SQL Editor aus Skript um die fünf grundlegenden Tabellen zu erstellen:

• long_term_tracking: Führt monatliche, vierteljährliche und jährliche Aufzeichnungen über den strategischen Fortschritt.
• Benutzer: Bewahrt sichere Kontoinformationen auf.
• Ziele_Katalog: In dieser „Architekten“-Tabelle werden Zieltitel, Klassifizierungen und Häufigkeiten des Auftretens aufgeführt.
• daily_tracking: Speichert Daten zu allen täglichen Examine-ins mit hoher Frequenz
• wöchentliches_tracking: Protokolliert den Abschluss wöchentlicher Meilensteine ​​nach ISO-Wochen.

Vom Autor: So erstellen Sie Ihre Tabellene Datenbank

Schritt 4: Umgebungdet Einrichten

conda create -n vision_app python=3.9

conda activate vision_app

pip set up -r necessities.txt

Das Verbindungsskript (db_utils.py):

Dieses Skript ermöglicht es Python, über einen RealDictCursor mit Neon zu kommunizieren, wodurch die Datenverarbeitung sehr einfach wird.

Das „Gehirn“ (core_logic.py)

Dies ist der wichtigste Teil der Logik. Standardkalender sind chaotisch, daher verwenden wir die „Donnerstagregel“, um bei der Berechnung der Kennzahlen für unsere täglichen und wöchentlichen Ziele mathematisch genau zu bleiben.

Entwerfen von Visuals mit KI (ui_pages.py)

Sobald Ihre Datenbank und Logik bereit sind, müssen Sie sich nicht mehr mit der UI-Syntax herumschlagen. Ehrlich gesagt habe ich nicht die gesamte Benutzeroberfläche selbst programmiert. Ich habe eine Eingabeaufforderung verwendet, um das erste Modell zu generieren, und es dann an meine Bedürfnisse angepasst.

Der Orchestrator (app.py)

Diese Hauptdatei verwaltet die Zielseite und die Navigation. Streamlit hat sein eigenes Sitzungsstatus um Anmeldungen zu verwalten, was für eine App für den persönlichen Gebrauch oder ein MVP sehr hilfreich ist. Ohne komplexe Authentifizierungskonzepte zu beherrschen, können Sie eine Zielseite erstellen, auf der Benutzer ein Konto erstellen und sich anmelden können. Bedenken Sie jedoch, dass dieser Ansatz bei größeren Maßstäben seine eigenen Sicherheitsbeschränkungen hat.

Schritt 5: Die DBeschäftigung

Stellen Sie sicher, dass alle Ihre Dateien festgeschrieben und in ein GitHub-Repository übertragen werden.

Mit Stream verbindenles Wolke:

1. Melden Sie sich an share.streamlit.io mit Ihrem GitHub-Konto.
2. Klicken „NNeue App.“
3. Wählen Sie Ihr Repository, den Zweig und die Hauptdatei aus (app.py).

Die „Secrets and techniques“-Konfiguration: Dies ist der kritischste Schritt. Da solltest du niemals Laden Sie Ihre hoch secrets and techniques.toml Um die Datei an GitHub zu senden, müssen Sie diese Geheimnisse direkt an die Streamlit-Plattform weitergeben:

1. Gehen Sie in den Bereitstellungseinstellungen zu „Geheimnisse„ Abschnitt.
2. Fügen Sie Ihre ein DATABASE_URL genau so, wie es in Ihrer lokalen Geheimdatei erscheint.

Vom Autor: So kopieren Sie Ihre geheime Variable in die Streamlit-Cloud

Stellen Sie sicher, dass es auf einem Distant-Server ordnungsgemäß ausgeführt wird packages.txt (für Postgres-Verbindungen unter Linux) und necessities.txt befinden sich im Github-Repository.

Und das ist es! Wenn Sie Ihr eigenes Visible Board erstellen möchten, können Sie diese Schritte befolgen. Der gesamte Code ist hier verfügbar: https://github.com/sbendimerad/VisiOnBoard2026

Wenn Sie keine eigene Model bereitstellen möchten, können Sie gerne meine Dwell-Model hier verwenden: Imaginative and prescient Vorstand 2026

Damit die App auf einem Distant-Server ordnungsgemäß ausgeführt werden kann, müssen Sie sicherstellen, dass zwei bestimmte Dateien perfekt sind:

packages.txt: Dies ist für Postgres-Verbindungen unerlässlich. Streamlit Cloud läuft unter Linux und benötigt einen Treiber auf Systemebene, um mit Ihrer Datenbank zu kommunizieren.

necessities.txt: Dies teilt der Cloud mit, welche Python-Bibliotheken installiert werden sollen.

Und das ist alles Wenn Sie Ihr eigenes visuelles Board erstellen möchten, können Sie diesen Schritten folgen. Der gesamte Code ist hier: https://github.com/sbendimerad/VisionBoard2026

Falls Sie Ihre nicht bereitstellen möchten, können Sie die von mir bereitgestellte URL unbedingt hier kostenlos verwenden: Visionboard2026

Ich hoffe, diese App hilft Ihnen dabei, Ihre Ziele für 2026 festzulegen und zu verfolgen! Wenn Sie neue Funktionen hinzufügen möchten, zögern Sie nicht, das Projekt zu teilen.

Bitte beachten Sie, dass Streamlit und Python zwar perfekt für die Erstellung einer schnellen, funktionalen App geeignet sind, dies jedoch nicht unbedingt eine langfristige Lösung für eine umfassende Geschäftsanwendung ist. Für ein professionelles, stark frequentiertes Produkt benötigen Sie letztendlich eine dedizierte Entrance-Finish- und Again-Finish-Architektur.

Bleiben Sie in Verbindung

Wenn Ihnen dieser Artikel gefallen hat, folgen Sie mir gerne auf LinkedIn, um weitere ehrliche Einblicke in KI, Information Science und Karrieren zu erhalten.

LinkedIn: Sabrine Bendimerad

Medium: https://medium.com/@sabrine.bEndeimerad1

Instagram: https://tinyurl.com/datailearn

Massive Knowledge verändert die Branchen in allen Branchen und verändert Dachdeckung ist keine Ausnahme. Mit riesigen Datensätzen von Klimamutern, Materialleistung und anderen sind Auftragnehmer nun in der Lage, Dächer zu entwerfen und zu installieren, die widerstandsfähiger, effizienter und kostengünstiger sind.

Der Markt für Massive Knowledge Analytics allein im Bauwesen allein in der Konstruktion struggle 2023 8,4 Milliarden US -Greenback wert und wächst bis 2032 mit einer CAGR von über 11% und unterstreicht das Ausmaß, in dem datengesteuerte Entscheidungsfindung jetzt für die Schaffung der gebauten Umgebung von zentraler Bedeutung geworden ist.

Der größte Vorteil der Verwendung von Massive-Knowledge bei Dachbindungen ist wohl die Fähigkeit, eine langfristige Leistung auf der Grundlage lokalisierter Wetterbedingungen, der Raten von Materialverschleiß und den Aufzeichnungen zur Wartungsverlaufsakten vorherzusagen. Ein von Science Direkter chinesischer 2023 veröffentlichter Papier, der in Richtung der Massive Knowledge -gesteuerten Bauindustrie berechtigt ist, hatte eine zitierte Erklärung von 57% der Bauunternehmer aggressive Versuche unternehmen, Zugang zu ordnungsgemäßen Projekt- und Finanzinformationen zu haben – eine Messung des Aufwärtstrends für die Verwendung von Vorhersageanalysen und Stay -Informationen in den Projektplanungs- und Ausführungsphasen. In den Köpfen der Dachdecker entspricht dies zu besser fundierten Auswahlmöglichkeiten für Materialien, Planungsanlagen und Lebenszykluskostenschätzungen.

Außerdem, Massive Knowledge Ermöglicht erweiterte Modellierungssoftware, die strukturelle Lasten simulieren, die Isolierung optimieren und sogar erneuerbare Energiequellen wie Sonnenkollektoren in Dachungssystemen umfasst. Da der globale Markt für Massive Knowledge bis 2028 auf 401,2 Milliarden US -Greenback erweitert wird, werden diese Technologien weiter voranschreiten und zugänglicher werden. Da die Daten weiterhin intelligenteren Baupraktiken beeinflussen, können die Qualität und Langlebigkeit von Dachdeckungssystemen erhebliche Verbesserungen vornehmen.

Die heiße Sommersonne kann ein Picknick oder Barbecue behindern. Eine Pergola schützt vor ihren Strahlen – ein Lichtdach von Bögen, die durch Kreuzstangen verbunden sind. Die Strukturen werden sowohl freistehend als auch neben dem Haus hergestellt-sie werden als stationär bezeichnet.

Arten von Pergola mit Dach

Es stehen verschiedene Arten von Pergola -Dach zur Verfügung, die das Aussehen und die Nutzung Ihres Raumes verändern können:

1. Versenkbares Dach – Ermöglicht das Öffnen oder Schließen des Daches je nach Wetterbedingungen und ermöglicht die Nutzungsflexibilität.
2. Stoffdach – leicht und ästhetisch ansprechend, bietet einen mäßigen Sonnenschutz.
3. Lamellendach – bewegliche Paneele, mit denen Sie die Lichtmenge steuern können.
4. Festes Dach – hartes und widerstandsfähiges Dach mit absolutem Regenschutz.
5. Motorisiertes Dach – Zentral kontrollierte automatische Steuerung des Daches für maximale Komfort.

Vorteile einer Pergola mit Dach

Moderne Pergola -Systeme für Terrassen werden nicht nur als Dach von Sonne und Regen verwendet. Dank ihres nachdenklichen Designs ergänzen die Strukturen die Architektur des Gebäudes. Sie können auch verwendet werden, um den Erholungsbereich zu dekorieren, wenn wir über ein freistehendes Dach sprechen.

Pergolen helfen bei der Weltraumzonierung. Es ist möglich, eine separate Zone zu bezeichnen, ohne feste Barrieren zu errichten.

Manchmal werden Pergolen verwendet, um die Defekte eines Gebäudes oder eines Gebäudes zu maskieren. Die Struktur verbirgt Probleme hinter sich und erhöht die Ästhetik des gesamten Territoriums.

Pergolen sind aufgrund ihres einfachen und zuverlässigen Designs attraktiv. Sie sind einfach zu installieren, es gibt keine Probleme mit dem Abbau des Daches. Auf diese Weise können Sie das System entfernen und an einen anderen Ort verschieben.

Pergolen bestehen aus Materialien, die gegen externe Bedingungen resistent sind. Sie sind langlebig und korrodieren nicht. Spezielle Systeme, die gegen starke Windböen resistent sind, sind ebenfalls verfügbar.

Wählen Sie das richtige Dach für Ihre Pergola

Während der Auswahl a Pergola mit DachEs müssen einige Überlegungen vorgenommen werden. Das Dachmaterial sollte wetterfest und langlebig sein, dh wasserresistente Materialien oder Metall. Die Haltbarkeit wird mit UV- und Korrosionsbeständigkeit garantiert. Wetterwiderstand – Regen und Sonnenlicht müssen vom Dach ausgeschlossen werden. Und schließlich muss das Design des Daches so hübsch sein wie Ihr Garten oder das Erscheinungsbild Ihres Hofes im Allgemeinen.

Die Set up einer Pergola auf Ihrem Grundstück hilft dabei, Bereiche für Entspannung, Unterhaltung und Geschäftstreffen zu schaffen. Sie können Pergola -Kits auswählen, die auf einem Pfad, in einem Garten oder über einer Veranda installiert werden können – wählen Sie ein Design, das zu Ihrem Finances und Ihrem Lebensstil passt.

Massive Knowledge erleichtert es einfacher denn je, großartige Pergoladächer zu erstellen

Kurz gesagt, Massive Knowledge ist kein Bauton -Schlagwort – es ist ein tatsächliches Software, das die Artwork und Weise verwandelt, wie Dächer gebaut und repariert werden. Von der verbesserten Prognose bis hin zur nachhaltigeren materiellen Nutzung helfen datengesteuerte Ansätze, Dachungssysteme zu schaffen, die den Anforderungen der Gegenwart für Haltbarkeit, Effizienz und Leistung entsprechen.

Obwohl ein einfaches CBM-System einige solide Vorteile und Erkenntnisse bietet, sind fortschrittlichere Komponenten erforderlich, um den maximalen Nutzen aus einem CBM-System zu ziehen. Im Folgenden besprechen wir einige der wichtigsten Komponenten, wie z. B. Abwanderungsmodelle mit mehreren Zeithorizonten, das Hinzufügen von Preisoptimierungen, die Verwendung von simulationsbasierten Prognosen und das Hinzufügen von Preisdaten der Wettbewerber.

Mehrere Horizon Churn-Modelle

Manchmal ist es sinnvoll, die Abwanderung aus verschiedenen Perspektiven zu betrachten, und einer dieser Blickwinkel ist der Zeithorizont – oder Ergebniszeitraum –, den Sie dem Modell zulassen. Für einige Geschäftsszenarien ist es sinnvoll, ein Modell mit einem kurzen Ergebniszeitraum zu haben, während es für andere sinnvoll sein kann, ein Modell mit einem einjährigen Ergebniszeitraum zu haben.

Um dieses Konzept besser zu erklären, gehen wir davon aus, dass Sie ein Abwanderungsmodell mit einem Ergebniszeitraum von 10 Wochen erstellen. Dieses Modell kann dann verwendet werden, um vorherzusagen, ob ein bestimmter Kunde innerhalb eines Zeitraums von 10 Wochen abwandern wird. Gehen Sie jetzt jedoch davon aus, dass Sie ein bestimmtes Ereignis isoliert haben, von dem Sie wissen, dass es zu einer Abwanderung führt, und dass Ihnen nur noch ein kurzes Zeitfenster von vielleicht drei Wochen bleibt, um vorbeugende Maßnahmen umzusetzen. In diesem Fall ist es sinnvoll, ein Abwanderungsmodell mit einem Zeithorizont von drei Wochen zu trainieren, abhängig von dem spezifischen Ereignis, von dem Sie wissen, dass es die Abwanderung verursacht. Auf diese Weise können Sie Ihre Bindungsaktivitäten auf die Kunden konzentrieren, bei denen das Risiko einer Abwanderung am größten ist.

Dieser differenzierte Ansatz ermöglicht eine strategischere Zuweisung von Ressourcen und konzentriert sich auf wirkungsvolle Interventionen dort, wo sie am meisten benötigt werden. Durch die Anpassung des Zeithorizonts des Modells an bestimmte Situationen können Unternehmen ihre Bemühungen zur Kundenbindung optimieren, was letztendlich den Buyer Lifetime Worth verbessert und unnötige Abwanderung reduziert.

Preisoptimierung und Kundenpreiselastizität

Der Preis ist in vielen Fällen der letzte Teil der Strategieumsetzung, und die Gewinner sind diejenigen, die eine Strategie effektiv in ein effektives Preissystem umsetzen können. Genau das ermöglicht ein CBM-System mit Preisoptimierung Unternehmen. Während das Thema Preisoptimierung durchaus einen eigenen Artikel verdient, versuchen wir im Folgenden, die wichtigsten Ideen kurz zusammenzufassen.

Um loszulegen, müssen zunächst Daten zu historischen Preisen eingeholt werden. Vorzugsweise unterschiedliche Preisniveaus im Zeitverlauf und andere erklärende Variablen. Auf diese Weise können Sie eine Schätzung der Preiselastizität entwickeln. Sobald dies eingerichtet ist, können Sie erwartete Werte für die Abwanderung zu verschiedenen Preispunkten entwickeln und diese verwenden, um erwartete Werte für den Umsatz zu prognostizieren. Die Aggregation auf Kundenebene ergibt den erwarteten Wert und die erwartete Abwanderung auf Produktbasis und Sie können optimale Preise professional Produkt ermitteln. In komplexeren Fällen können Sie auch mehrere Kohorten professional Produkt haben, die jeweils ihre optimalen Preispunkte haben.

Angenommen, ein Unternehmen verfügt über zwei unterschiedliche Produkte, Produkt A und Produkt B. Für Produkt A möchte das Unternehmen seine Benutzerbasis vergrößern und ist nur bereit, eine bestimmte Abwanderungsmenge zu akzeptieren und gleichzeitig auf dem Markt wettbewerbsfähig zu sein. Für Produkt B sind sie jedoch bereit, eine gewisse Abwanderung in Kauf zu nehmen, als Gegenleistung dafür, dass der Preis im Verhältnis zu den erwarteten Einnahmen optimum ist. Ein CBM-System ermöglicht die Einführung einer solchen Strategie und gibt der Führung eine Prognose für die künftig erwarteten Einnahmen der Strategie.

Simulationsbasierte Prognose

Simulationsbasierte Prognosen bieten eine robustere Möglichkeit, Prognoseschätzungen zu erstellen, als nur Punktschätzungen auf der Grundlage erwarteter Werte durchzuführen. Durch den Einsatz von Methoden wie der Monte-Carlo-Simulation sind wir in der Lage, Wahrscheinlichkeitsdichten für Ergebnisse zu generieren und so Entscheidungsträgern Bandbreiten für unsere Vorhersagen an die Hand zu geben. Dies ist aussagekräftiger als nur Punktschätzungen, da wir die Unsicherheit quantifizieren können.

Um zu verstehen, wie simulationsbasierte Prognosen eingesetzt werden können, können wir dies anhand eines Beispiels veranschaulichen. Angenommen, wir haben 10 Kunden mit bestimmten Abwanderungswahrscheinlichkeiten und jeder dieser Kunden hat einen erwarteten Jahresumsatz. (In Wirklichkeit verfügen wir normalerweise über eine multivariate Abwanderungsfunktion, die die Abwanderung jedes einzelnen Kunden vorhersagt.) Der Einfachheit halber gehen wir davon aus, dass wir am Ende keinen Umsatz erzielen, wenn der Kunde abwandert, und wenn er nicht abwandert, behalten wir den gesamten Umsatz. Wir können Python verwenden, um dieses Beispiel konkret zu machen:

import random
# Set the seed for reproducibility
random.seed(42)
# Generate the lists once more with the required modifications
churn_rates = (spherical(random.uniform(0.4, 0.8), 2) for _ in vary(10))
yearly_revenue = (random.randint(1000, 4000) for _ in vary(10))
churn_rates, yearly_revenue

Dies gibt uns die folgenden Werte für churn_rates Und yearly_revenue:

churn_rates: (0.66, 0.41, 0.51, 0.49, 0.69, 0.67, 0.76, 0.43, 0.57, 0.41)
yearly_revenue: (1895, 1952, 3069, 3465, 1108, 3298, 1814, 3932, 3661, 3872)

Anhand der oben genannten Zahlen und unter der Annahme, dass die Abwanderungsereignisse unabhängig sind, können wir leicht die durchschnittliche Abwanderungsrate und auch den erwarteten Gesamtumsatz berechnen.

# Calculate the entire anticipated income utilizing (1 - churn_rate) * yearly_revenue for every buyer
adjusted_revenue = ((1 - churn_rate) * income for churn_rate, income in zip(churn_rates, yearly_revenue))
total_adjusted_revenue = sum(adjusted_revenue)
# Recalculate the anticipated common churn fee primarily based on the unique information
average_churn_rate = sum(churn_rates) / len(churn_rates)
average_churn_rate, total_adjusted_revenue

Mit den folgenden Zahlen für average_churn_rate Und total_adjusted_revenue:

average_churn_rate:0.56, 
total_adjusted_revenue: 13034.07

Wir können additionally mit einer Abwanderungsrate von etwa 56 % und einem Gesamtumsatz von 13.034 rechnen, aber das sagt uns nichts über die Variation, die wir erwarten können. Um ein tieferes Verständnis der Bandbreite möglicher Ergebnisse zu erhalten, wenden wir uns der Monte-Carlo-Simulation zu. Anstatt den erwarteten Wert der Abwanderungsrate und des Gesamtumsatzes zu nehmen, lassen wir die State of affairs stattdessen 10.000 Mal ablaufen (10.000 wird hier willkürlich gewählt; die Zahl sollte so gewählt werden, dass die gewünschte Granularität der resultierenden Verteilung erreicht wird) und für Bei jeder Instanz der Simulation kommt es zu einer Wahrscheinlichkeit, dass Kunden abwandern churn_rate oder sie bleiben bei der Wahrscheinlichkeit 1- churn_rate.

import pandas as pd
simulations = pd.DataFrame({
'churn_rate': churn_rates * 10000,
'yearly_revenue': yearly_revenue * 10000
})
# Add a column with random numbers between 0 and 1
simulations('random_number') = (
(random.uniform(0, 1) for _ in vary(len(simulations))))
# Add a column 'not_churned' and set it to 1, then replace it to 0 primarily based on the random quantity
simulations('not_churned') = (
simulations('random_number') >= simulations('churn_rate')).astype(int)
# Add an 'iteration' column ranging from 1 to 10000
simulations('iteration') = (simulations.index // 10) + 1

Dies ergibt eine Tabelle wie die folgende:

Wir können unsere Ergebnisse mit dem folgenden Code zusammenfassen:

# Group by 'iteration' and calculate the required values
abstract = simulations.groupby('iteration').agg(
total_revenue=('yearly_revenue', 
lambda x: sum(x * simulations.loc(x.index, 'not_churned'))),
total_churners=('not_churned', lambda x: 10 - sum(x))
).reset_index()

Und schließlich planen wir dies mit plotly Erträge:

Die obigen Grafiken erzählen eine viel umfassendere Geschichte als die beiden Punktschätzungen von 0,56 und 13034, mit denen wir begonnen haben. Wir verstehen jetzt viel mehr über die möglichen Ergebnisse, die wir erwarten können, und können eine fundierte Diskussion darüber führen, welche Abwanderungs- und Umsatzniveaus wir für akzeptabel halten.

Um mit dem obigen Beispiel fortzufahren, könnten wir beispielsweise sagen, dass wir nur bereit wären, eine Wahrscheinlichkeit von 0,1 % für 8 oder mehr Abwanderungsereignisse zu akzeptieren. Mithilfe individueller Preiselastizitäten der Kunden und simulationsbasierter Prognosen konnten wir die Erwartungen optimieren churn_rates für die Kunden, damit wir genau dieses Ergebnis erreichen konnten. Eine solche Kundenstammkontrolle ist nur mit einem fortschrittlichen CBM-System möglich.

Die Bedeutung der Wettbewerbspreise

Einer der wichtigsten Faktoren bei der Preisgestaltung ist der Wettbewerbspreis. Wie aggressiv die Wettbewerber sind, bestimmt in hohem Maße, wie flexibel ein Unternehmen bei der eigenen Preisgestaltung sein kann. Dies gilt insbesondere für standardisierte Unternehmen wie Versorgungsunternehmen oder Telekommunikationsunternehmen, bei denen es für Anbieter schwierig ist, sich zu differenzieren. Doch trotz der Bedeutung der Preisgestaltung der Konkurrenz entscheiden sich viele Unternehmen dafür, diese Daten nicht in ihre eigenen Preisoptimierungsalgorithmen zu integrieren.

Die Gründe dafür, die Preisgestaltung der Konkurrenz nicht in Preisalgorithmen einzubeziehen, sind vielfältig. Einige Unternehmen behaupten, dass es zu schwierig und zeitaufwändig sei, die Daten zu sammeln, und selbst wenn sie jetzt beginnen würden, hätten sie immer noch nicht die gesamte Historie, die sie zum Trainieren aller Preiselastizitätsmodelle benötigen. Andere sagen, dass die Preise von Konkurrenzprodukten nicht direkt mit ihren eigenen vergleichbar seien und dass es schwierig sei, sie zu erheben. Schließlich behaupten die meisten Unternehmen auch, dass sie über Preismanager verfügen, die den Markt manuell überwachen und bei Bewegungen der Wettbewerber ihre eigenen Preise entsprechend anpassen können, sodass sie diese Daten nicht in ihren Algorithmen haben müssen.

Das erste Argument kann zunehmend durch gutes Internet Scraping und andere Methoden zur Informationsbeschaffung entschärft werden. Wenn das nicht reicht, gibt es manchmal auch Agenturen, die historische Marktdaten zu Preisen für verschiedene Branchen und Sektoren bereitstellen können. Was das zweite Argument betrifft, dass es keine vergleichbaren Produkte gibt, kann man auch Techniken des maschinellen Lernens nutzen, um die tatsächlichen Kosten einzelner Produktkomponenten herauszufinden. Eine andere Methode besteht auch darin, verschiedene Benutzerpersönlichkeiten zu verwenden, mit denen die monatlichen Gesamtkosten einer bestimmten Produktgruppe oder eines bestimmten Produkts geschätzt werden können.

Letztlich führt die Nichteinbeziehung der Wettbewerbspreise dazu, dass die Preisalgorithmen und Optimierungsmaschinen im Nachteil sind. In Branchen, in denen Preisrechner und Vergleichsseiten es den Kunden immer einfacher machen, sich einen Überblick über den Markt zu verschaffen, laufen Unternehmen Gefahr, preislich von fortschrittlicheren Wettbewerbern überholt zu werden.