야심 찬 결과로 시작하십시오.

내년에 5 %의 추가 점유율을 달성하고 싶다고 가정 해 봅시다. 첫째, 야심 찬 결과를 정의하십시오. 이 경우 5 % 더 많은 점유율을 차지합니다. 행동 심리학은 목표를 달성하기 위해보다 창의적으로 생각하도록 마음을 속이기 때문에 목표를 긍정적으로 재구성하는 것이 중요하다고 말합니다.

이 예제에서는 인도네시아에서 유통망을 확장하여 점유율을 늘리고 싶다고 가정해 보겠습니다. 인도네시아는 지리적으로 17,000 개의 섬이있는 매우 분열 된 국가이며 교통은 어려운 일입니다. 이를 달성하기 위해 목표는 가능한 한 가장 낮은 비용으로 시장의 50 %에서 80 %까지 도달하는 것입니다.

결과를 더 작은 작업 집합으로 나눕니다.

이것은 큰 야심 찬 결과를 더 작은 관리 가능한 세트로 나누고 싶기 때문에 중요합니다. 또한 데이터를 "상호 배타적 집합적으로 철저한"세트에 넣는 데 도움이됩니다. 이를 통해 여러 하위 목표로 나누고 프로세스를 빠르게 추적하는 데 도움이됩니다. 이 예제에서는 결과를 세 가지 작업 집합으로 나눴습니다.

1. 유통업체 설정이 필요한 고밀도 지역
2. 하위 배포자 설정이 필요한 흩어져있는 지역
3. 인구 클러스터 증가

데이터 세트 탐색 및 분석 실행

이것은 과정의 큰 부분입니다. 먼저 데이터 원본을 탐색하고 사용 가능한 항목과 그렇지 않은 항목(그러나 필수)을 나열하는 것으로 시작합니다. 이 예제에서는 Nielsen 소매 인구 조사 및 소매 패널 데이터를 매장 크기, 매장 판매, 매장 위치 좌표 등과 같은 다양한 기능으로 사용할 수 있습니다. 그런 다음이 두 데이터 세트를 통합하여 여러 가지 의미있는 기능에 도달 할 수 있습니다.

그러나 우리는 또한 데이터 세트가 부족한 곳을 인식합니다. 이 경우 소매 범위 밖에 상당한 영역이 있음을 알 수 있습니다. 결과적으로 우리는 인구, 번영을 나타낼 수있는 은행 수 및 기타 데이터와 같은 특정 유형의 정보가 없을 수 있습니다. 따라서 우리는 이러한 특징을 얻기 위해 인구 조사와 같은 다른 출처를 식별해야합니다.

그런 다음 이러한 데이터 세트가 융합되어 각 영역/지역에 대한 기회를 식별하는 다중 회귀 모델을 통해 실행됩니다.

예측의 정확성을 보장하기 위해 몇 번의 반복이 필요할 수 있습니다. 마지막으로 이 데이터를 클라이언트 또는 자사 배포 데이터와 병합할 수 있습니다.

결과를 결과에 연결

마지막 단계는 작업 집합의 모든 결과를 함께 묶는 것입니다.

이 예제에서는 이 데이터를 사용하여 가장 많은 기회를 제공하는 영역/블록 클러스터를 그릴 수 있으며, 기존 배포 네트워크에서 반경이 약간 증가하고 성장하는 클러스터에 몇 개의 하위 배포자를 설정하여 현실적으로 지원할 수 있습니다.

이 예제에서는 여러 데이터 세트를 결합하여 크고 야심찬 목표에 대한 명확한 솔루션을 설명하는 간단한 솔루션을 제공할 수 있습니다. 이는 문제 진술로 시작하는 것이 항상 돈을 지불하는 것이 아니라 긍정적 인 야심 찬 목표라는 것을 보여줍니다.

따라서 다음에 새로운 프로젝트를 시작할 때이 프로세스에 기회를주고 야심 찬 목표와 창조적 인 사고로 시작하십시오.