Analýza zákaznických preferencí za účelem optimalizace nákupu vstupních surovin pro zajištění kávového cateringu

From Simulace.info
Jump to: navigation, search


Zadání práce

Název simulace: Catering

Autor: Kraj12 (talk) 17:17, 15 June 2020 (CET)

Typ modelu: Diskrétní simulace

Modelovací nástroj: Microsoft Excel

Definice problému

Společnost Kafe Entropie [1] zajišťuje kávový catering pro společenské události, jako jsou svatby, vernisáže, konference ad. Na každé akci se vyskytuje určité předem známé množství lidí, potenciálních zákazníků, a Ti si mohou objednat jakýkoli z řady nabízených kávových nápojů. Cílem je uspokojit poptávku a současně dosáhnout co nejměnšího přebytku vstupních surovin, které rychle podléhají skáze a přezásobení tedy snižuje výnosnost podniku.

Vytvořit funkční model, který určí potřebný objem nákupu vstupních surovin, který bude současně optimální. Tím dojde k výraznému snížení zátěže při přípravě, kdy i přes praktické zkušenosti dochází k odchylkám, neboť nikdo nechce procházet tisíce řádků se záznamy o objednávkách, a tak dochází k posouzení četnosti objednávek spíše podle vlastních chutí. Zákazníci si mají možnost objednat z následujícího seznamu nápojů. Pro každý z nich je uveden i objem vstupních surovin.


Tvorba modelu

Model můžeme dle Molnára [2] definovat jako „účelové zjednodušení skutečnosti, kdy jsou za účelem zvládnutelnosti opominuty méně důležité detaily reality.“ Cílem modelu tedy není zachytit všechny aspekty reality, ale pouze ty, které mají na systém podstatný vliv.

Metoda

Model bude zpracován v rámci programu Microsoft Excel. Vstupem modelu bude nahlášený počet účastníků události a výstupem doporučený objem vstupních surovin. Významnou součástí bude analýza dostupných dat o objednávkách z již uskutečněných akcí, na základě které bude stanovena predikce objednávek budoucích.

Analýza existujících dat

Data byla získána exportem do csv souboru [3] z pokladní systému Storyous [4], který zaznamenává jednotlivé transakce a umožňuje přímo získat souhrnné přehledy o nich. Pro každou akci tedy byl vyexportován přehled o prodaných produktech, který byl doplněn o informaci o počtu účastníků a délku trvání akce. Data reprezentují 5 provedených akcích, které se konaly v roce 2019.

ID akce Počet účastníků Dodatečné informace
1 700 skautský festival
2 500 školení obchodních zástupců
3 600 výstava skautského umění
4 550 IT konference
5 600 skautský festival

Prvním krokem byla příprava dat k analýze. Jelikož se model zabývá pouze kávovými nápoji, bylo nejdříve nutné očistit data o prodeje zákusků a dalších produktů. Výsledkem byla informace o počtu prodaných káv pro každý druh nápoje na jednotlivých akcích. Data byla zanesena do tabulky pro lepší přehlednost.

Nápoj/ID akce 1 2 3 4 5
espresso 65 102 53 94 56
double espresso 21 48 25 46 21
americano 78 88 59 98 39
cappuccino 107 88 53 93 75
flat white 45 90 29 51 28
caffé latté 127 164 65 116 105
macchiato 20 18 8 19 5
batch brew 45 50 26 29 39

Následně bylo přikročeno k samotné analýze. Ta se skládá z několika částí. Předmětem zájmu je zaprvé pravděpodobnostní rozdělení objednávek jednotlivých kávových nápojů a zadruhé vztah mezi počtem účastníků akce, délkou jejího trvání a absolutním počtem prodaných kávových nápojů.

Byl stanoven předpoklad, že rozložení objednávaných nápojů na jednotlivých akcích bude přibližně stejné. Aby byl odstraněn efekt počtu účastníků, konkrétní počty prodaných nápojů bylo nutné převést na poměry mezi nimi na každé akci. Z těchto hodnot byla následně vypočítána střední hodnota a standardní odchylka. Získané parametry pak budou použity při generování očekávaných prodejů v rámci modelu.

Dalším předpokladem je, že počet objednávek bude úměrný počtu účastníků akce a délce jejího trvání. Zde se však ukázalo, že průměrný počet objednávek na osobu se velice liší, a to i velmi výrazně, jako např. mezi školením obchodních zástupců a výstavou skautského umění. Předpoklad se tedy nenaplnil.

ID akce 1 2 3 4 5
Počet káv na osobu 0,726 1,296 0,530 1,029 0,652

V rámci modelu budou dále použity pravděpodobnosti pro jednotlivé kávové nápoje. Pro každý z nich byla nalezena střední hodnota a standardní odchylka. Analýzou bylo dojito k závěru, že počty objednávek kávových nápojů mají logaritmicko-normální rozdělení, jelikož hodnoty jsou jednak jednostranně ohraničené a náhodný proces je tvořen součinem různých nezávislých vlivů, kdy každý vliv má malý příspěvek k celkové hodnotě pravděpodobnosti [5]. Vhodnou transformací je možné převést hodnoty střední hodnoty a směrodatné odchylky na µ a σ2.

Nápoj střední hodnota směrodatná odchylka µ σ2
espresso 0,093333333 0,048186381 -2,489725424 0,060217039
double espresso 0,041666667 0,027122933 -3,354696174 0,045015409
americano 0,111428571 0,035879173 -2,243696179 0,158839893
cappuccino 0,152857143 0,032176319 -1,899929666 0,143111678
flat white 0,064285714 0,049634353 -2,978206584 0,071119306
caffé latté 0,181428571 0,071934677 -1,779896881 0,184160716
macchiato 0,028571429 0,011271238 -3,627668715 0,016783709
batch brew 0,065 0,020028991 -2,778722005 0,073896824


Model

K tvorbě modelu bylo využito informací o zákaznických preferencích výběru kávových nápojů spojených s pravděpodobností, že účastník vůbec uskutečnění objednávku kávy. Tato data byla použita jako vstup pro výpočet náhodné hodnoty pro každý zaznamenaný druh nápoje zvlášť. Výsledkem tohoto výpočtu je tedy očekávaný počet objednávek každého z nabízených kávových nápojů.

Protože by však výpočet pouze jediné náhodné hodnoty z logaritmicko-normálního rozdělení s ohledem na odchylky nestačil k určení očekávané skladby objednávek s dostatečnou přesností, je nutné tento výpočet opakovat, a tím prakticky simulovat konání velkého množství akcí s danými parametry (počet účastníků a délka trvání akce). K tomuto účelu je použito techniky simulace Monte Carlo [6], která je realizována přímo v programu Microsoft Excel pomocí funkce Tabulka dat [7]. Simulace pro každý kávový nápoje je pro zajištění maximální konzistence provedena 25 000 krát.

Vedle počtu účastníků a délky trvání akce je možné do výpočtu modelu doplnit i další údaje, které umožní přímo odhadnout profitabilitu podniku.

  • Oblusha [čl.]
  • Mzdy [Kč/h]
  • Amortizace [Kč/h]
  • Káva [Kč/g]
  • Mléko [Kč/l]
  • Voda [Kč/l]
  • Doprava [Kč]
  • Prodejní ceny nápojů [Kč]

Pro dobrý uživatelský prožitek je model doplněn o jednoduché uživatelské rozhraní vytvořené přímo v programu Microsoft Excel. To umožňuje zadání všech stupních proměnných a po provedení výpočtu i následné odečtení proměnných výstupních.

Uživatelské rozhraní modelu Catering

Nejdůležitějšími výstupními proměnnými modelu jsou odhady množství spotřebované kávy, mléka a vody tak, aby se cateringový tým mohl dostatečně zásobit a zároveň došlo k minimálním ztrátám způsobeným přezásobením akce.

Použití a výsledky

Model byl otestován na zadáních shodných s akcemi, které byly použity jako základní statistický soubor pro odhad parametrů modelu. Dle očekávání model produkuje výsledky, které se dostatečně blíží skutečným prodejům na zmíněných akcích. Podobně pro stejná zadání stabilně produkuje srovnatelné výsledky.

V praxi bude model otestován při nejbližším možném termínu, a to na cateringu v rámci svatební hostiny. Akce se poměrně vymyká základnímu statistickému souboru, jednak svojí velikostí a jednak i zaměřením. S ohledem na různorodost základního souboru však lze předpokládat dobrý výsledek. Pro zmíněnou akci nalezl model následující řešení.

Surovina Objem
Káva 3 692g
Mléko 22,45l
Voda 18,77l

Porovnání můžeme provést ihned, a to s expertním odhadem tak, jak by byl proveden, pokud by model nebyl k dispozici. Za takovýchto okolností by za stejných vstupních předpokladů byl učiněn následující odborný odhad.

Surovina Objem
Káva 4 500g
Mléko 25l
Voda 30l


Závěr

Sestavený model nalezne praktické využití při plánování kávového cateringu a má tedy potenciál značně zjednodušit práci členů týmu Kafe Entropie. Jednou z největších výhod může být odvedení nezáživné práce a z toho vyplývající možnost zaměření se na to, co tým skutečně baví – dělat lidem radost kávou. Vedle ušetřeného času lze očekávat i zvýšenou přesnost, neboť model více odráží skutečné zákaznické preference, spíše než chuťové preference členů týmu. Ze zvýšené přesnosti pak plynou potenciální ekonomické výhody, neboť kvůli vysoké ceně a krátké životnosti vstupních surovin docházelo v minulosti ke snižování ziskovosti podniku.

Další zdokonalení modelu by mohlo spočívat v jeho nasazení a následném porovnávání odhadované spotřeby a skutečné spotřeby. Podobně je zde prostor pro větší soubor základních dat, který by umožnil zpřesnit predikci spotřeby. Ze zkušenosti je taktéž dobře známo, že objem vydaných objednávek se liší dle denní doby a přímo z dat jsou patrné i odlišnosti mezi různými typy akcí, a to zejména co se celkového objemu objednávek týče. Pro zohlednění těchto vstupů by však bylo nutné nasazení jiných analytických nástrojů, neboť současný pokladní systém, zdá se, neumožňuje dostatečně podrobné exporty.

V případě, že se model osvědčí, bude stejným způsobem možné sledovat i spotřebu dalších pochutin, jako jsou zákusky a svačiny. K zahrnutí odhadů pro ně je však nutné nejprve nasbírat dostatečné množství dat.

V případě, že by se měl model používat častěji, bude muset dojít k optimalizaci počtu simulovaných průběhů, neboť při současném nastavení může na pomalejších strojích délka simulace dosáhnout i několika minut. Lze předpokládat, že k dosažení dostatečně konzistentních výsledků by dostačoval i zlomkový počet simulací.

Model bude podroben hodnocení na základě reálných dat z následujících akcí. Dle dosud dostupných dat se však zdá, že produkuje dobré a konzistentní výsledky.


Reference

  1. Komorní sbor Entropie, z.s.. Kafe Entropie. [online]. 2019 [cit. 2020-05-29]. Dostupné z: https://kafeentropie.cz
  2. Molnár, Z. (2012). Pokročilé metody vědecké práce. Zelenec: Profess Consulting.
  3. Shafranovich, Y. (2005). Common Format and MIME Type for Comma-Separated Values (CSV) Files. RFC Editor. https://doi.org/10.17487/rfc4180
  4. Storyous. Storyous. [online]. 2020 [cit. 2020-06-15]. Dostupné z: https://storyous.com/cz/
  5. Růžička, M. Statistické metody vyhodnocování dat. [online]. 2018 [cit. 2020-06-14]. Dostupné z: http://www.kmp.tul.cz/system/files/duz_2018_5_ru.pdf
  6. Kroese, D. P., Brereton, T., Taimre, T., & Botev, Z. I. Why the Monte Carlo method is so important today. (2014). Wiley Interdisciplinary Reviews: Computational Statistics, 6(6), 386–392. https://doi.org/10.1002/wics.1314
  7. Microsoft. Výpočet více výsledků pomocí tabulky dat. [online]. 2020 [cit. 2020-06-15]. Dostupné z: https://support.office.com/cs-cz/article/v%C3%BDpo%C4%8Det-v%C3%ADce-v%C3%BDsledk%C5%AF-pomoc%C3%AD-tabulky-dat-e95e2487-6ca6-4413-ad12-77542a5ea50b


Přílohy

File:Model catering.xlsx