Ученый НИУ ВШЭ – Санкт-Петербург победил в конкурсе РНФ
Доцент департамента менеджмента Евгений Антипов получил грант Президентской программы Российского научного фонда, направленной на поддержку молодых ученых.
Российский научный фонд объявил победителей конкурса "Проведение инициативных проектов молодыми учеными" Президентской программы исследовательских проектов 2018 года. Конкурс был направлен на поддержку молодых людей в возрасте до 33 лет, защитивших кандидатские диссертации. На реализацию проекта фонд выделяет полтора миллиона рублей в год.
В кампусе победителем конкурса стал доцент департамента менеджмента Санкт-Петербургской школы экономики и менеджмента Евгений Антипов. С 2018 по 2020 год Евгений Александрович будет работать над проектом "Разработка математических моделей планирования и прогнозирования спроса на ассортимент предприятий розничной торговли на основе усовершенствованных ансамблей методов машинного обучения для оптимизации использования ценовых и неценовых инструментов стимулирования спроса с учетом сложности паттернов продуктовой субституции и комплементарности и высокой размерности пространства детерминант спроса".
Доцент департамента менеджмента
"Тема поддержанного Российским Научным Фондом исследования (укороченный вариант которой может звучать как "Разработка математических моделей планирования и прогнозирования спроса на ассортимент предприятий розничной торговли") связана с предсказанием спроса на какой-либо товар в каком-либо магазине в определенный момент времени. Умение предсказывать спрос при различной цене и различной промо-активности позволит назначать оптимальную цену и завозить в магазин нужное количество товара, а также оценивать прирост от каких-то специальных промо-акций за счет сравнения фактических продаж с предсказанными продажами (при условии отсутствия такой промо-акции). Задача осложняется тем, что на продажи влияет множество факторов. В своей работе я учту больше факторов, чем это делалось в традиционных моделях, публиковавшихся в научной литературе по маркетингу: цены не только самого товара, но множества товаров-заменителей и дополняющих товаров, наличие промо-акции на товар, наличие промо-акции на товары-конкуренты, то, насколько давно была предыдущая промо-акция и множество других факторов. Традиционные методы регрессионного анализа не позволяют работать с таким большим количеством факторов, и на помощь придут методы машинного обучения, для некоторых из которых такое большое число объясняющих переменных – не помеха.
Анализ будет проводиться для примера на данных одной крупной североамериканской розничной сети, однако, поскольку работа носит методологический характер, все использованные подходы и методики будут применимы в розничной торговле в любой точке мира. Анализ позволит выявить, какие группы факторов сильнее влияют на продажи, как промо-акции на один товар снижают продажи другого товара, и какой график промо-мероприятий позволит максимизировать общую прибыль магазина".