Оптимизация на стратегиите е ключов процес, който може да доведе до съществен ръст при ритейл и ютилити компании. Обикновено, оптимизирането на стратегии се прилага в управлението на кампании – така бизнесите и организациите могат по-добре да общуват със своите клиенти и потребители. Най-популярните цели при оптимизирането на стратегии са увеличение на приходите, популярността или клиентската лоялност, намаляване на риска и т.н. Оптимизацията на множество стратегии също е възможен вариант, доколкото понякога data analytics експертите трябва да постигнат баланс между взаимно изключващи се цели, като например постигане на оптимален баланс между печалби и загуби.
Огромното количество данни, което бизнесът генерира днес може да се използва за оптимизиране на стратегиите. Полезната информация, която може да се извлече от данните е връзката между клиентските резултати (представени от серия зависими променливи) и броя индивидуални характеристики (фактори/независими променливи).
Примери за зависими променливи са склонността на потребителя да направи дадена покупка, осъществяване на плащане в рамките на даден период и други аспекти на клиентското поведение. Факторите, които могат да се използват за неговото прогнозиране са възраст, доходи, семеен статус, начин на живот, както и исторически данни за неговото поведение назад във времето като плащане на данъци, кредити, макроикономически фактори и т.н.
В ритейл индустрията е важно да се прогнозира потребителското търсене. Променливите, които предлагат информация за търсенето са продажбите, които в случая са зависими променливи. Независимите променливи в този случай са цена на продукта, отстъпки, реклама, тип промоция, излагане на продукта и т.н.
Сложността при оптимизирането на стратегии нараства с броя на възможните действия, които могат да са част от кампания, както и количеството на възможните интеракции с потребителя. Когато клиентите са фокус в оптимизирането на стратегиите, възможните действия са промоционални оферти, които биха ги стимулирали да направят поръчка. Когато обект са продуктите, действията, които могат да се предприемат са гореспоменатите фактори като цена, отстъпка и т.н. елементи, които биха стимулирали клиентите да направят покупка.
Първичната сегментация улеснява оптимизацията на стратегиите и често използван подход в маркетинга. Нейният основен минус се състои в това, че сегментацията води до генерализация, която пък намалява точността при определянето на следващите най-добри и ефективни действия.
Друг подход е прилагането на оптимизация на ниво клиент, домакинство или продукт. Тук, броят на параметрите може да се увеличи драстично. Например, истински проблеми се свързват с данни за милиони клиенти и хиляди оферти.
За да се реши този казус, могат да се приложат отделни оптимизационни подходи. Идеята тук е крайният проблем да бъде представен като сет от относително независими едни от други подпроблеми. Всеки подпроблем се свързва с даден клиент и измерва зависимостта при различни действия. Тези подпроблеми могат да бъдат решавани един по един, което в крайна сметка да доведе до решение на основната оптимизационна задача.
Относително нов подход е и оптимизацията на стратегии в реално време. Клиентите от последната седмица, ден или дори от по-кратък времеви период могат да бъдат използвани за обновяване на стратегията. Тук, рекурсивните оценители могат да бъдат използвани за обновяване на връзките между зависими и независими проблеми. Тази връзка (модел) е полезна за оптимизацията на стратегиите информация.
Обсъдените по-горе подходи към оптимизация на стратегиите може да бъде сведена до линейна оптимизационна задача, наричана още линейно програмиране. Това е процесът на намиране на оптималната стойност на субект на линейната функция до линейно уравнение и/или ограничения за неравенство. Областта от допустими решения (ако съществува) е изпъкнал многостен в пространството на параметрите. В случая на ограничения от тип неравенство тази област е сечение от подпространствата дефинирани от тези неравенства. От всички точки на многостена методите за линейна оптимизация намират точка, за която целевата функция е оптимална. Тъй като тази точка се намира в пространството на параметрите нейните координати са именно оптималните стойности на търсените параметри.
