v191226

如您所知，OpenHealth为您提供了根据推断数据处理HUB的功能。

具体来说，每天我们从超过一半的药房收到销售，这是我们的药房小组，我们对不在我们小组中的药房的销售进行建模。

这使我们能够为您提供法国领土上国家销售的外推视图。

部门销售是指比国家销售更精细的地理范围内的销售。例如，从您的部门划分中删除。

为了计算销售部门，OpenHealth进行了全国销售区域的重新分配 。因此，如果我的国民销售额为100，我将按照部门的基本规则，即部门的总和必须为国民，即100，在部门上重新分配这100个销售单位。

将国家销售重新分配给该行业使得可以通过更具体地针对该行业来克服地理因素（您的网络或定位不再依赖于UGA，因为并非UGA中的所有药房都具有相同的潜力）。这也使您可以跟踪同一部门的2个不同网络，或者按照药房类型进行跟踪。

可以将销售额推算到药店，然后添加药店来制造部门。

但是，此方法不如从全国范围内重新分配销售并将其重新分配给该部门那样精确。

原因如下：

当我推断到药房时，我的误差幅度（='不确定性'）相对较高。确实，我们可以很好地将单个药房的非典型性（例如：非常高效的销售人员，药房旁的医生办公室等）单独使用。另一方面，如果我推断出一组100个药房，则我的误差幅度会更低。在1000家药店中甚至更低，在全国药店中甚至更低。因此，存在一个统计规则，该规则包括通过首先将国民推算并重新分配给各个部门，而不是首先将推算给药房并将药店加在一起来最大程度地减少错误幅度。

我们使用重新分配系数。简而言之，系数是国民销售对该行业的贡献的百分比。因此，部门A代表全国销售额的1％（=系数），所以我得出1％* 100 = 1

我们实际上使用2个重新分配系数：

想象一下，我想计算法兰西岛地区属于食品补充剂市场的产品A的销售额。

首先，我将使用面板中的药房推断产品的全国销售量，例如100个销售单位。

然后，我将把这100个销售单位分配到各个领域，包括法兰西岛。

为此，我将计算产品系数 ，该系数将从法兰西药房的A销售额中减去法兰西岛的A销售额。假设乘积系数为3％。

我将仍然从面板中计算第二个系数，即市场系数 ，但这将考虑食品补充剂市场。假设市场系数为3.3％。

现在，我将能够推断出法兰西岛A的销量，其中将考虑到我的两个系数产品和市场 ，3％和3.3％。

想象一下，试图重建一个低实验室的销售 DNV （例如Aragan）在较小的区域，例如：里摩日。

让我们假设里摩日有60家药房，我们的专家组有45家（即75％的覆盖率）。

不幸的是，阿拉根（Aragan）在里摩日（Limoges）只有2家销售药房，并且不在面板中。 （=它们是我们不覆盖的15家药房的一部分）。

产品系数将为我们在利摩日的Aragan带来0笔销售。

但是市场系数会告诉我，利摩日是食品补给中的重要城市，并且从统计上讲，有Aragan销售。

因此，我的产品系数为0，但是我的市场系数为5％。

因此，具有两个系数产品和市场

的优点是可以更好地表示低数字分布产品的销售情况销售可提高产品在发布中的地理覆盖范围的准确性，并考虑到价格变化并具有每日和每周数据的更精细的时间粒度。

A 产品A的IPR （产品集成） 包括将产品添加到市场。

国内 ，此添加对其他产品的销售没有影响。

另一方面，此添加项可能会修改部门级别上其他产品的销售分配。

实际上，产品A的RPI不会修改其他产品B，C，D等的产品系数 。另一方面，它将略微修改市场系数 ，因为市场定义已通过在我的市场中引入产品A而被修改。

这解释了为什么产品B，C，D，E的销售将在部门层面以略有不同的方式进行重新分配，从而使市场份额在边际上发展。

这也适用于 MAM （模态分配修改） ，甚至是 的请求停用

是的，有几种可能。

首先是仅使用产品系数 ，而不使用市场系数 。但是，这将导致DNV低的产品部门销售的恢复精度降低。

第二种可能性，我们认为是最佳实践， 是使用卖出价格覆盖市场系数。
售票员用于识别非典型客户，非典型地理分布以及非典型变化（向上或向下）。

需要了解的限制：

由于销售门槛太低和/或部门细分非常好（例如微型部门），当我们分析时，部门的总和可能不等于国家部门整个数字。

例如 ：在给定的月份中，将某产品售出10盒售给国民，再分配给100个行业。