Vendedores de paseo en el tiempo

Contenidos

Resolver el problema del vendedor viajero
Solucionador de vendedores ambulantes en línea
Problema del viajante de comercio python
Np-duro

Resolver el problema del vendedor viajero

¿Qué es el tiempo de viaje de las ventas B2B? Lo veremos en el contexto del tiempo hasta la decisión, no del cierre, sino de la línea de tiempo del comprador, la decisión. En cualquier mercado, hay personas que están activamente en medio de una decisión, los llamamos compradores. Otro grupo, al que llamaremos clientes potenciales, sabe que debe tomar una decisión de compra, por ejemplo, sobre la compra de nuevos equipos de producción. El equipo no se necesita hasta el año que viene; su interés y compromiso son casuales. Y luego está el último grupo, aquellos a los que no les importa que existamos, los sospechosos. En las ventas B2B, es necesario viajar en el tiempo y evaluar en qué punto se encuentra el cliente potencial y ajustar su enfoque en consecuencia.

En función de su tiempo de decisión (compromiso), cada uno de ellos estará explorando y validando diferentes elementos de su viaje.El problema surge para los vendedores cuando, animados por su director de ventas, hablan con todas estas personas como si fueran un Comprador.En todos ellos hay un comprador potencial. Y hay que hablar con un interés común, utilizar un lenguaje que puedan entender y dar a entender que van a expandirse y prosperar en el futuro cuando compren su producto o servicio.Puntos clave a tener en cuenta:Para leer un excelente artículo sobre esto de Tibor Shanto haga clic en el siguiente enlaceVentas y viajes en el tiempo

Solucionador de vendedores ambulantes en línea

Introducimos y estudiamos el Problema del Vendedor Viajero con Ventanas de Tiempo Múltiples y Selección de Hotel (TSP-MTWHS), que generaliza el conocido Problema del Vendedor Viajero con Ventanas de Tiempo y el recientemente introducido Problema del Vendedor Viajero con Selección de Hotel. El TSP-MTWHS consiste en determinar una ruta para un vendedor (por ejemplo, un empleado de una empresa de servicios) que visita a varios clientes en diferentes lugares y con diferentes ventanas de tiempo. El vendedor puede requerir una gira de varios días durante la cual puede necesitar alojarse en hoteles. El objetivo es minimizar los costes de la gira, que consisten en el salario, los costes de hotel, los gastos de viaje y las penalizaciones por clientes posiblemente omitidos. Presentamos un modelo de programación lineal entera mixta (MILP) para este problema práctico y una heurística que combina la inserción más barata, la 2-OPT y el reinicio aleatorio. Demostramos en casos aleatorios y en casos reales de la industria que el modelo MILP puede resolverse de forma óptima en un tiempo razonable con un solucionador MILP estándar para varios casos pequeños. También mostramos que la heurística da las mismas soluciones para la mayoría de las instancias pequeñas, y también es rápida, eficiente y práctica para las instancias grandes.

Problema del viajante de comercio python

Aunque puede ser divertido y emocionante pasar cada noche en una ciudad diferente y ver el mundo mientras se trabaja, a veces un viaje largo entre ciudades y países supone gestionar un estrés intenso y una presión importante.

Desde hacer la maleta hasta reservar hoteles, pasando por organizar reuniones y asignar seguimientos, la clave está en convertir cada paso del proceso en un hábito sencillo y repetible. Esto le permitirá centrarse en la parte más importante del trabajo de cualquier vendedor: vender con éxito.

Hemos elaborado la siguiente lista, que abarca los tres aspectos más importantes de la venta en carretera que debes racionalizar. Utilice esta guía específica para desarrollar una rutina de viaje eficiente como punto de partida para preservar su salud, su cordura y los resultados de su empresa.

Además, asegúrese de leer nuestro informe detallado sobre la gestión del estrés en el lugar de trabajo en un sector de alta presión para obtener una colección de ideas y consejos de expertos de Mental Health America que le ayudarán a superar la presión y a prevenir el estrés antes de que afecte a su bienestar.

Np-duro

Los autores estudian el problema del viajante de comercio con ventanas de tiempo (TSPTW) bajo la incertidumbre del tiempo de viaje – modelado por medio de un conjunto de incertidumbre que incluye todos los vectores de tiempo de viaje de interés. Los autores consideran un conjunto de incertidumbre con restricciones tipo knapsack que estipula un tiempo de viaje nominal y uno máximo para cada arco y un límite superior Δ en la suma de todas las desviaciones de los tiempos nominales. Considerando la diferencia entre el tiempo de pico y su valor nominal como el máximo retraso en el que se puede incurrir al atravesar el arco correspondiente, el problema que los autores consideran es, por tanto, encontrar un recorrido que siga siendo factible hasta Δ unidades de retraso. Esto difiere de los estudios anteriores sobre el enrutamiento robusto bajo la incertidumbre del tiempo de viaje, que se han basado en conjuntos de cardinalidad restringida y sólo permiten un límite superior en el número de arcos con tiempo de viaje máximo. Los autores proponen un algoritmo exacto basado en la generación de columnas y en la programación dinámica que implica reglas de dominancia efectivas y una extensión de la relajación ng-tour propuesta en la literatura para el TSPTW clásico. El algoritmo es capaz de resolver el TSPTW robusto bajo la incertidumbre del tiempo de viaje con restricciones de knapsack y cardinalidad. Amplios experimentos computacionales muestran que el algoritmo tiene éxito en instancias con hasta 80 clientes. Además, los autores estudian el impacto de los dos conjuntos de incertidumbre en el equilibrio entre la calidad del servicio y el coste que muestran las soluciones resultantes.