Общий обзор лучших способов укрепить бизнес-аналитику с помощью аналитических данных, основанных на данных.

Введение

Когда у вас сотни, тысячи или даже миллионы клиентов, бывает сложно уделить каждому из них то внимание, которого они заслуживают. Именно из-за этого некоторые бренды могут начать казаться устаревшими или больше не соответствовать вашим вкусам и интересам.

Чтобы исправить это, предприятия могут потратить время и ресурсы на создание технологий, которые позволят бренду лучше соответствовать требованиям каждого отдельного клиента.

В этой статье я представлю краткий обзор 4 технологий, основанных на данных, которые позволят вам развивать вашу компанию, помогая вашему бренду лучше понимать своих клиентов. Не забудьте прочитать о последнем, чтобы увидеть, как остальные собираются вместе!

Во-первых, зачем вообще тратить ресурсы на его сбор?

Данные — это всего лишь синоним информации, а информация окружает нас повсюду. Стул, на котором вы сидите, обладает информативными характеристиками, которые могут быть нам полезны. Точно так же люди предоставляют много информации о себе в своих действиях — информацию, которая может быть использована для улучшения их опыта, когда они взаимодействуют с вашим бизнесом. Это может включать в себя понимание их покупательских предпочтений, выяснение их ценности, прогнозирование того, когда они вернутся, или определение групп в вашей клиентской базе. Для начала все, что вам нужно сделать, это записать дату-время и стоимость продаж для каждой транзакции клиента, открывая мир аналитики, добавляя все больше и больше описательных функций в вашу клиентскую базу.

1. Пожизненная ценность клиента

Прежде всего, это пожизненная ценность клиента. Это практика прогнозирования того, сколько будет стоить каждый клиент в определенный период времени. Простым примером этого может быть случай, когда в течение одного года покупатель A приходил в ваш магазин один раз в месяц и тратил в среднем 20 долларов США за одно посещение. Интуитивно можно предсказать, что к концу года данный клиент потратит 12 x 20 = 240 долларов. Пусть другой покупатель B посещает ваш магазин два раза в месяц, но каждый раз тратит всего 8 долларов. Согласно нашему текущему уравнению, мы можем предположить, что они потратят 2 x 12 x 8 долларов = 192 доллара.

В этом примере мы использовали только их частоту и средние расходы, чтобы оценить, сколько они потратят. Однако люди в реальном мире не так предсказуемы. Их возвращение в ваш бизнес может зависеть от множества различных факторов. Выявление этих факторов лежит в основе каждого проекта Data Science. Здесь мы можем использовать машинное обучение, чтобы предсказать, сколько они потратят в будущем. Методы машинного обучения — это, по сути, просто оценщики функций, поэтому мы можем попытаться найти взаимосвязь между многими факторами, описывающими каждого клиента, и суммой, которую они потратят за определенный период времени.

Возможность оценить, сколько клиент будет стоить с течением времени, обеспечивает основу для сравнения клиентов друг с другом и позволяет компаниям определить, кто нуждается в большем внимании, кого стоит удержать и кто является наиболее ценным клиентом для бизнеса. Кроме того, он добавляет еще одну описательную метрику ваших клиентов, которая будет использоваться для отчетности, бизнес-аналитики и анализа данных.

Более подробное руководство о том, как это можно реализовать, вы можете найти здесь.

2. Риск оттока клиентов

Постоянный клиент – это клиент, который постоянно возвращается в вашу компанию. Таким образом, если клиент ушел, это будет означать, что он больше не взаимодействует с компанией. Этот интервал «без взаимодействия» будет разным для разных витрин в зависимости от их бизнес-модели. Например, модель подписки может предполагать, что клиент уйдет, если он не платит абонентскую плату в течение 3 месяцев, тогда как розничный магазин может считать, что клиент уйдет, если он не сделает покупку в течение одного года.

Предусмотрительность, чтобы предвидеть, когда клиенты могут уйти, и, более конкретно, насколько вероятно, что они вернутся в заданный период времени (скажем, 3 месяца), дает глубокое представление о состоянии вашей клиентской базы, сопоставляя характеристики клиентов с низким риском оттока с лица с высоким риском. Это сводится к классификации того, будут ли они взаимодействовать с бизнесом в течение определенного периода времени.

Другими словами (или их отсутствием), за данный период времени:

Риск оттока = 1 — вероятность взаимодействия

Для этой классификации есть две модели моделирования, которые кажутся привлекательными.

Смешанные модели Гаусса обеспечивают вероятностное понимание поведения клиентов, используя случайные переменные и распределения вероятностей для прогнозирования будущих событий. С другой стороны, существуют детерминированные модели, такие как более знакомые модели машинного обучения и статистические модели, которые нацелены на более точное и численное прогнозирование. В зависимости от рассматриваемых данных и поставленной задачи мы можем провести эксперимент, чтобы найти путь, наиболее подходящий для прогнозирования вероятности взаимодействия с клиентом в заданный период времени.

Клиенты с высоким риском оттока могут рассматриваться как склонные к разрыву с бизнесом, поэтому может быть полезно уделить им некоторое внимание. Принимая во внимание, что те, у кого риск оттока с течением времени низкий, являются лояльными клиентами, и поэтому их предпочтения должны учитываться при принятии бизнес-решений. Точно так же, как и пожизненная ценность клиента, мы получаем еще один ценный показатель при описании вашей клиентской базы.

Здесь — подробный туториал по реализации.

3. Анализ настроений

Хотя просмотр данных о транзакциях клиентов может дать нам хорошее представление о поведении потребителей, выборка прямых комментариев, отзывов и рейтингов дает доступ к настроениям клиентов. То, насколько им нравится ваш бренд, влияет на то, как его воспринимают другие, и, в свою очередь, на то, насколько вероятно, что они порекомендуют ваш бизнес новым клиентам. Здесь мы даже можем использовать любые коммуникационные или реферальные данные, например, сколько рекламных писем каждый клиент получил и с которыми взаимодействовал, или сколько новых клиентов они привлекли в дополнение к любым прямым отзывам, которые они оставили.

После того, как вся необходимая информация будет собрана, мы можем использовать методы, применяемые в обработке естественного языка, для обучения модели глубокого обучения:

  • Посмотрите на текст в комментарии рядом со всеми другими функциями, которые описывают каждого клиента.
  • Определите, какие клиенты, скорее всего, будут положительно относиться к бизнесу, а кто может распространять негативные отзывы о бизнесе.

Как мы увидим в следующем разделе, это помогает в принятии маркетинговых решений, поскольку может быть одна группа людей, которым может потребоваться сообщение, отличное от других, чтобы сохранить положительный отзыв о бизнесе, что иллюстрирует динамичный и гостеприимный характер предоставляемой услуги. предоставил.

4. Сегментация клиентов

Теперь, когда мы собрали данные о клиентах и ​​нашли способ их количественной оценки, а также реализовали еще 3 метрики, основанные на данных, с помощью которых можно представить клиентов, мы, наконец, можем объединить все это с помощью сегментации клиентов.

Сегментация — это метод обучения без учителя, поскольку мы не используем метки для «обучения» этой модели. Вместо этого мы просто ищем группы, возникающие из сходств и различий между наблюдениями (строками) в наборе данных. Есть несколько способов измерить, насколько «похожи» два наблюдения.

Один из методов определения сходства – найти евклидово расстояние между каждой парой наблюдений. Допустим, A, B, C, D и E — клиенты, а X и Y — их числовые характеристики (например, частота и продажи):

Вычисление расстояния между этими клиентами позволяет нам увидеть, какие клиенты геометрически близки друг к другу по каждому признаку. Клиенты, которые ближе всего друг к другу (или наиболее похожи, как определено), будут сгруппированы вместе. Эти группы называются сегментами, и существует несколько алгоритмов, которые используют евклидово расстояние для этой сегментации, например кластеризация K-средних и пространственная кластеризация на основе плотности (DBSCAN).

Ценность этой деятельности заключается в интерпретации обнаруженных сегментов и понимании того, почему клиенты находятся там, где они есть. Обнаруженные идеи могут изменить правила игры, особенно в сочетании с Lifetime Value, риском оттока и анализом настроений. Например, может появиться группа, состоящая из клиентов с высокой пожизненной ценностью и низким риском оттока, что свидетельствует об их лояльности к бренду. Принимая во внимание, что другая группа может быть описана как имеющая высокий риск оттока и высокую пожизненную ценность, выделяя больших денег, спорадических покупателей. Возможность сравнивать и сопоставлять различные подгруппы клиентов позволяет принимать взвешенные решения, влияющие на бизнес в целом.

Самое приятное то, как вы можете включить в сегментацию все виды информации о клиентах. Если мы дополнительно сегментируем клиентов по дате и времени их транзакций. Гипотетически мы могли бы обнаружить, что клиенты с низким риском оттока покупают только в выходные после 14:00 или что в группе клиентов с высокой пожизненной ценностью есть подгруппа, которая покупает только утром, и одна, которая покупает только ночью. Наличие такого рода информации позволяет бизнесу персонализировать то, как они взаимодействуют с каждым из своих клиентов, создавая доверие и лояльность.

Скоро я обязательно опубликую здесь подробное руководство по внедрению!

Заключение

Ну, вот оно! Четыре способа развития вашего бизнеса с помощью клиентской аналитики на основе данных. Хотя их истинную ценность можно увидеть только при использовании их всех вместе, внедрение каждого из них только увеличивает ценность, которую ваш бизнес приносит вашим клиентам.

Не волнуйтесь, в этой статье будут ссылки на подробные руководства по реализации, как только я их запущу. Обязательно следите за обновлениями!