ݺߣ

ݺߣShare a Scribd company logo
Использование  Data mining  в коммуникациях с клиентами в эпоху персонального маркетинга Кирсанова А.В.
МАРКЕТИНГ, ПРОГРАММЫ ЛОЯЛЬНОСТИ И СОВРЕМЕННЫЕ МЕТОДЫ АНАЛИЗА В современном маркетинге и системах лояльности наряду с первичной информацией о клиентах (анкетные данные, чеки) используются данные, полученные в результате использования математических и статистических методов Кирсанова А.В.
Одна из технологий анализа данных  Автоматический поиск скрытых общих закономерностей в больших наборах данных Использование методов и алгоритмов статистики, распознавания образов,  машинного обучения, искусственного интеллекта Data Mining = Извлечение знаний BASKET  ANALYSIS СОСТАВЛЕНИЕ   ПРОФИЛЯ КЛИЕНТА САМЫЕ РАСПРОСТРАНЕННЫЕ ЗАДАЧИ, КОТОРЫЕ РЕШАЮТСЯ С ПОМОЩЬЮ  DATA MINING: ЧТО ТАКОЕ  DATA MINING ? Кирсанова А.В.
ЗАДАЧА №1 ДАНО:  ИЗБЫТОЧНАЯ ЗАКУПКА В 10 000 ШТ. КНИЖЕК СО СКАЗКАМИ ДЛЯ МАЛЫШЕЙ БИЗНЕС-ПРОБЛЕМА —  —  РЕАЛИЗОВАТЬ ЦЕЛЕВОЙ ТОВАР Кирсанова А.В.
ПОИСК АССОЦИАЦИЙ С ПОМОЩЬЮ   DATA MINER Кирсанова А.В.  Support  -- Насколько часто встречаются товары   (A — >  B) = P(AB) Confidence:   --  как часто товар B сопутствует товару A   (A  —>  B) = P(AB)/P(A) Длина правила  - кол-во товаров в правиле   AB  —>  C  Длина правила = 3 ПОДДЕРЖКА ДОСТОВЕРНОСТИ  ДОПОЛНИТЕЛЬНЫЕ ПАРАМЕТРЫ: Период между покупками Анкетные данные клиента Ограниченный бюджет на рассылку – история откликов Ограничение откликов Др.  РЕШЕНИЕ
АССОЦИАТИВНЫЕ  ПРАВИЛА: КУБИКИ МИШКА РЕЗИНОВЫЕ УТЯТА  ЕСЛИ ТО ПАРОВОЗИК ЛЕГО СКАЗКИ ДАННЫЕ О ПОКУПКАХ Чеки за выбранный период КЛИЕНТ  ДАТА  КУБИКИ  ЛЕГО  СКАЗКИ  КУКЛА  1 2 3 4 01.11.2010 01.11.2010 01.11.2010 01.11.2010 0 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0 Кирсанова А.В.  ПРОСМОТР РЕЗУЛЬТАТОВ НАСТРОЙКА ФИЛЬТРОВ И УПОРЯДОЧИВАНИЕ ПОРОГОВ
Кирсанова А.В.  ПРИМЕНЕНИЕ МОДЕЛИ Максимальная отдача от коммуникации Контроль бюджета  Формирование предложения  Тест (если это возможно)  Анализ  Применение модели или повторный тест Анализ 8,6 1,3
ЗАДАЧА №2 БИЗНЕС-ПРОБЛЕМА Снизить отток прибыльных клиентов Кирсанова А.В.
ПОСТРОЕНИЕ КЛАССИФИКАЦИОННОЙ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ОТТОКА МОДЕЛЬ Строится модель P(Y) = F(X1, X2, , Xm) Модель по прогнозным атрибутам вычисляет вероятность того,  что Y=1 (отток) Модель «настроена» на исторические данные Исторические данные о клиентах   за предыдущие периоды Клиенты ФИО  ОБЪЕМ ПОКУПОК  СЫН  ДОЧЬ  ВНУКИ 100,000 55,000 215,000 50,000 70,000 Х2 Григорьева Глаголев Попов Горбунова Рындин Х1 0 2 2 2 1 1 0 1 0 0 2 0 0 0 0 Х m 1 0 0 1 1 Y …… . На основе исторической информации о клиентах и их покупках за предыдущий квартал од ….  строится статистическая модель, которая по параметрам клиента определяет его активность (вычисляет вероятность того, что клиент существенно снизит активность). Кирсанова А.В.  РЕШЕНИЕ
ДАННЫЕ О КЛИЕНТАХ СОБИРАЮТСЯ ИЗ ДВУХ ИСТОЧНИКОВ ДАННЫЕ ИЗ АНКЕТ ДАННЫЕ О ПОКУПКАХ (ВЫЧИСЛЯЮТСЯ НА ОСНОВЕ ЧЕКОВ) Кирсанова А.В.
ШАГИ Кирсанова А.В.  НАСТРОЙКА ПАРАМЕТРОВ МОДЕЛЕЙ ПОСТРОЕНИЕ КЛАССИФИКАЦИОННЫХ МОДЕЛЕЙ ОТТОКА ПРОСМОТР МОДЕЛЕЙ И РЕЗУЛЬТАТОВ ТЕСТИРОВАНИЯ Просмотр отдельных моделей Результаты тестирования каждой модели Сравнение моделей по эффективности, точности, прибыльности
МОДЕЛЬ Модель применяется к новым данным Для каждого клиента вычисляются значение и  вероятность оттока  Исторические данные о клиентах   за предыдущие периоды Клиенты ФИО  объем покупок  сын  дочь  внуки  отток?  вероятность 20,000 70,000 300,000 50,000 70,000 Х2 Алексеев Звездный Кустова Ямкин Чалая Х1 2 2 0 2 1 0 1 0 0 0 0 0 2 0 0 Х m ? Прогнозирующие атрибуты …… . Целевой  атрибут Y Кирсанова А.В.  ПРИМЕНЕНИЕ МОДЕЛЕЙ К НОВЫМ ДАННЫМ
Исторические данные о клиентах   за предыдущие периоды Клиенты ФИО  объем покупок  сын  дочь  внуки  отток?  вероятность 20,000 70,000 300,000 50,000 70,000 Х2 Алексеев Звездный Кустова Ямкин Чалая Х1 2 2 0 2 1 0 1 0 0 0 0 0 2 0 0 Х m Прогнозирующие атрибуты …… . Целевой  атрибут Y 1 1 1 0 0 0.95 0.89 0.87 0.97 0.95 Модель применяется к данным о клиентах за последние 3 месяцаолгода…. Результат –для каждого клиента будет вычислена вероятность оттока (вероятность того, что клиент не будет покупать товары)  Кирсанова А.В.  ПРОСМОТР РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ МОДЕЛИ МОДЕЛЬ Модель применяется к новым данным Для каждого клиента вычисляются значение и  вероятность оттока
ИСПОЛЬЗОВАНИЕ ФОРМИРОВАНИЕ  ВЫСОКО-ТАРГЕТИРОВАННЫХ  КАМПАНИЙ КОММУНИКАЦИЯ Кирсанова А.В.  Формирование предложения для сегментов клиентов  Тест (если это возможно)  Анализ  Применение модели или повторный тест Анализ
КОММУНИКАЦИЯ Кирсанова А.В.  40%
www.digitalevent.ru СПАСИБО!

More Related Content

Александра Кирсанова - Использование Data mining..

  • 1. Использование Data mining в коммуникациях с клиентами в эпоху персонального маркетинга Кирсанова А.В.
  • 2. МАРКЕТИНГ, ПРОГРАММЫ ЛОЯЛЬНОСТИ И СОВРЕМЕННЫЕ МЕТОДЫ АНАЛИЗА В современном маркетинге и системах лояльности наряду с первичной информацией о клиентах (анкетные данные, чеки) используются данные, полученные в результате использования математических и статистических методов Кирсанова А.В.
  • 3. Одна из технологий анализа данных Автоматический поиск скрытых общих закономерностей в больших наборах данных Использование методов и алгоритмов статистики, распознавания образов, машинного обучения, искусственного интеллекта Data Mining = Извлечение знаний BASKET ANALYSIS СОСТАВЛЕНИЕ ПРОФИЛЯ КЛИЕНТА САМЫЕ РАСПРОСТРАНЕННЫЕ ЗАДАЧИ, КОТОРЫЕ РЕШАЮТСЯ С ПОМОЩЬЮ DATA MINING: ЧТО ТАКОЕ DATA MINING ? Кирсанова А.В.
  • 4. ЗАДАЧА №1 ДАНО: ИЗБЫТОЧНАЯ ЗАКУПКА В 10 000 ШТ. КНИЖЕК СО СКАЗКАМИ ДЛЯ МАЛЫШЕЙ БИЗНЕС-ПРОБЛЕМА — — РЕАЛИЗОВАТЬ ЦЕЛЕВОЙ ТОВАР Кирсанова А.В.
  • 5. ПОИСК АССОЦИАЦИЙ С ПОМОЩЬЮ DATA MINER Кирсанова А.В. Support -- Насколько часто встречаются товары (A — > B) = P(AB) Confidence: -- как часто товар B сопутствует товару A (A —> B) = P(AB)/P(A) Длина правила - кол-во товаров в правиле AB —> C Длина правила = 3 ПОДДЕРЖКА ДОСТОВЕРНОСТИ ДОПОЛНИТЕЛЬНЫЕ ПАРАМЕТРЫ: Период между покупками Анкетные данные клиента Ограниченный бюджет на рассылку – история откликов Ограничение откликов Др. РЕШЕНИЕ
  • 6. АССОЦИАТИВНЫЕ ПРАВИЛА: КУБИКИ МИШКА РЕЗИНОВЫЕ УТЯТА ЕСЛИ ТО ПАРОВОЗИК ЛЕГО СКАЗКИ ДАННЫЕ О ПОКУПКАХ Чеки за выбранный период КЛИЕНТ ДАТА КУБИКИ ЛЕГО СКАЗКИ КУКЛА 1 2 3 4 01.11.2010 01.11.2010 01.11.2010 01.11.2010 0 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0 Кирсанова А.В. ПРОСМОТР РЕЗУЛЬТАТОВ НАСТРОЙКА ФИЛЬТРОВ И УПОРЯДОЧИВАНИЕ ПОРОГОВ
  • 7. Кирсанова А.В. ПРИМЕНЕНИЕ МОДЕЛИ Максимальная отдача от коммуникации Контроль бюджета Формирование предложения Тест (если это возможно) Анализ Применение модели или повторный тест Анализ 8,6 1,3
  • 8. ЗАДАЧА №2 БИЗНЕС-ПРОБЛЕМА Снизить отток прибыльных клиентов Кирсанова А.В.
  • 9. ПОСТРОЕНИЕ КЛАССИФИКАЦИОННОЙ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ОТТОКА МОДЕЛЬ Строится модель P(Y) = F(X1, X2, , Xm) Модель по прогнозным атрибутам вычисляет вероятность того, что Y=1 (отток) Модель «настроена» на исторические данные Исторические данные о клиентах за предыдущие периоды Клиенты ФИО ОБЪЕМ ПОКУПОК СЫН ДОЧЬ ВНУКИ 100,000 55,000 215,000 50,000 70,000 Х2 Григорьева Глаголев Попов Горбунова Рындин Х1 0 2 2 2 1 1 0 1 0 0 2 0 0 0 0 Х m 1 0 0 1 1 Y …… . На основе исторической информации о клиентах и их покупках за предыдущий квартал од …. строится статистическая модель, которая по параметрам клиента определяет его активность (вычисляет вероятность того, что клиент существенно снизит активность). Кирсанова А.В. РЕШЕНИЕ
  • 10. ДАННЫЕ О КЛИЕНТАХ СОБИРАЮТСЯ ИЗ ДВУХ ИСТОЧНИКОВ ДАННЫЕ ИЗ АНКЕТ ДАННЫЕ О ПОКУПКАХ (ВЫЧИСЛЯЮТСЯ НА ОСНОВЕ ЧЕКОВ) Кирсанова А.В.
  • 11. ШАГИ Кирсанова А.В. НАСТРОЙКА ПАРАМЕТРОВ МОДЕЛЕЙ ПОСТРОЕНИЕ КЛАССИФИКАЦИОННЫХ МОДЕЛЕЙ ОТТОКА ПРОСМОТР МОДЕЛЕЙ И РЕЗУЛЬТАТОВ ТЕСТИРОВАНИЯ Просмотр отдельных моделей Результаты тестирования каждой модели Сравнение моделей по эффективности, точности, прибыльности
  • 12. МОДЕЛЬ Модель применяется к новым данным Для каждого клиента вычисляются значение и вероятность оттока Исторические данные о клиентах за предыдущие периоды Клиенты ФИО объем покупок сын дочь внуки отток? вероятность 20,000 70,000 300,000 50,000 70,000 Х2 Алексеев Звездный Кустова Ямкин Чалая Х1 2 2 0 2 1 0 1 0 0 0 0 0 2 0 0 Х m ? Прогнозирующие атрибуты …… . Целевой атрибут Y Кирсанова А.В. ПРИМЕНЕНИЕ МОДЕЛЕЙ К НОВЫМ ДАННЫМ
  • 13. Исторические данные о клиентах за предыдущие периоды Клиенты ФИО объем покупок сын дочь внуки отток? вероятность 20,000 70,000 300,000 50,000 70,000 Х2 Алексеев Звездный Кустова Ямкин Чалая Х1 2 2 0 2 1 0 1 0 0 0 0 0 2 0 0 Х m Прогнозирующие атрибуты …… . Целевой атрибут Y 1 1 1 0 0 0.95 0.89 0.87 0.97 0.95 Модель применяется к данным о клиентах за последние 3 месяцаолгода…. Результат –для каждого клиента будет вычислена вероятность оттока (вероятность того, что клиент не будет покупать товары) Кирсанова А.В. ПРОСМОТР РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ МОДЕЛИ МОДЕЛЬ Модель применяется к новым данным Для каждого клиента вычисляются значение и вероятность оттока
  • 14. ИСПОЛЬЗОВАНИЕ ФОРМИРОВАНИЕ ВЫСОКО-ТАРГЕТИРОВАННЫХ КАМПАНИЙ КОММУНИКАЦИЯ Кирсанова А.В. Формирование предложения для сегментов клиентов Тест (если это возможно) Анализ Применение модели или повторный тест Анализ

Editor's Notes

  1. 1. С помощью алгоритма поиска ассоциативных правил автоматически генерируются правила вида «если чек содержит продукт А , то с достоверностью P он содержит и продукт B ». Для кросс-продаж, размещения товаров в торговых залах, формирования специальных предложений 2. Исходные данные – информация о клиентах (данные о покупках, результаты маркетинговых мероприятий) Автоматически выявляются общие характеристики, присущие определенной группе клиентов и отличающие ее от остальных клиентов Например, формирование профиля прибыльного клиента Общие области применения: Анализ покупательской корзины Выявление сопутствующих товаров на основе анализа чеков, Формирование новых предложений, пакетов Анализ и сегментация клиентской базы Построение профиля высокодоходных клиентов Удержание клиентов, привлечение клиентов Кросс-продажи Персонализированные рекомендации товаров для клиентов Оптимизация маркетинговых мероприятий Определение кандидатов для рассылки
  2. Если товар покупают регулярно (например, кофе), то можно найти тех, кто покупает аналог и сделать предложение на товар, который надо вымыть из сетки Если товар покупают редко (например, свитер), смотрим историю покупок до приобретения свитера, находим схожие истории покупок у текущих клиентов, которые свитер еще не покупали, делаем им предложение
  3. На исторических данных о чеках (за определенный период времени) строится модель ассоциативных правил Эта модель выявляется списки товаров, при покупке которых в большой вероятностью приобретается и целевой товар Выбираются те клиенты, которые покупают продукты из заданного списка, ...
  4. Исторические данные делятся на две части– на первой части (60%) строится модель, а вторая часть (40%) используется для тестирования. Процентное соотношение можно изменять Автоматически формируется несколько моделей (дерево решений, регрессия, SVM и NB) Для каждой из них используются заданные параметры Автоматически запускается тестирование моделей на тестовых данных
  5. ДЕРЕВО РЕШЕНИЙ Логическая и логистическая регресии