Статистические методы анализа клиентских данных
0 likes1,316 views
Документ обсуждает использование статистических методов и автоматизации для анализа клиентских данных и внедрения бизнес-аналитики. Он описывает различные сегменты клиентов, модели прогнозирования и методы оптимизации затрат на привлечение клиентов. Также рассматриваются ассоциативные правила анализа данных и рекомендации по обучению аналитиков.
Статистические методы анализа клиентских данных
- 1. Статистические методы и автоматизация в анализе клиентских данных Андрей Кулинич Цифровой vs. Аналоговый бизнес
- 2. От понимания к прогнозам Business Intelligence Почему это произошло Прогнозное моделирование Оптимизация Что надо сделать, чтобы произошло самое лучшее
- 3. Проблема + гипотеза Поиск… Важная роль аналитика
- 4. В чем управленческая проблема? Мало клиентов! Неудовлетворительные финансовые показатели Андрей Кулинич, 2016 4
- 5. Ситуация У вас ограниченный бюджет и надо выбрать, на каком клиентском сегменте сосредоточиться Стоимость привлечения, CAC Годовой доход, m Сегмент 1 9 400 21 000 Сегмент 2 14 500 17 000 Андрей Кулинич, 2016 5
- 6. Ситуация: решение Стоимость привлечения, CAC Годовой доход, m Коэффициент удержания, r Пожизненная стоимость, CLV Сегмент 1 9 400 21 000 0,3 7 000 Сегмент 2 14 500 17 000 0,7 23 800 𝐶𝐿𝑉 = 𝑚 × ( 𝑟 1 + 𝑖 − 𝑟 ) i – ставка дисконтирования, принята равной 0,2 Андрей Кулинич, 2016 6
- 8. Кейс: ассоциативные правила Задача: проверить гипотезу о возможности перепрофилирования магазина Дополнительно много интересного и полезного: • Ассоциативные правила • Оценка убытков от отсутствия на полке
- 9. Ключевой блок кода для Python import pandas as pd import numpy as np from pymining import itemmining, assocrules, perftesting #В качестве примера рассмотрим ассоциативные правила на уровне групп: relim_input = itemmining.get_relim_input(transactions) item_sets = itemmining.relim(relim_input, min_support=2) rules = assocrules.mine_assoc_rules(item_sets, min_support=100, min_confidence=0.5) write_rules(rules, 'association_rules_group.csv')
- 10. Результаты анализа: ассоциативные правила Посылка Следствие Уровень поддержкиУровень достоверности 1.11.1.-1.1.1.-1.7.1. 1.29.3. 129 0,75 1.29.4.-1.22.4. 1.29.3. 121 0,75 1.11.1.-1.3.4.-1.7.1. 1.29.3. 105 0,72 3.1.4.-3.1.1. 3.2.2. 218 0,72 1.29.4.-1.1.1.-1.29.1. 1.29.3. 119 0,69 1.29.4.-1.1.1.-1.29.1. 1.29.3. 119 0,69 1.2.3.-1.3.4.-1.1.1. 1.11.1. 130 0,68 1.11.1. Молоко + 1.1.1. Хлеб + 1.7.1. Мясо -> 1.29.3. Овощи 3.1.4. Зажигалки, спички + 3.1.1. Жевательная резинка -> 3.2.2. Сигареты 1.2.3. Чай + 1.3.4. мучные сладости+ 1.1.1. Хлеб -> 1.11.1. Молоко
- 11. Обучение или аутсорсинг Обучите внутреннего аналитика • Владение вопросами бизнеса! • Практико-ориентированное обучение • Консалтинг по вопросам сбора и обработки информации • Индивидуальное обучение Безопасный аутсорсинг • Высокая скорость и качество • Привнесение нового опыта • Использование профессиональных инструментов и ресурсов • Есть некоторые риски
- 12. Клиент Хэш ООО "Васильки" b0dcf8780254533a9004a6a1faaec0a9 ПАО "БанкСистема" 234df6a872fd908bf8ce4eabf06c12bd ООО "МБП2016" ee777959f38afdf4580410759a4f6e7c ООО "Другая" e45b25e0839c6bee1d9688bb8f459484 Безопасно передать данные