Любовь клиентов в цифрах. Предсказательные модели шоппинг

Любовь клиентов в цифрах
Предсказательные модели шоппинг-клуба LeBoutique.
Успехи и поражения.
Руппельт Александр
BI аналитик
Содержание:
• 1. Большие данные и рок-н-ролл в Украине и
LeBoutique
• 2. Ассоциативные правила.
• 3. Рекомендационная система
• 4. Прогноз Churn rate
BigData, Machine Learning, Rock’ n’ roll
BigData
Sex
Machine Learning
Drugs
Rock ’n’ roll
Rock’n’roll
Цели компании и использование ML
Заработать
больше
Хорошие
отношения с
клиентами
Дело жизни
Быстрая
продажа
Сделать мир
лучше
Победа над
конкурентами
и другие...
Ассоциативные правила
Ресурс: http://www.saedsayad.com/association_rules.htm
Ассоциативные правила. Результаты
Retail –
{Пиво} {Подгузники} или {Пиво, Хлеб}  {Молоко}
Другое (предсказание выживших Титаника) –
{Класс = 3, Пол = Мужской}  {Живой=Нет}
Алгоритмы: http://www-users.cs.umn.edu/~kumar/dmbook/dmslides/chap6_basic_association_analysis.pdf
Системы рекомендаций
Ресурс: https://en.wikipedia.org/wiki/Collaborative_filtering
Рекомендационные системы.
Цель: На основе доступных данных
автоматически подбирать
товары/услуги для клиента, оставляя у
него ощущение магии
Функции:
- Найти нужный товар
- Продать более дорогой товар, или
часто/редко продаваемый
- Завлечь клиента «поискать»
Рекомендационные системы. TF-IDF
Значимость
термина n
Частота термина n
в документе d
Уникальность
термина n в
корпусе
документов
LeBoutique. Рекомендации до:
LeBoutique. Рекомендации после:
Прогноз оттока клиентов (Churn Rate)
Модель
client id
feature1
feature2
…
churn?
1
x1
A
1
2
x2
B
0
3
x3
A
0
4
x4
B
1
-----
-----
-----
-----
-----
Churn rate. Перемога чи Зрада?
Проблемы и вопросы
• 1. Точность. Какая
устроит?
• 2. Поиск golden feature
• 3. Имплементация.
Алгоритмы
•
•
•
•
1. Линейная регрессия
2. Кластеризация
3. Support Vector Machine
4. CART и Random Forest
Спасибо за внимание!
Отдельное спасибо:
BigDataConf.com.ua Команде LeBoutique и Юлии Шиловой
Паше Левчуку и Сергею Брылю в Анталии)
Маме
Преподавателю по PowerPoint в университете