Soru:
Müşteri segmentasyonu için en iyi araç nedir?
jschwa
2011-08-26 02:15:58 UTC
view on stackexchange narkive permalink

Aşağıdaki verileri içeren bir müşteri veri kümesine sahibim:

  • Her müşterinin yaptığı satın alma sayısı
  • Her satın alma işlemini gerçekleştirdiği tarih
  • Kaydoldukları Tarih
  • Her satın alma için harcadıkları tutar

Kullanıcılarımı üç gruba ayırmak istiyorum:

  • Harika Müşteriler
  • İyi Müşteriler
  • Kötü Müşteriler

Kullanabileceğim bir araç var mı (istatistiksel yöntem VEYA yazılım aracı) tüm değişkenlere bakacak ve segmentasyonları oluşturacak mı? Stata ve Excel'im var, ancak cevabınız bunlarla sınırlı olmak zorunda değil.

Müşterileri, verilerini değil segmentlere ayırmak için bir giyotin
Altı yanıtlar:
#1
+8
rolando2
2011-08-26 02:42:37 UTC
view on stackexchange narkive permalink

Korkarım yazılım programlarını ve istatistiksel algoritmaları düşünmek, varlıkları yargılamakla karıştırıyorsunuz. Hiçbir araç size İyiyi, Kötüyü ve Çirkin'i veremez. Yol boyunca kendi kararınızı vermeniz gerekecek! İhtiyacınız olan şey bir araç değil, her müşteriyi sınıflandırmak için iyi düşünülmüş kriterlerdir. Sonra gerisi bir mekanik veya takip meselesidir.

#2
+8
Brandon Bertelsen
2011-08-26 04:53:05 UTC
view on stackexchange narkive permalink

YBD'nin (yaşam boyu değer) hayatta kalma analizi, başlamak için iyi bir yerdir. Oldukça basit ama işi hallediyor. Ancak sahip olduklarınızla yapabileceğiniz çok sayıda iş zekası işi var. Reklamlara yanıt oranlarınız varsa ve bu, size etkinliğe bakmanın iyi bir yolunu da sağlayabilir.

Rolando2'ye katılıyorum, iyi olan kötü ve çirkin - matematiksel olarak tanımlanmış olması zorlayıcıdır. Verilerinizde özellikle satın alımlar dışında hiçbir davranışsal veya ikincil öğe bulunmasa bile, posta kodu kadar basit bir şey bile, satın alma yeri (bu bir mağaza) gibi şeyleri anlamak için verilerinize harika bilgiler ekleyebilir. Sanırım YBD yüzdelerine göre segmentlere ayırabilirsiniz ...% 30,% 50,% 80 (80/20 işletme kuralını izleyerek ...).

Yazılım açısından, nasıl yapılacağı hakkında hiçbir fikrim yok bunu Excel veya STATA'da yapın. Ancak, R için burada hayatta kalma paketini kullanan karışık bir giriş ve hayatta kalma analizi örneği var: http://www.stats.uwo.ca/faculty/jones/survival_talk.pdf Western Ontario Üniversitesi'nden Bruce Jones'tan. Kanadalıyım, dava et beni.

Örneğinde Ölüm, gözlem son satın almalar arasındaki ortalama sürede satın alma işlemi gerçekleştirdiyse verilerde 0 veya 1 olarak tanımlanan satın almalar arasındaki ortalama süreye benzer bir şey olurdu. Bazı insanlar bunu Son 3 Ayda Satın Alınanlar olarak ayarlamayı severler ... ama belli ki her tür işletme için farklıdır. Her ay araba ile gitmezsin, değil mi? Yani bu sizin tarafınızdan bir yargı çağrısı.

Aksi takdirde, iş zekası perspektifinden verilerinizle yapabileceğiniz pek çok ilginç şey vardır. Ortalama satın alma fiyatı, bir mağazadaki yığınlara göre satın alınan ürün sayısı veya reklamın veya yığının ne zaman yerleştirildiğini biliyorsanız bir web sitesindeki afişler .... bunlar sadece birkaç örnektir.

Hayatta kalma analizi LTV ile nasıl ilişkilidir? Hayatta kalma analizi, sürekli bir değeri değil (yaşam süresi değeri = $) ayrı (muhtemelen tekrar eden) bir olayı ifade eder.
http://www2.sas.com/proceedings/sugi28/120-28.pdf buna bir örnektir.
Teşekkür ederim, hayatta kalma analizine bakacağım. Bir iş zekası potansiyelinden yapabileceğim çok şey olduğunu söylediğinizde, bunun müşteri verilerini bölümlere ayırmaktan farkı nedir?
Pek çok şirket, karmaşık bir istatistiksel unsuru olması gerekmeyen ilgi çekici şeyler üzerinde çalışıyor. Ortalama satın alma fiyatı, satın alınan ortalama öğeler, satın almalar arasındaki ortalama süre gibi, bu ölçütlerin bir puan kartını oluşturmak bazen iş adamları için herhangi bir istatistiksel segmentasyondan daha ilginç olabilir.
#3
+6
B_Miner
2011-08-26 05:42:50 UTC
view on stackexchange narkive permalink

Sınırlı verilerinizle (ve belki de kümeleme ile ilgili sınırlı deneyiminizle), basitçe bir RFM kodlaması oluşturmanızı ve istediğiniz üç bölmeye ayırmanızı öneririm. Aksi takdirde, veriler üzerinde küme analizi, işlem değişkenlerine dayalı müşteri segmentasyonu için temel bir yöntemdir (elbette tarihleriniz, satın alımlar arasındaki mesafe, kullanım süresi ve satın alma yeniliği gibi ölçüler haline gelmelidir).

Cevabınızı bir şekilde kaçırdım (+1) kopyamı sildi.
Bunun için teşekkür ederim. RFM ilginç görünüyor, ancak alt kategoriler için anlamlı aralar bulmanın en iyi yolu hakkında sorularım vardı. Wikipedia makalesi, inceleyeceğim CHAID'den bahsetti.
#4
+2
Ranon
2011-08-26 04:44:32 UTC
view on stackexchange narkive permalink

Genel olarak rolando2'ye katılıyorum. Ancak, denetimsiz kategorizasyonla ilgileniyorsanız, verilerinizin etiketlenmemiş gruplarını size sağlayabilecek yöntemler vardır. Bu tür bir yöntem, otomatik konu keşfi için kullanılan gizli dirichlet işlemidir (LDA). K-Means, özellikle de beklediğiniz kategori sayısını bildiğiniz için ihtiyaçlarınıza daha uygun olabilir.

#5
+1
aaronjg
2011-08-26 07:18:36 UTC
view on stackexchange narkive permalink

Buna yaklaşmanın bir yolu, müşteri verilerinin bir olasılık modelini oluşturmaktır. Müşteri düzeyindeki davranış hakkında biraz anlayışınız varsa, bunu modelleyebilir ve en değerli müşterilerinizin kim olduğuna dair tahminlerde bulunabilirsiniz.

Örneğin, müşterilerin kendilerine gelene kadar sabit bir oranda alışveriş yaptığını varsayabilirsiniz. ölmek.' Bu, Brandon'ın bahsettiği türden bir hayatta kalma analizi. Ayrıca satın alma ve ölüm oranlarında heterojenliğe izin veren daha gelişmiş modeller de oluşturabilirsiniz.

Yazılım araçları hakkında soru sorduğunuz için, şirketim Custora 'ya da bir göz atmanızı tavsiye ederim. İşlem günlüklerine dayalı olarak müşteri yaşam boyu değerini tahmin etmek için yukarıda anlattığım modellerin daha karmaşık sürümlerini kullanıyoruz. Sağladığımız analizlerden biri müşteri segmentasyonudur.

(-1): crossvalidated.com'un, her soruda birilerinin şirketinin ticari aracını önerdiği bir platforma dönüşmesini önlemek istiyorum. Bu durumda, reklamları cevapların arasına yerleştirmemiz daha iyi olur -, -
Bu tür bir yozlaşma riski çok azdır, @steffen, çünkü bu topluluk, kendi kendini denetleme ve düzenleyici moderatör faaliyetleri yoluyla güçlü yerleşik savunmalara sahiptir. Bu durumda cevap meşrudur, çünkü açıklamayı içerir ve neden sunulduğunu açıklar (çok kısaca da olsa). BTW, eğer bir cevapla ilgili böyle bir endişeniz varsa, lütfen moderatörün dikkatini çekmek için işaretleyin (cevabın hemen altındaki "bayrak" bağlantısını kullanın). Sorunu hızla halledeceğiz.
Yazılım araçları istedim, bu yüzden birini belirtmek adil. Kullandığınız daha sofistike model nedir?
#6
  0
Prometheus
2017-01-12 17:29:33 UTC
view on stackexchange narkive permalink

Soruna birden çok amacı olan bir sorun olarak bakabilirsiniz. Diyelim ki iyi müşteri:

  1. Satın alma başına yüksek bir ortalama tutar harcıyor (Para getiriyor)
  2. Birçok satın alma işlemi gerçekleştirir (Güven gösterir)
  3. Uzun bir süre boyunca alışveriş yapar (Bağlılığı gösterir)

Dolayısıyla ilgili hedefler şunlardır:

  1. Satın Alma Başına Harcanan Ortalama Dolar Tutarı En Üst Düzeye Çıkarın
  2. Toplam Satın Alma Sayısı $ 'nı En Üst Düzeye Çıkarın
  3. Satın Alma İşlemleri Arasındaki Ortalama Süre Aralığını En Üst Düzeye Çıkar $

Tüm müşterilere çözüm gibi davranın ve bunları hakimiyetsiz sıralama kullanarak sıralayın.Genetik algoritmayı çalıştırmanıza gerek olmadığını unutmayın, çözümleri sadece bir kez sıralayın.

Baskın olmayan sıralamanın size 5 derece verdiğini varsayalım.1. ve 2. sıraları iyi müşteriler olarak atayabilir, 3. sırayı iyi müşteriler olarak belirleyebilir ve kötü müşteriler olarak kalabilirsiniz.



Bu Soru-Cevap, otomatik olarak İngilizce dilinden çevrilmiştir.Orijinal içerik, dağıtıldığı cc by-sa 3.0 lisansı için teşekkür ettiğimiz stackexchange'ta mevcuttur.
Loading...