Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Статистические методы анализа клиентских данных

1,109 views

Published on

Презентация к выступлению на встрече "Маркетинг без пыли". Рассматривается пара кейсов с указанием инструментария и ключевых элементов кода.

Published in: Business
  • Be the first to comment

  • Be the first to like this

Статистические методы анализа клиентских данных

  1. 1. Статистические методы и автоматизация в анализе клиентских данных Андрей Кулинич Цифровой vs. Аналоговый бизнес
  2. 2. От понимания к прогнозам Business Intelligence Почему это произошло Прогнозное моделирование Оптимизация Что надо сделать, чтобы произошло самое лучшее
  3. 3. Проблема + гипотеза Поиск… Важная роль аналитика
  4. 4. В чем управленческая проблема? Мало клиентов! Неудовлетворительные финансовые показатели Андрей Кулинич, 2016 4
  5. 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. 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
  7. 7. Информация о скрипте http://goo.gl/qGq5QR 7
  8. 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. 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. 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. 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. 12. Клиент Хэш ООО "Васильки" b0dcf8780254533a9004a6a1faaec0a9 ПАО "БанкСистема" 234df6a872fd908bf8ce4eabf06c12bd ООО "МБП2016" ee777959f38afdf4580410759a4f6e7c ООО "Другая" e45b25e0839c6bee1d9688bb8f459484 Безопасно передать данные
  13. 13. Будьте цифровыми! Андрей Кулинич ai@kulinich.ru Kulinich.ru

×