IBM SPSS – программный комплекс для прогнозной аналитики, статистического и интеллектуального анализа данных. Функциональность решения и преимущества для бизнеса.
IBM SPSS – программный комплекс для прогнозной аналитики, статистического и интеллектуального анализа данных. Функциональность решения и преимущества для бизнеса.
Семинар "Повышение доходности абонентской базы".
Подробнее о мероприятии http://www.croc.ru/action/detail/14839/
Презентация Александр Ефимов, руководитель практики data mining компании КРОК
Большие данные: новые возможности для риск-менеджмента
С.В. Мальцева smaltseva@hse.ru
Москва, 4-5 апреля 2016
Специальный Профессиональный Форум НОВЫЕ ГОРИЗОНТЫ КОРПОРАТИВНОГО УПРАВЛЕНИЯ РИСКАМИ
Знаете ли вы своего клиента?
Основные признаки не могут представить потребности клиента
Создаем Customer Experience Profile
Собираем данные по десяткам заранее определенных метрик
Обновляем профиль в реальном времени
Формируем "живые" рабочие данные для маркетинговой коммуникации
Предиктивная аналитика. В чем отличие от традиционных BI систем?
Построение предиктивных моделей поведения клиента
Как предсказать отклик клиента на предложение?
Комплексные решения CleverDATA на базе продуктов партнера Teradata для автоматизации маркетинга
cleverdata.ru
Создание системы противодействия кредитному мошенничеству. Теория и практикаКРОК
Конференция «AntiFraud Russia. Борьба с мошенничеством в сфере высоких технологий» http://www.croc.ru/action/detail/42477/
Презентация Ананьева Александра, эксперта по информационной безопасности компании КРОК
Семинар "Повышение доходности абонентской базы".
Подробнее о мероприятии http://www.croc.ru/action/detail/14839/
Презентация Александр Ефимов, руководитель практики data mining компании КРОК
Большие данные: новые возможности для риск-менеджмента
С.В. Мальцева smaltseva@hse.ru
Москва, 4-5 апреля 2016
Специальный Профессиональный Форум НОВЫЕ ГОРИЗОНТЫ КОРПОРАТИВНОГО УПРАВЛЕНИЯ РИСКАМИ
Знаете ли вы своего клиента?
Основные признаки не могут представить потребности клиента
Создаем Customer Experience Profile
Собираем данные по десяткам заранее определенных метрик
Обновляем профиль в реальном времени
Формируем "живые" рабочие данные для маркетинговой коммуникации
Предиктивная аналитика. В чем отличие от традиционных BI систем?
Построение предиктивных моделей поведения клиента
Как предсказать отклик клиента на предложение?
Комплексные решения CleverDATA на базе продуктов партнера Teradata для автоматизации маркетинга
cleverdata.ru
Создание системы противодействия кредитному мошенничеству. Теория и практикаКРОК
Конференция «AntiFraud Russia. Борьба с мошенничеством в сфере высоких технологий» http://www.croc.ru/action/detail/42477/
Презентация Ананьева Александра, эксперта по информационной безопасности компании КРОК
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.
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
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
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
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
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, ...
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
ДЕРЕВО РЕШЕНИЙ Логическая и логистическая регресии