Practical Data Science  Use-cases in Retail & eCommerce

Practical Data Science  
Use-cases in Retail & eCommerce
By Eakasit Pacharawongsakda, Ph.D.
Co-founder of Data Cube
eakasit@datacubeth.ai
Data Analytics Sharing @Home
26 April 2020 1:30-4:30 pm

http://dataminingtrend.com http://facebook.com/datacube.th
สรุปการบริจาคเพื่อเข้าร่วมสัมมา
2
จำนวนผู้บริจาค
171
ยอดเงินบริจาคให้โรงพยาบาล/มูลนิธิ
91,021.38

http://facebook.com/datacube.thhttp://www.datacubeth.ai
About Data Cube
3
Founded on
2013

About Data Cube
4
Founded on
2013
Focused on training/implementation related to 
Data Science / AI
Machine Learning /  
Big Data

About Data Cube
5
Founded on
2013
100+public/in-house 
training classes
Data Science / AI
Big Data

About Data Cube
6
Founded on
2013
100+public/in-house 
training classes
40,000+people like Facebook page
Data Science / AI
Big Data

Our Experiences
7
Retail
• บริษัทขายสินค้า
ทางโทรศัพท์ที่เปิด
มานานกว่า 20 ปี
• สำนักพิมพ์ที่ขาย
นิยายวัยรุ่นอันดับ
หนึ่งของเมืองไทย
• บริษัทที่ขาย
โทรศัพท์มือถือ
และมีสาขา
มากมายและเปิด
มามากกว่า 30 ปี
Real Estate
• บริษัท
อสังหาริมทรัพย์
แนวหน้าของ
ประเทศไทย
Energy  
Company
• บริษัทที่ให้
บริการปั๊มน้ำมัน
ที่ใหญ่เป็นอันดับ
2 ของ
Financial 
Company
• ธนาคารของรัฐที่
กำกับดูแลสถาบัน
การเงินอื่นๆ ใน
• ธนาคารเอกชน 
อันดับต้นๆ ของ
เมืองไทย
• บริษัทบริหารและ
ติดตามหนี้สิน

practice without theory is blind”
“Theory without practice is empty,
— Kant
“ถ้ารู้ทฤษฎีแต่ขาดการปฏิบัติก็ทำงานไม่ได้ 
ถ้ารู้แต่ปฏิบัติไม่รู้ทฤษฎีก็พัฒนาต่อไม่ได้”
facebook.com/datacube.th

Data is a new oil
• “เมื่อข้อมูลมีค่าดั่งน้ำมัน”
9Source: https://www.raconteur.net/technology/drilling-for-new-oil-of-big-data
Customer
Data
Transaction 
Data
Website
Data
Survey 
Data
Social
Network  
Data Employee 
Data
Reports
Actionable
Insight
Predictive
Model
Recommended
Products

Example Data
10
ชื่อ
นามสกุล
วัน เดือน ปีเกิด
เบอร์โทรศัพท์
เพศ
ชื่อ
เพศ
ปิติ มานี
มีความสุขยินดี
ชาย
28 สิงหาคม 2545
0891234567
หญิง
22 มิถุนายน 2545
0898765432
ข้อมูลลูกค้า ข้อมูลการซื้อสินค้า
สรุปยอดขายร้าน A
สรุปยอดขายร้าน B
สรุปยอดขายร้าน C

Data Storage & Analytics
11
ฝ่ายขาย
ฝ่ายการตลาด
ฝ่ายบัญชี

12
Extract 
Transform 
Load 
(ETL)

13
Extract 
Transform 
Load 
(ETL)
คลังข้อมูล
Shop Month Year Total
A 01 2018 10,650
B 01 2018 2,000
C 01 2018 29,300
… … … …

14
Extract 
Transform 
Load 
(ETL)
Business
Intelligence
A B C
01/2018
10,650
2,000
29,300
A 01 2018 10,650
B 01 2018 2,000
C 01 2018 29,300
… … … …

15
Extract 
Transform 
Load 
(ETL)
Business
Intelligence
A B C
01/2018
10,650
2,000
29,300
Data Mining
2016
2017
2018
A 01 2018 10,650
B 01 2018 2,000
C 01 2018 29,300
… … … …
+

http://www.datacubeth.ai http://facebook.com/datacube.th
Database & warehouse & mining
• Database
• ฐานข้อมูลใช้ในการจัดเก็บข้อมูล ลดความซ้ำซ้อนของข้อมูล เน้นการจัดเก็บ เพ่ิม
แก้ไข และลบข้อมูล
• Data Warehouse
• คลังข้อมูลรวบรวมช้อมูลจากหลายๆ ฐานข้อมูล แปลงข้อมูลให้มีความเหมือนกัน
เหมาะสำหรับการเรียกดู (view) เพื่อสร้างรายงานสรุป
• Data Mining
• การวิเคราะห์ข้อมูลเพื่อค้นหาความสัมพันธ์หรือรูปแบบที่มีประโยชน์ในฐานข้อมูล
16

http://www.datacubeth.ai http://facebook.com/datacube.th
BI & Data Mining
17
Business
Intelligence
Data
Mining
Time
Analytical  
Approach
Past Future
Explanatory
Exploratory
source:Data Science and Big Data Analytics: Discovering, analyzing, visualizing and presenting data
BI questions
• What happened last
quarter?
• How many unit sold?
• Where is the problem? In
which situations
Data Mining questions
• What if … ?
• What will happen next?
• Why is this happen?

Level of Analytics
18

Level of Analytics
• Descriptive Analytics
• ระยะทาง 48 km
• Diagnostic Analytics
• มีการจราจรติดขัด
• Predictive Analytics
• ใช้เวลาการเดินทาง 54-56 นาที
• Prescriptive Analytics
• เมื่อขับรถไปแล้วจะมีการแนะนำเส้น
ทางอื่นที่เร็วกว่า
19

CRISP-DM:Cross-Industry Process for Data Mining
20
1 2
3
4
5
6
image source: Foster Provost, Data Science for Business: What you need to know about data mining and data-analytic thinking, August 19, 2013
3 ขั้นตอนแรกจะใช้เวลา
80% ของทั้งหมด

CRISP-DM
21
STAGE DESCRIPTION
Business Understanding Deﬁne the project.
Data Understanding Examine the data; identify problems in the data.
Data Preparation Fix problems in the data; create derived variables.
Modeling Build predictive or descriptive models.
Evaluation Assess models; report on the expected effects of models.
Deployment Plan for use of models.
source: Applied Predictive Analytics: Principle and Techniques for the Professional Data Analyst

Practical Guideline
22
“Start small and pick just one program  
and build on that success”
Reference: Predictive Marketing
— said by Elif Oner, Mavi’s head of CRM
“เริ่มจากการทำสิ่งเล็กๆ ให้สำเร็จก่อน  
[แล้วจะได้รับความเชื่อใจในภายหน้า]”

Data Science Use Cases
23
• Churn Prevention
• Identify customers likely to leave, take
preventative action.
• Customer Lifetime Value
• Distinguish between customers based on
business value.
• Customer Segmentation
• Create meaningful customer groups for
more relevant interactions.
• Demand Forecasting
• Know what volumes to expect to improve
planning.
• Fraud Detection
• Identify fraudulent activity quickly, and
end it.
• Next Best Action
• The right action at the right time for the
right customer.
• Price Optimization
• Set prices that balance demand, proﬁt,
and risk.
• Product Propensity
• Predict what your customers will buy,
before even they know it.

24
• Text Mining
• Extract insight from unstructured content.
• Next Best Action
• The right action at the right time for the
right customer.
• Price Optimization
• Set prices that balance demand, proﬁt,
and risk.
• Product Propensity
• Predict what your customers will buy,
before even they know it.
• Quality Assurance
• Resolve quality issues before they
become a problem.
• Predictive Maintenance
• Predict equipment failure, plan cost-
effective maintenance.
• Risk Management
• Understand risk to manage it. 
• Up- and Cross-Selling
• Convince customers to buy more. 

Banking ManufacturingTelecommunication
25
Retail InsuranceUse Cases
Churn Prevention
Customer Lifetime Value
Customer Segmentation
Next Best Action
Product Propensity
Up- and Cross-Selling
Demand Forecasting
Price Optimization
Risk Management
Fraud Detection
Quality Assurance
Predictive Maintenance
Text Mining

Data Science objectives
26
“There are 2 possible ways in which  
proﬁtability of a business can grow
— by increasing revenues or decreasing cost"
Increase
Revenue
Reduce
Cost
Reference: Predictive Analytics for Marketers
“การทำให้ธุรกิจเติบโตมี 2 แนวทาง คือ  
การเพิ่มรายได้หรือการลดต้นทุน”

Data
• ข้อมูลลูกค้า
27
ชื่อ
เพศ
ปิติ
ยินดี
ชาย
0891234567
Customer ID Name Surname Gender Birthdate
D2018-0001 ปิติ ยินดี ชาย 28/08/2545
ข้อมูลลูกค้า

Data
• ข้อมูลลูกค้า
28
Customer ID Name Surname Gender Birthdate
D2018-0001 ปิติ ยินดี ชาย 28/08/2545
D2018-0002 มานี มีความสุข หญิง 22/06/2545
D2018-0003 ชูใจ ไปดี หญิง 12/05/2545
ชื่อ
เพศ
ปิติ
ยินดี
ชาย
0891234567
ชื่อ
เพศ
มานี
มีความสุข
หญิง
0898765432
ชื่อ
เพศ
มานี
มีความสุข
หญิง
0898765432
ข้อมูลลูกค้า

Data
• ข้อมูลการซื้อสินค้า
29
ใบเสร็จการซื้อสินค้า
Inv. No Date Product ID Price Cust. ID
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
ตารางเก็บข้อมูลการซื้อสินค้า

Data Storage
• ข้อมูลยอดขายแต่ละสาขา
30
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
2020002 02-02-2020 00150 150 18102
2020002 02-02-2020 00182 200 18102
2020002 02-02-2020 00185 250 18102

Data Storage
• ข้อมูลยอดขายแต่ละสาขา
31
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
2020002 02-02-2020 00150 150 18102
2020002 02-02-2020 00182 200 18102
2020002 02-02-2020 00185 250 18102
2020003 03-02-2020 00100 100 18101
2020003 03-02-2020 00150 150 18101
2020003 03-02-2020 00182 200 18101
2020003 03-02-2020 00185 250 18101

Data
• ตัวอย่างการเชื่อมโยงข้อมูล
32
Customers
Customer_ID
Name
Surname
Gender
Birthdate
Orders
Customer_ID
Branch_ID
Product_ID
Price
Date
Branches
Branch_ID
Location
Province
Products
Product ID
Name
Unit
Price
Detail

Data Preparation
• เนื่องจากการซื้อสินค้า 1 ครั้งมีการซื้อได้มากกว่า 1 ชนิด ทำให้กระจายเป็นหลายแถว
• ต้องรวมให้เป็นการซื้อสินค้า 1 ครั้งเป็น 1 แถว
33
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
2020002 02-02-2020 00150 150 18102
2020002 02-02-2020 00182 200 18102
2020002 02-02-2020 00185 250 18102
2020003 03-02-2020 00100 100 18101
2020003 03-02-2020 00150 150 18101
2020003 03-02-2020 00182 200 18101
2020003 03-02-2020 00185 250 18101
Inv. No Date Sum(Price) Cust. ID
2020001 31-01-2020 700 18101

Data Preparation
34
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
2020002 02-02-2020 00150 150 18102
2020002 02-02-2020 00182 200 18102
2020002 02-02-2020 00185 250 18102
2020003 03-02-2020 00100 100 18101
2020003 03-02-2020 00150 150 18101
2020003 03-02-2020 00182 200 18101
2020003 03-02-2020 00185 250 18101
2020001 31-01-2020 700 18101
2020002 02-02-2020 600 18102

Data Preparation
35
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
2020002 02-02-2020 00150 150 18102
2020002 02-02-2020 00182 200 18102
2020002 02-02-2020 00185 250 18102
2020003 03-02-2020 00100 100 18101
2020003 03-02-2020 00150 150 18101
2020003 03-02-2020 00182 200 18101
2020003 03-02-2020 00185 250 18101
2020001 31-01-2020 700 18101
2020002 02-02-2020 600 18102
2020003 03-02-2020 700 18101

Data Preparation
• สร้าง customer proﬁle และสร้างตัวแปร (variable) ใหม่
36
2020001 31-01-2020 700 18101
2020002 02-02-2020 600 18102
2020003 03-02-2020 700 18101
Count by  
Customer ID
Customer ID Count
18101 2
18102 1

Data Preparation
37
2020001 31-01-2020 700 18101
2020002 02-02-2020 600 18102
2020003 03-02-2020 700 18101
Count by  
Customer ID
Customer ID Count
18101 2
18102 1
Sum price
Customer ID Sum(Sum(Price)
18101 1,400
18102 600

Data Preparation
38
2020001 31-01-2020 700 18101
2020002 02-02-2020 600 18102
2020003 03-02-2020 700 18101
Count by  
Customer ID
Customer ID Count (Cust.ID)
18101 2
18102 1
Lastest Date
Customer ID Max(Date)
18101 03-02-2020
18102 02-02-2020
Sum price
18101 1,400
18102 600

Data Preparation
39
Customer ID Count
18101 2
18102 1
Customer ID Max(Date)
18101 03-02-2020
18102 02-02-2020
18101 1,400
18102 600
+ +
=
Customer ID Count(Customer ID) Max(Date) Sum(Sum(Price)
18101 2 03-03-2020 1,400
18102 1 02-02-2020 600

Data Preparation
• จากการซื้ิอหนึ่งครั้ง จะได้
• ใครคือคนซื่้อ
• เวลาที่ซื้อ
• วันที่ซื้อ
• ที่อยู่
• เพศ (อาจจะดูจากคำนำหน้าชื่อ)
• จำนวนที่ซื้อ
• สี ประเภทของสินค้า
• ราคาที่ซื้อ
• เป็นการซื้อครั้งแรกหรือซื้อซ้ำ
• ซื้อสินค้าเต็มราคาหรือลดราคา
• ซื้อห่างจากคราวก่อนกี่วัน
• เลือกการส่งสินค้าแบบไหน
• ช่องทางการซื้อสินค้า
40
2020001 31-01-2020 00100 100 18101
2020001 31-01-2020 00150 150 18101
2020001 31-01-2020 00182 200 18101
2020001 31-01-2020 00185 250 18101
2020002 02-02-2020 00150 150 18102
2020002 02-02-2020 00182 200 18102
2020002 02-02-2020 00185 250 18102
2020003 03-02-2020 00100 100 18101
2020003 03-02-2020 00150 150 18101
2020003 03-02-2020 00182 200 18101
2020003 03-02-2020 00185 250 18101

Example Use Cases
41
ข้อมูล transaction
รายงานช่วงเวลาการขายสินค้า
D/T 08:00 09:00 10:00
M
T
W
Th
Customer Segmentation
$$$
$$$$
$$$
$
$$
Product RecommendationPropensity to BuyDemand Forecast
Jan Feb Mar Apr May
10,000
15,000
20,000
25,000
30,000

Example Use Cases
• ช่วงเวลาที่ขายสินค้าได้ดี
42
data source: https://www.kaggle.com/ashydv/online-retail-store

Example Use Cases
43

Example Use Cases
44

Example Use Cases
• Customer Segmentation
45

Example Use Cases
• Product Recommendation
46
data source: generated from RapidMiner Studio 9

Example Use Cases
• Product Recommendation
47

Example Use Cases
• Propensity to Buy
48

Example Use Cases
• Propensity to Buy
49

Example Use Cases
50

Example Use Cases
51

Skills for success
52
Technical Skills
Database
Data Preparation
Data Warehouse
Business Intelligence
Data Mining
Data Science
Machine Learning
Statistics
Soft Skills
Data Visualization
Storytelling with data
Communication
PresentationX

For more information
• หสม. ดาต้า คิวบ์ (data cube)
• website: http://www.dataminingtrend.com
• facebook: http:facebook.com/datacube.th หรือ http://facebook.com/sit.ake
• email: eakasit@datacubeth.ai
• lineID: eakasitp
53

Practical Data Science Use-cases in Retail & eCommerce

More Related Content

What's hot

Similar to Practical Data Science Use-cases in Retail & eCommerce

More from Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University