Dự án 3 phân tích thăm dò hành vi của khách hàng khoa học dữ liệu thực hành cho tiếp thị

  Dự án - Phân tích thăm dị hành vi khách hàng Khoa học liệu thực hành cho tiếp thị Cải thiện chiến lược tiếp thị bạn với học máy sử dụng Python R  Yoon Hyup Hwan · Mục lục Dự đoán khả tương tác tiếp thị Phân tích dự đốn tiếp thị Ứng dụng phân tích dự đốn marketing Đánh giá mơ hình phân loại Dự đốn khả tương tác tiếp thị với mã hóa Biến Python Mã hóa biến đáp ứng Mã hóa biến phân loại Xây dựng mơ hình dự đốn Mơ hình rừng ngẫu nhiên Đào tạo mơ hình rừng ngẫu nhiên Đánh giá mơ hình phân loại Dự đoán khả tương tác tiếp thị với mã hóa Biến R  Mã hóa biến đáp ứng Mã hóa biến phân loại Xây dựng mơ hình dự đốn Mơ hình rừng ngẫu nhiên Đào tạo mơ hình rừng ngẫu nhiên Đánh giá mơ hình phân loại Tóm tắt   Giá trị lâu dài khách hàng CLV Đánh giá mơ hình hồi quy Dự đốn CLV tháng với Python Data cleanup Phân tích liệu Dự đoán chuẩn bị liệu CLV tháng Hồi quy tuyến tính Đánh giá hiệu suất mơ hình hồi quy Dự đoán CLV tháng với R  Dọn dẹp liệu Phân tích liệu Dự đốn chuẩn bị liệu CLV tháng Hồi quy tuyến tính Đánh giá hiệu suất mơ hình hồi quy Tóm tắt Phân khúc khách hàng theo hướng liệu Thuật toán phân khúc khách hàng Phân khúc khách hàng tính dọn dẹp Python Data  phân cụm k-means Lựa chọn số lượng cụm tốt Diễn giải phân khúc khách hàng Phân khúc khách hàng R Data cleanup  phân cụm k-means Lựa chọn số lượng cụm tốt Diễn giải phân khúc khách hàng Tóm tắt Giữ chân khách hàng Khách hàng rời bỏ giữ chân Mạng nơron nhân tạo Dự đoán tỷ lệ rời bỏ khách hàng với phân tích chuẩn bị Python Data   ANN với đánh giá Mơ hình Keras Dự đốn tỷ lệ rời bỏ khách hàng với R Phân tích liệu chuẩn bị ANN với Keras Đánh giá mơ hình Tóm tắt 5. Phần 5: Ra định tốt 12 Thử nghiệm A / B để có chiến lược tiếp thị tốt Thử nghiệm A / B cho tiếp thị Thử nghiệm giả thuyết thống kê Đánh giá kết A/B testing với Python Data analysis Kiểm tra giả thuyết thống kê Đánh giá kết thử nghiệm A / B với R  Phân tích liệu  Tóm tắt  kiểm tra giả thuyết thống kê 13 Tiếp theo gì'? Tóm tắt chủ đề đề cập sách Xu hướng tiếp thị Quy trình làm việc khoa học liệu Mơ hình máy học Khoa học liệu thực tế thách thức Những thách thức liệu  Những thách thức sở hạ tầng  Những thách thức việc lựa chọn mơ hình phù hợp Tóm tắt thêm mơ hình gói máy học  Những sách khác bạn thích Để lại đánh giá - cho độc giả khác biết suy nghĩ bạn   Dự đoán khả tương tác tiếp thị Trong chương này, mở rộng kiến thức thu từ chương trước tập phân tích khách hàng mà chúng tơi thực Chapte r 7, Phân tích thăm dị hành vi khách hàng Để có  những chiến lược marketing thành công thông minh hơn, khơng thể dừng lại việc phân tích liệu khách hàng.  Với công nghệ tiên tiến trong khoa học liệu và máy học, chúng tơi có thể đưa đốn ước tính thơng minh hành vi tương lai của khách hàng, chẳng hạn loại khách hàng có nhiều khả tương tác với nỗ lực tiếp thị , số lượng mua hàng mà khách hàng có khả thực loại khách hàng có khả thực loại khách hàng có khả rời bỏ Những dự đốn đốn thơng minh xây dựng dựa liệu khách hàng lịch sử giúp  bạn cải thiện hiệu suất tiếp thị điều chỉnh thêm chiến lược tiếp thị cho đối tượng mục tiêu khác Trong chương này, tìm hiểu cách chúng ta có thể sử dụng khoa học liệu học máy để dự đoán kết trong tương lai cách điều giúp ích cho nỗ lực tiếp thị tương lai bạn Trong chương này, sẽ đề cập đến chủ đề sau: Phân tích dự đốn tiếp thị Đánh giá mơ hình phân loại Dự đốn khả tương tác tiếp thị với Python Dự đoán khả tương tác tiếp thị với R    Phân tích dự đốn tiếp thị Phân tích dự đốn q trình phân tích trích xuất thơng tin từ liệu lịch sử để xác định mẫu đưa dự đoán kết tương lai Nhiều mơ hình thống kê máy học thường sử dụng để tìm mối quan hệ thuộc tính tính tập liệu biến hành vi mục tiêu mà bạn muốn dự đốn.  Phân tích dự đốn sử dụng áp dụng nhiều ngành cơng nghiệp khác Ví dụ, thường sử dụng ngành tài để phát gian lận, nơi mơ hình học máy đào tạo để phát ngăn chặn giao dịch gian lận tiềm ẩn Ngành chăm sóc sức khỏe hưởng lợi từ phân tích dự đốn để giúp bác sĩ q trình định họ.  Hơn nữa, có nhiều phần khác tiếp thị hưởng lợi từ phân tích dự đốn, chẳng hạn thu hút khách hàng, giữ chân khách hàng, bán thêm bán kèm, để kể tên số Trong phân tích dự đốn, nói rộng ra, có hai loại vấn đề: Vấn đề phân loại: Vấn đề phân loại nơi có tập hợp danh mục mà quan sát thuộc Ví dụ: dự đốn liệu khách hàng có mở email tiếp thị hay khơng vấn đề phân loại Chỉ có hai kết xảy là mở email tiếp thị khơng mở email Các toán hồi quy: Mặt khác, tốn hồi quy nơi kết đảm nhận phạm vi số thực Ví dụ, dự đoán giá trị trọn đời khách hàng vấn đề hồi quy. Một khách hàng có giá trị trọn đời la khách hàng khác có giá trị trọn đời 10,000 đô la Loại vấn đề này, kết nhận giá trị liên tục, gọi toán hồi quy Trong chương này, tập trung vào vấn đề  phân loại phổ biến ngành tiếp thị — dự đoán khả tương tác khách hàng.  Trong chương tiếp theo, Chương 9, Giá trị trọn đời khách hàng ,   Chúng giải vấn đề hồi quy thường xuyên xuất ngành tiếp thị   Ứng dụng phân tích dự đốn marketing  Như đề cập ngắn gọn trước đây, có nhiều cách để áp dụng sử dụng phân tích dự đốn tiếp thị Trong phần này, thảo luận bốn trường hợp sử dụng phổ biến phân tích dự đốn tiếp thị: Khả tương tác: Phân tích dự đốn giúp nhà tiếp thị dự  báo khả tương tác khách hàng với chiến lược tiếp thị họ Ví dụ: hoạt động tiếp thị bạn diễn nhiều không gian email, bạn sử dụng phân tích dự đốn để dự đốn khách hàng nào có khả cao mở email tiếp thị bạn tùy chỉnh- điều chỉnh chiến lược tiếp thị bạn cho khách hàng có khả cao để tối đa hóa kết tiếp thị bạn Một ví dụ khác, bạn hiển thị quảng cáo phương tiện truyền thông xã hội, phân tích dự đốn giúp bạn xác định số loại khách hàng định có khả nhấp vào quảng cáo Giá trị lâu dài khách hàng: Phân tích dự đốn giúp bạn dự báo giá trị trọn đời dự kiến khách hàng Sử dụng liệu giao dịch lịch sử, phân tích dự đốn giúp bạn xác định những khách hàng có giá trị cao sở khách hàng Với dự đốn này, bạn cơng ty bạn tập trung nhiều vào việc xây dựng mối quan hệ lành mạnh với khách hàng có giá trị cao đó Chúng ta thảo luận Chi tiết cách xây dựng mơ hình dự đốn cho dự báo giá trị trọn đời khách hàng chương sau Đề xuất sản phẩm nội dung phù hợp: Như chúng ta thảo luận Chương 6, Đề xuất sản phẩm phù hợp, sử dụng khoa học liệu máy học để dự đốn khách hàng có khả mua sản phẩm xem nội dung Sử dụng dự đốn này,  bạn cải thiện tỷ lệ chuyển đổi khách hàng cách đề xuất sản phẩm nội dung phù hợp cho khách hàng Thu hút giữ chân khách hàng: Phân tích dự đốn sử dụng nhiều để thu hút giữ chân khách hàng Dựa   Dữ liệu hồ sơ bạn thu thập khách hàng tiềm khách hàng tiềm liệu lịch sử khách hàng tại, bạn áp dụng phân tích dự đốn để xác định khách hàng tiềm chất lượng cao xếp hạng khách hàng tiềm theo khả họ chuyển đổi thành khách hàng hoạt động Mặt khác, bạn sử dụng liệu khách hàng rời liệu lịch sử của khách hàng để phát triển mơ hình dự đốn nhằm dự báo khách hàng có khả rời khỏi hủy đăng ký sản phẩm bạn Chúng ta thảo luận chi tiết việc áp dụng phân tích dự đốn để giữ chân khách hàng trong Chương 11, Giữ chân khách hàng   Ngoài bốn trường hợp sử dụng phổ biến phân tích dự đốn tiếp thị, có nhiều cách khác để bạn sử dụng phân tích dự đốn cho chiến lược tiếp thị Bạn nên sáng tạo cách thức địa điểm sử dụng phân tích dự đốn cho chiến lược tiếp thị tương lai   Đánh giá mơ hình phân loại Khi phát triển mơ hình dự đoán, điều quan trọng phải biết cách đánh giá mơ hình Trong phần này, thảo luận năm cách khác để đánh giá hiệu suất mơ hình phân loại Số liệu sử dụng để đo lường hiệu suất dự đốn  độ xác Độ xác đơn giản tỷ lệ phần trăm dự đốn xác số tất dự đốn, hiển thị cơng thức sau: Số liệu thứ hai thường sử dụng cho vấn đề phân loại  độ xác Độ xác định nghĩa số lượng dương tính thực chia cho tổng số dương tính thật dương tính giả Dương tính thực trường hợp mơ hình dự đốn xác dương, dương tính giả trường hợp mơ hình dự đốn dương, nhãn thực Âm tính Cơng thức trơng sau: Cùng với độ xác, thu hồi cũng thường sử dụng để đánh giá hiệu suất mơ hình phân loại Thu hồi định nghĩa số lượng dương tính thực chia cho số dương tính thực cộng với âm tính giả Âm tính giả trường hợp mơ hình dự đốn âm, nhãn thực dương Việc thu hồi coi thước đo lượng trường hợp dương tính lấy tìm thấy mơ hình Cơng thức trông sau:    Hai số cuối mà thảo luận đường cong đặc tính hoạt động máy thu (ROC) khu vực đường cong ( AUC) Đường cong ROC cho thấy tỷ lệ dương tính thực tỷ lệ dương tính giả thay đổi ngưỡng khác AUC đơn giản tổng diện tích đường cong ROC AUC dao động từ đến số AUC cao cho thấy hiệu suất mơ hình tốt Bộ phân loại ngẫu nhiên có AUC 0,5, trình phân loại có AUC cao 0,5 cho thấy mơ hình hoạt động tốt dự đoán ngẫu nhiên Một đường cong ROC điển hình trơng sau:   Xây dựng mơ hình dự đốn  Chúng tơi gần sẵn sàng để  bắt đầu xây dựng đào tạo mơ hình máy học để dự đoán phản hồi mức độ tương tác khách hàng Có điều cần làm trước bắt đầu đào tạo mơ hình rừng ngẫu nhiên Chúng ta cần chia  tập mẫu, biến encodedDF, thành hai tập để đào tạo các mơ hình để kiểm tra đánh giá mơ hình đào tạo Gói caTools R có chức tiện dụng giúp chia mẫu định thành tàu thử nghiệm Nếu bạn chưa cài đặt thư viện mơi trường R,  bạn cài đặt lệnh sau: install.packages ('caTools')   Bây giờ, xem đoạn mã sau cách chia mẫu thành đào tạo thử nghiệm: thư viện (caTools) mẫu