Eksploracja danych to proces odkrywania uogólnionych reguł i wiedzy zawartej w bazach danych, oparty  na  metodach  statystycznych oraz technikach sztucznej inteligencji. Idea eksploracji danych polega na wykorzystaniu szybkości komputera do znajdowania ukrytych dla człowieka (z uwagi na ograniczone możliwości czasowe) prawidłowości w zgromadzonych danych. Istnieje  wiele  technik eksploracji danych, które wywodzą się z ugruntowanych dziedzin nauki takich jak statystyka i uczenie maszynowe.  Jednym  z  najistotniejszych zagadnień z dziedziny uczenia maszynowego jest wybór metody klasyfikacji.

Jak mogę wykorzystać eksplorację danych na potrzeby marketingu e-commerce?

Do określenia docelowej grupy Klientów którzy z dużym prawdopodobieństwem dokonają zakupu w trakcie wyprzedaży, możemy wykorzystać metodę klasyfikacji  jaką  jest drzewo decyzyjne. Drzewa decyzyjne    to    graficzna    metoda    wspomagania procesu decyzyjnego. Algorytm drzew decyzyjnych jest również stosowany w uczeniu maszynowym do pozyskiwania  wiedzy  na  podstawie  przykładów. Koncepcja  Bugging  polega  na  budowie ekspertów dla  podzbioru  zadań.  W  tym  przypadku,  ze wszystkich problemów do rozwiązania losowany jest  ze  zwracaniem  podzbiór  problemów  a następnie dla tego podzbioru szukany jest ekspert. W algorytmie tym z całego zbioru danych uczących losowany   jest   podzbiór  i  dla  tego  podzbioru budowany jest model predykcyjny, następnie po raz   kolejny   ze   zwracaniem   losowany   jest   inny podzbiór  wektorów  i  dla  niego  budowany  jest kolejny model. Całość jest powtarzana kilkukrotnie a na koniec wszystkie zbudowane modele użyte są do głosowania.

W  ramach  metod  drzew  decyzyjnych  istnieje  kilka algorytmów,  w  naszym  przypadku  został wykorzystany  algorytm  Random  Forest polegająca na    tworzeniu     wielu    drzew    decyzyjnych    na podstawie   losowego   zestawu   danych.   Idea   tego   algorytmu   polega   na zbudowaniu   konsylium ekspertów z losowych drzew decyzyjnych, gdzie w odróżnieniu od klasycznych drzew decyzji, losowe drzewa budowane są na zasadzie, iż podzbiór analizowanych cech w węźle dobierany jest losowo.

Cechy   algorytmu   Random   Forest

Jest   najlepszy  jeśli  chodzi  o  dokładność  wśród  pozostałych algorytmów działa skutecznie na dużych bazach danych utrzymuje dokładność w przypadku braku danych daje oszacowanie, które zmienne są istotne w klasyfikacji nie ma potrzeby przycinania drzew lasy mogą być zapisane i wykorzystane w przyszłości dla innego zbioru danych nie wymaga wiedzy eksperckiej. Pojedyncze  klasyfikatory  lasu  losowego  to  drzewa  decyzyjne.  Algorytm  Random Forest bardzo dobrze nadaje się do badania próby, gdzie wektor obserwacji jest dużego wymiaru. Przeprowadzona  została  analiza  z  wykorzystaniem  algorytmu  Random  Forest w    ramach przeprowadzonej analizy transakcji klientów w kanale internetowym. Algorytm został uruchomiony na podstawie parametrów:

• Zakup zrealizowany w miasta
• Wielkość populacji miasta
• Ilość dni od pierwszego zakupu
• Ilość zamówień Klienta
• Ilość produktów w zamówieniu
• Średnia zniżka w zamówieniu

Wyniki  algorytmu zaklasyfikowały 886 klientów, którzy z dużym prawdopodobieństwem dokonają zakupu w najbliższej z akcji wyprzedażowej.

The post Wykorzystanie drzew decyzyjnych w kampaniach wyprzedażowych appeared first on Blog upsaily.

Zastanawiasz się dlaczego Twój dostawca usług internetowych prosi Cię o ocenę jego portalu obsługi klienta? Drażnią Cię maile, smsy i aplikacyjne pop-up’y proszące o ocenę nowych funkcji czy usług? „Oceń”, „opisz”, „powiedz czy Ci się podoba” wyskakują niemalże z każdego okna przeglądarki. Dlaczego Twoja opinia jest tak ważna?

Witaj w erze klientów tworzących produkty!

Tak, to może stać się męczące szczególnie, że fala produktów napędzanych informacją zwrotną od klientów nabiera tempa. Jak to możliwe, że produkty tworzyły się do tej pory bez Twojego udziału? W dużej mierze z tego samego powodu, dla którego tak wiele z nich nie odniosło sukcesu i nigdy o nich nie usłyszałeś – nie odpowiadały na realne potrzeby biznesowe. W erze łatwego dostępu do informacji, systemów analitycznych i sposobów na szybki kontakt między twórcą a odbiorcą, firmy tworzące rozwiązania dla Ciebie, nie chcą dołączyć do grona przegranych zanim jeszcze wyścig się na dobre rozpoczął – Twoja opinia jest dla nich najlepszym źródłem wiedzy.

Dotychczas w fazie realizacyjnej projektu liczyły się trzy rzeczy – czas, budżet i zakres. No, niektórzy dodawali do tej układanki jakość. Najpierw tworzono produkty od a-z, dopiero w pełni gotowe wpuszczano je na rynek…i czekano na efekty. Efekty czyli Twoją, Użytkowniku, reakcję. Jeśli produkt się sprzedawał to znaczy, że się podobał – sukces! Oczywiście nietrudno sobie wyobrazić scenariusz, w którym sukcesu brak, a wszystkie wysiłki, koszty i chęci trafiają do kosza. Dlatego w obecnych czasach, Czasach Zwinnego Budowania Produktów, twórcy wolą już na początku się upewnić, że to, co tworzą, znajdzie swoich odbiorców – Twoja opinia jest więc niezwykle istotna.

Kto może chcieć znać moją opinię?

Nie ma znaczenia rozmiar projektu czy wielkość firmy – tworzenie każdego produktu wymaga informacji zwrotnej. Ta zasada ma zastosowanie nie tylko w relacji klient-twórca, feedback „spływa” do deweloperów ze wszystkich stron – od użytkowników, od innych zespołów wewnątrz firmy, od rynku poprzez analizy trendów i konkurencji. Feedback czy opinia od klientów są szczególnie istotne dla firm tworzących rozwiązania dla bardzo specyficznej grupy odbiorców, rozwiązania B2B czy takich, które próbują wprowadzić na rynek innowacyjny produkt, z którego żaden z dotychczasowych klientów nie miał szansy jeszcze skorzystać. Czym innym jest więc tworzenie kolejnego systemu do komunikacji typu chat, w którym łatwiej jest rozpocząć pracę bazując na benchmarku obecnych rozwiązań i wszechobecnych w Internecie opiniach o mocnych i słabych stronach działających już aplikacji, czym innym jest natomiast tworzenie produktu, który nie ma na rynku swojego odzwierciedlenia (z takim właśnie przypadkiem, tworząc customer intelligence i machine learning w analizie danych na potrzeby marketingu, mamy do czynienia w upsaily). Te ostatnie firmy będą próbowały uzyskać jak najwięcej informacji o twoich potrzebach, o tym, co jest dla Ciebie ważne i w jaki sposób do tej pory radziłeś sobie w danym temacie. Na podstawie informacji, którą przekażesz, zespół będzie w stanie opracować strategie i narzędzia, które mogą nie tylko usprawnić Twoją pracę ale też pomóc osiągnąć wyniki, które Twoim obecnym trybie pracy, były w ogóle nieosiągalne.

W jaki sposób twórcy mogą uzyskać informację o tym, czy narzędzie mi się podoba?

Z pewnością znasz tych sposobów całe mnóstwo – od wspomnianych wcześniej aplikacyjnych pop-upów, ankiet, kciuków w górę i w dół aż po smsy z prośbą o opinię. Metod dotarcia do użytkownika jest wiele a ich dobór zależy w dużej mierze od stopnia rozwoju produktu. Jeśli produkt jest na wczesnym etapie wytwórczym twórcy będą potrzebowali od Ciebie, Kliencie, większej dawki informacji – wtedy najczęściej stosowanymi strategiami są spotkania czy rozmowy podczas których klient przedstawia  swoje potrzeby, bolączki i obecne strategie radzenia sobie z nimi. Na ich podstawie budowana jest roadmapa rozwoju produktu zawierająca funkcje, które mogłyby pomóc. Warto skorzystać z zaproszeń na tego typu spotkania, bo często w zamian za aktywne uczestnictwo w rozwijaniu produktu, twórcy oferują darmowy okres próbny korzystania z systemu, którego Twoja konkurencja nie miała jeszcze okazji zobaczyć bądź dają możliwość stworzenia elementów, które będą uszyte dokładnie na Twoją miarę.
Jeśli system już działa, pula strategii uzyskania informacji zwiększa się o narzędzia analityczne, które pozwalają sprawdzić czy i w jaki sposób korzystasz z danego rozwiązania, jak często odwiedzasz daną część aplikacji czy systemu, czy w których miejscach systemu zatrzymujesz swój wzrok na dłużej. Takie narzędzia pozwalają na regularne sprawdzanie i dostosowywanie rozwoju konkretnych części systemu,
dopasowując je do Twojego stylu pracy. W wielu sytuacjach pomysł przedstawiany twórcom nie znajdzie swojego odzwierciedlenia w produkcie. Dlaczego? Pomysł na rozwiązanie to tylko pomysł na rozwiązanie – może się okazać, że nie współgra z wizją czy strategią rozwoju produktu, bądź jest inny sposób, w który można odpowiedzieć na Twoją potrzebę biznesową. Często może się więc zdarzyć, że zostanie Ci zaoferowane inne rozwiązanie niż to, które miałeś początkowo w głowie – na każdy problem jest przecież wiele strategii rozwiązania. Nie obawiaj się więc wypróbowywania w praktyce nowych dostępnych funkcji, a jeśli coś jest dla Ciebie niejasne i nie jesteś pewien czy wykorzystujesz produkt w 100% jego możliwości, miej pewność, że kontaktując się z twórcami, uzyskasz wszystkie potrzebne wskazówki czy pomoc – w końcu żyjesz w erze klientów tworzących produkty!

The post Era klientów tworzących produkty, czyli jak ważna jest dla nas Twoja opinia ! appeared first on Blog upsaily.

Mechanizmy uczenia maszynowego analizując tysiące lub miliony transakcji potwierdzających dokonanie zakupów przez klientów znajdują w nich powtarzalne wzorce. Takie wzorce pokazują np. którzy klienci są przywiązani do których marek albo jakich produktów potrzebują w odpowiednich okresach, czy w jakiej kolejności.

Jeśli chcesz się dowiedzieć jak zastosować uczenie maszynowe w innych branżach e-commerce, zajrzyj na poprzedni wpis na naszym blogu!

The post Dlaczego warto wykorzystać uczenie maszynowe w branży modowej ? appeared first on Blog upsaily.

Rekomendacja produktów

Ta metoda jest stosunkowo prosta i została już wcześniej wspomniana. Jej rezultatem jest wytworzenie zestawu reguł, bazujących na zachowaniach zakupowych danego klienta. Przykładowo: czy klient, który kupił w sklepie mleko, kupi również jajka? Innymi słowy: czy zakup jednego, konkretnego produktu zwiększa szanse na zakup innych produktów? Posiadając dobrą bazę danych, algorytmy machine learning’owe mogą odpowiedzieć na te pytania i zaoferować odpowiednie produkty, konsekwentnie zwiększając sprzedaż sklepów internetowych.

Segmentacja klientów

Metoda ta zakłada podzielenie klientów na statystyczne segmenty. Grupy te są rozumiane jako zbiory indywidualności, posiadających pewne cechy wspólne, istotne z perspektywy marketingowej jak na przykład: wiek, płeć, zainteresowania czy nawyki zakupowe. Pozwala ona również określić, który z segmentów przynosi najwięcej (lub najmniej) zysków, co z kolei umożliwia odpowiednie dostosowanie kampanii marketingowej pod daną grupę klientów.

Analiza lokalizacji geograficznej klientów

Analizowanie i mapowanie informacji umożliwia firmom dokładne przewidzenie zachowań klientów. Kampanie marketingowe mogą zostać przesłane na urządzenia mobilne konkretnych grup kupujących, kiedy spodziewane jest dokonanie przez nich zakupu. Połączenie charakterystycznych nawyków zakupowych z mapowaniem użytkowników może pomóc firmom w wytworzeniu efektywnych, regionalnych kampanii marketingowych stosunkowo niewielkim nakładem finansowym.

Wartość klienta a koszt jego pozyskania (ang. Customer lifetime value to customer acquisition cost (LTV/CAC)

Stosunek ten określa relację między wartością rynkową klienta a realnym kosztem jego pozyskania. Znając idealną relację LTV/CAC, która wynosi 3:1, firmy mogą użyć machine learning’owej metody RFM (recency, frequency & monetary value) do dokładnego określenia wartości danego klienta na rynku i, co za tym idzie, odpowiednio dostosować koszt jego pozyskania. W e-commerce, jak w każdym innym biznesie, nie warto przepłacać, by pozyskaćdanego klienta (powoduje to niepotrzebne straty finansowe), jak i wydawać za mało, ryzykując jego niepozyskanie.

Na wizualizacji każdy klient to jedna kropka a kolor oznacza numer segmentu. Klienci opisani są przez to jak dawno zrobili ostatni zakup, częstotliwość dokonywania zakupów, ilość wydanych pieniędzy oraz lojalność. Segmenty grupują osoby o podobnych zachowaniach. Do każdego segmentu powinniśmy wysyłać inny rodzaj komunikacji.

Odpowiednie dopasowanie cenowe

Optymalizacja i elastyczność cen to dwa bardzo ważne elementy każdego biznesu. Opierając się na machine learning’owych metodach analizy danych firmy mogą stworzyć konkurencyjne ceny, które zarazem będą dostosowane do kontekstu zaistniałej na rynku sytuacji. Kluczem jest stworzenie cen elastycznych nie tylko ze względu na dany produkt, ale i na osobiste preferencje użytkownika, któremu są one oferowane. Przykładowo: jeśli dany klient preferuje zakup produktów przecenionych, może otrzymać 5% rabat przy konkretnym zakupie, podczas gdy klient modowy takiego rabatu nie otrzyma.

Wymienione wyżej sposoby są tylko czubkiem góry lodowej możliwości, jakie już dziś daje machine learning. Codziennie powstają nowe narzędzia, dając dziesiątki możliwości użycia samouczących się algorytmów nie tylko w firmach skoncentrowanych na e-commerce, ale i innych gałęziach biznesu.

The post Pięć sposobów na zastosowanie machine learning w e-commerce appeared first on Blog upsaily.