Uczenie maszynowe – Blog upsaily

Wykorzystanie drzew decyzyjnych w kampaniach wyprzedażowych

Mateusz Bąska — Thu, 27 Dec 2018 10:00:43 +0000

Okres wyprzedaży to czas zwiększonych obrotów zarówno w kanale internetowym jak i stacjonarnych sklepów. Jednym z największych wyzwań w tym okresie jest odpowiednie dopasowanie kampanii marketingowej do nowych i obecnych Klientów. W zdefiniowaniu docelowej grypy odbiorców kampanii możemy wykorzystać mechanizmy eksploracji danych o Klientach, którzy dokonywali już zakupu w naszym sklepie internetowym lub stacjonarnym.

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.

Dlaczego warto wykorzystać uczenie maszynowe w branży modowej ?

Maciej Pondel — Tue, 06 Nov 2018 14:36:48 +0000

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.

Branża modowa jest bardzo wdzięcznym obiektem tego typu analiz uczenia maszynowego

Jest ku temu przynajmniej kilka powodów:

• Klienci mają powtarzalne potrzeby – dokonują regularnych zakupów – a więc mamy sporo danych do wyciągania wniosków.
• Właściwie niemal każdy, niemal zawsze potrzebuje jakiegoś nowego ubrania. Podstawą sukcesu sprzedażowego jest dotarcie do odpowiedniej osoby z odpowiednią ofertą w odpowiednim czasie.
• Duża część klientów nie jest wierna jednemu sklepowi. Mogliby kupować u nas więcej, ale z różnych powodów odchodzą do konkurencji. Tacy klienci z jednej strony pokazują, że gdzieś popełniliśmy błąd, natomiast z drugiej strony stanowią ogromny potencjał, który możemy lepiej wykorzystać zachęcając ich do powrotu.
• Stosunkowo łatwo dopatrzeć się logiki podejmowania decyzji zakupowych przez różne grupy klientów. Motywacje klientów przy zakupie konkretnych typów/kategorii ubrań czy produktów z konkretnych półek cenowych są w większości przypadków jasne. Musimy je tylko znaleźć i wykorzystać.

upsaily to Twój najlepszy pracownik sklepu internetowego

Pracownik sklepu z odzieżą łatwo dostrzeże i zrozumie czym kierują się klienci przy podejmowaniu decyzji zakupowej. Niestety w przypadku sklepu internetowego, gdzie liczba klientów oraz zamówień wyrażana jest w tysiącach a często setkach tysięcy natomiast oferowane produkty również sięgają setek bądź tysięcy – żaden człowiek nie poradzi sobie z rzetelną analizą i zrozumieniem potrzeb pojedynczych klientów. Dla algorytmów uczenia maszynowego znalezienie wzorców na zbiorach składających się nawet z milionów transakcji nie będzie stanowiło problemu. Znalezione wzorce zostaną użyte do zaproponowania klientom produktów dopasowanych do ich potrzeb.

Wiem, że warto….i co teraz?

Zbliża się Black Friday, który jest szczególnie istotny z perspektywy branży modowej. Przy tej okazji będziemy chcieli przypomnieć się naszym klientom i zaproponować im konkretne obniżki cen. Niestety każdy z naszych klientów otrzyma przynajmniej kilka podobnych komunikatów od naszej konkurencji. Każdy sklep będzie kusił rabatami. Co zrobić, żeby klient zdecydował się zapoznać akurat z nasza ofertą i dokonał zakupu? Polećmy mu produkt, którym potencjalnie będzie zainteresowany. Wykorzystajmy wiedzę drzemiącą w danych, które niejednokrotnie zbieramy od lat.

Dlaczego powinienem wybrać właśnie upsaily?

Obecnie większość mechanizmów rekomendacyjnych działających dla branży modowej w Internecie prezentuje produkty, które aktualnie są modne, bądź te których klient szukał albo je oglądał. My proponujemy uwzględnienie całej historii zakupów każdego z klientów i wygenerowanie rekomendacji w oparciu o faktycznie podjęte przez klientów decyzje dotyczące zakupu określonych produktów.

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.

Pięć sposobów na zastosowanie machine learning w e-commerce

Marga Rudno-Rudzińska — Thu, 30 Aug 2018 14:02:28 +0000

W ciągu ostatnich kilku lat uczenie maszynowe (ang. machine learning) znacząco zyskało na popularności. Powód? Zastosowanie metod machine learning w biznesie pozwala na maksymalne wykorzystanie informacji, jakie firma otrzymuje od swoich klientów. W e-commerce daje to możliwość wytworzenia spersonalizowanych punktów danych (ang. data point), unikalnych dla danych użytkowników lub grup użytkowników, dzięki którym firmy mogą trafić ściśle w preferencje swoich klientów. Poniżej zostały pokrótce przedstawione sposoby na użycie metod machine learning w biznesie, jakim jest e-commerce.

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.