مقدمه مقدماتی

در خرده فروشی مدرن، انتظارات مشتری به سرعت تغییر می کند.یک نمایه استاتیک – یک بار و هرگز به روز نشده – پول را بر روی میز قرار می دهد تا رقابتی بماند، خرده فروشان نیاز به پروفایل مشتریودینامیک دارند؛ یک فرایند مداوم که بخش ها را به عنوان درختان تصمیم گیری جدید اصلاح می کند، یک تکنیک یادگیری ماشین نظارت شده، ارائه می دهد یک راه بصری اما قدرتمند برای ساخت این زنجیره های کاری پویا است که چگونه می توانند یک تصمیم گیری کنند، به بررسی کنند که چگونه می توانند بخش های ساده ای از طریق جزئیات دقیق از این روش های تصمیم گیری های کاربر را به این روش های کاربر را ارائه دهند، به این روش های کاربر را نشان دهند، به این روش های کاربر را نشان دهند که چگونه می دهند، به این روش های تصمیم گیری های تصمیم گیری شخصی را به بررسی کنند، به این روش های کاربر، به بررسی کنند، به بررسی کنند، به بررسی کنند که چگونه می دهند که چگونه می دهند که چگونه می دهند که چگونه می دهند که چگونه می دهند.

درخت های تصمیم گیری چه هستند؟

یک درخت تصمیم یک مدل پیش بینی است که تصمیمات و عواقب احتمالی آن را شبیه به یک جریان می کند: هر گره داخلی نشان دهنده یک آزمون بر روی یک ویژگی است (به عنوان مثال، "آیا مشتری بیش از 50 دلار در ماه گذشته خرج کرده است؟")، هر شاخه نشان دهنده نتیجه است و هر گره برگ دارای پیش بینی یا برچسب کلاس است.

به عنوان مثال، یک خرده فروش ممکن است یک درخت ایجاد کند که ابتدا مشتریان را با اینکه آیا آنها اعضای برنامه وفاداری هستند، تقسیم می کند، سپس با اندازه سبد متوسط، سپس با مرور دستگاه، به سرعت مشخص می کند که اعضای وفاداری با سبد بیش از 100 دلار که از طریق دسکتاپ خرید می کنند بهترین نامزدها برای ارتقاء لوکس برند هستند، این تقسیم بندی می تواند به صورت پویا به عنوان هر معامله جدید یا تعامل وارد شود.

مزایای کلیدی درختان تصمیم برای خرده فروشان

بازاریابی شخصی در مقیاس

درختان تصمیم به شما اجازه می دهند تا ریزه ها را بر اساس ویژگی های متعدد به طور همزمان ایجاد کنید، به جای ارسال تخفیف مشابه به همه، می توانید نسخه، کانال ها و توصیه های محصول را سفارشی کنید. یک درخت ممکن است نشان دهد که مشتریان جوان شهری به بهترین وجه برای انتقال اعلان ها واکنش می دهند، در حالی که خانواده های حومه ایمیل را ترجیح می دهند، این میزان تبدیل بدون نیاز به یک انسان برای تعریف دستی هر بخش.

بهبود تجربه مشتری

حرفه ای کردن فقط در مورد فروش نیست - در مورد پیش بینی نیازها است.یک درخت تصمیم می تواند خطر ریزش را با تجزیه و تحلیل فرکانس استفاده، حجم بلیط پشتیبانی و پذیرش خرید پیش بینی کند. خرده فروشان می توانند یک جریان کار حفظ (مانند یک ایمیل یا یک پیشنهاد منحصر به فرد) قبل از اینکه مشتری به روز رسانی های درخت را در زمان واقعی ترک کند، بنابراین مداخله دقیق تر با هر تعامل می شود.

منبع کارآمد Allocation

همه مشتریان به همان اندازه ارزشمند نیستند، با تقسیم بندی با یک درخت تصمیم، می توانید منابع بازاریابی با هزینه بالا (به عنوان مثال، حمل و نقل رایگان، خریداران شخصی) را در گروه های با ارزش بالا در طول عمر، در مقابل، بخش های کم ارزش را می توان با کمپین های خودکار و ارزان قیمت ارائه داد.

زمان واقعی سازگاری

تقسیم بندی سنتی RFM (Recency، فرکانس، پول) ثابت و دوباره محاسبه شده ماهانه درختان تصمیم گیری، هنگامی که با یک پلت فرم داده جریان یکپارچه، می تواند پروفایل ها را به عنوان رویداد به روز کند. مشتری که به طور ناگهانی محصولات کودک را خریداری می کند بخشی از بخش "پدر و مادر جدید" بلافاصله، تحریک ارتقاء مربوطه، این سرعت برای پیشنهادات حساس به زمان مانند فروش فلش یا روند فصلی ضروری است.

گام های پیاده سازی درختان تصمیم برای حرفه مشتری

1- جمع آوری و متمرکز کردن داده ها

جمع آوری داده ها از چندین نقطه لمسی: تاریخ خرید، سوابق وفاداری، تعاملات برنامه های تلفن همراه، ورود چت مشتری و منابع جمعیتی مدرن این داده ها را در CMS بدون سر و صدا یا انبار داده ذخیره می کنند. Directus [FLT 1] می تواند به عنوان یک مرکز داده متمرکز عمل کند: مدل محتوای انعطاف پذیر آن به شما اجازه می دهد تا پروفایل های پردازش شده، و پردازش اطلاعات را به عنوان یک نمودار ساده پردازش کنید.

ویژگی های پیش پردازش و مهندسی

داده های خام به ندرت به طور مستقیم به یک درخت تصمیم گیری متناسب هستند، متغیرهای کاتاگorical را کدگذاری می کنند (به عنوان مثال، تبدیل “نوع دستگاه” به یک ستون یک گرم)، و ویژگی های عددی را که در آن نیاز به مهندسی ویژگی های مهم است، ایجاد تجمع معنی دار مانند “تمام 30 روز گذشته”، “زمان متوسط بین خرید” یا “بخش محصول یک وابستگی”، اغلب باعث بهبود ابزارهای پردازش مستقیم می شود.

مدل درخت تصمیم را بسازید

از کتابخانه ای مانند تصمیم گیری درخت را یاد بگیرید یا یک پلت فرم ML شرکت را انتخاب کنید متغیر هدف خود را - برای پروفایل، این می تواند "بخش خرید بعدی" (درجه بندی) یا "هزینه ماه آینده" (تراژد) تجزیه داده های خود را به آموزش و آزمایش مجموعه، سپس عمق لایه برداری (حداکثر 3paraini) و یا "حداکثر کنترل نمونه های لایه برداری.

۴- بین و درخت را تأیید کنید

تجسم درخت با استفاده از کتابخانه هایی مانند یا ، تشخیص تقسیم های بالا: این مهم ترین ویژگی برای تقسیم بندی مشتریان خود هستند، عملکرد مدل را با استفاده از دقت، دقت، تماس دقیق، یا F1score در مجموعه آزمون معتبر می کند.

۵- استفاده از نقشه و Insights

قوانین تصمیم گیری را (به عنوان مثال، "اگر وفاداری = واقعی و صرف > 200 پس از آن بخش = حق بیمه") ادغام این قوانین را به CRM، پلت فرم بازاریابی ایمیل یا موتور توصیه برای پروفایل واقعا پویا، برنامه آموزش مجدد دوره ای (به طور روزانه یا هفتگی) با استفاده از داده های تازه از Directus، زیرا Directus اطلاعات مشتری خود را با زمان بازبینی و تاریخ به راحتی می توانید داده های دستی را دوباره به روز کنید.

برنامه های جهانی تصمیم گیری درخت

خرده فروشی مد از یک درخت تصمیم برای تقسیم مشتریان با اولویت سبک استفاده کرد. درخت ابتدا در نرخ بازگشت تقسیم شد، سپس بر روی مرور دسته (dresses در مقابل لباس فعال) استفاده کرد، پروفایل های حاصل اجازه داد خرده فروشی برای ارسال کتاب های جستجو هدفمند، افزایش نرخ کلیک تا 35٪ و کاهش بازده: یک سبد مواد غذایی پیش بینی شده با استفاده از یک درخت آموزش دیده بر روی تاریخ خرید و سپس دستور العمل های شخصی شده بر اساس سبد ارسال شده است.

غلبه بر چالش های مشترک

Over

درختان تصمیم می توانند سر و صدا را به ویژه با بسیاری از ویژگی ها یا درختان عمیق حفظ کنند.میت با تنظیم حداکثر عمق (به عنوان مثال، 10 سطح)، نیاز به حداقل تعداد نمونه ها در هر برگ (به عنوان مثال، 50)، یا استفاده از الگوریتم های جمع آوری مانند جنگل های تصادفی یا گرادینت افزایش همچنین در حالی که حفظ تفسیر درخت تصمیم در سطح کلی.

داده های Bias

اگر داده های آموزشی شما بیش از حد نشان دهنده انواع خاصی از مشتری (به عنوان مثال، خریداران سنگین)، درخت سوگیری خواهد داشت، اطمینان حاصل کنید که داده های شما نشان دهنده ی کیفیت کامل مشتری است.استفاده از نمونه برداری زمانی که آموزش / تقسیم بندی های آزمون. Directus’s Role-based License و ویژگی های اعتبار داده می تواند به شما در حفظ کیفیت داده ها و جلوگیری از خطاهای نمونه برداری کمک کند.

قابلیت پیش بینی در مقابل دقیق تجارت

یک درخت عمیق با صدها برگ دقیق است اما توضیح دادن به تیم های بازاریابی دشوار است، عمق درخت را به 5 تا 7 سطح پروفایل های کسب و کار محدود کنید یا از ابزارهای توضیح پس از موک مانند مقادیر SHAP استفاده کنید.

ادغام درختان تصمیم با Directus

Directus یک CMS بدون منبع باز و پلت فرم داده است که در مدیریت محتوای ساختار یافته برتری دارد.برای نمایه سازی مشتری خرده فروشی، Directus می تواند به عنوان منبع واحد حقیقت برای تمام داده های مشتری خدمت کند.

  • Ingestiontion: از API Directus برای مصرف اطلاعات مشتری از کانال های متعدد (به عنوان مثال Shopify، Google Analytics، CRM) به یک طرح یکپارچه استفاده کنید.
  • تحول داده: از اتوماسیون جریان مستقیم و اسکریپت های سفارشی برای تمیز کردن، جمع و داده های موتور سیکلت به طور مستقیم در پلت فرم استفاده کنید.
  • مدل سازی ذخیره سازی: پیش بینی فروشگاه (بخش مشتری، نمره نهایی، بهترین پیشنهاد بعدی) در Directus، و آنها را در دسترس برای برنامه های جلو و ابزار بازاریابی از طریق همان API.
  • به روز رسانی زمان واقعی: Directus پشتیبانی از وب سایت و اقدامات مبتنی بر رویداد، هنگامی که یک سفارش جدید قرار داده می شود، یک وب سایت را می تواند آموزش مجدد یا به دست آوردن پروفایل مشتری، نگه داشتن درخت تصمیم جاری بدون تاخیر پردازش دسته.

با ترکیب قابلیت های مدیریت داده Directus با یک مدل درخت تصمیم، خرده فروشان می توانند یک سیستم پروفایل پویا را ایجاد کنند که هم قدرتمند و هم عملی است – هیچ تیم علمی داده ای مورد نیاز نیست.معماری بدون سر اطمینان می دهد که پروفایل ها می توانند به هر کانال (web، تلفن همراه، کیوسک های داخل فروشگاه) با حداقل تاخیر خدمت کنند.

نتیجه گیری

پروفایل مشتری پویا دیگر لوکس نیست؛ یک ضرورت رقابتی در درختان تصمیم خرده فروشی است که یک روش شفاف، سازگار و موثر برای تقسیم مشتریان بر اساس رفتار واقعی خود را ارائه می دهد، هنگامی که با یک پلت فرم داده انعطاف پذیر مانند Directus جفت می شود، خرده فروشان می توانند زمان را از جمع آوری داده ها به بینش عملی از هفته ها به دقیقه کاهش دهند، زیرا ابزار یادگیری ماشین در دسترس تر می شود، ادغام تصمیم گیری در مورد تعامل واقعی مشتری.

برای مطالعه بیشتر، بررسی مستندات درخت تصمیم گیری (FLT:1) و مرور راهنمای مدل سازی داده هایDirectus برای دیدن اینکه چگونه ساختارهای محتوا می توانند پروفایل های مشتری شما را منعکس کنند.