導入事例

現代の小売では、顧客の期待は急速に変化します。静的プロファイルは、一度作成され、更新されず、テーブルにお金がかかる。競争を続けるためには、小売店は]ダイナミクスの顧客プロファイリングを必要とします。:新しいデータが到達するセグメントを精製する継続的なプロセス。意思決定の木、監督された機械学習技術は、これらの動的プロファイルを作成するための直観的かつ強力な方法を提供します。一連の論理的な質問をすることによって、彼らは、彼らがどのようにして、特定の作業を分析し、特定の作業をすることができます。

決定の木は何ですか?

決定ツリーは、決定とその可能な結果をマッピングする予測モデルです。フローチャートに似ています。各内部ノードは、機能に関するテストを表しています(例えば、「顧客は先月で50ドル以上を費やす」など)、各ブランチは結果を表し、各リーフノードは予測またはクラスラベルを保持しています。ツリーは、解釈が容易で、データの準備がほとんど必要で、数値と分類データの両方を自然に処理します。

例えば、小売業者は、まず、彼らがロイヤルティプログラムメンバーであるか、そして平均的なバスケットサイズによって、その後、デバイスを閲覧することによって、顧客を分割するツリーを構築することがあります。 ツリーは、デスクトップを介して買い物する$ 100を超えるバスケットで忠誠メンバーが高級ブランドプロモーションのための最良の候補であることをすぐに識別します。 このセグメンテーションは、各新しいトランザクションまたは相互作用が記録されるように動的に更新することができます。

リテールダーのための決定の木の主な利点

スケールでのパーソナライズマーケティング

決定木は、複数の属性に基づいてマイクロセグメントを作成することができます。 同じ割引をすべての人に送信する代わりに、コピー、チャネル、および製品の推奨事項をカスタマイズすることができます。 ツリーは、若い都市の顧客がプッシュ通知に最もよく反応する可能性があることを明らかにするかもしれませんが、郊外の家族は電子メールを好む。 このレベルの粒状性は、すべてのセグメントを手動で定義する人を必要としない変換率を高めます。

顧客体験の向上

プロファイリングは、販売だけでなく、期待するニーズについてです。 決定ツリーは、使用頻度を分析し、チケットのボリュームをサポートし、購入のレジテンシーを分析することで、チャーンリスクを予測できます。 リテイラーは、顧客から出てきた前に、リテイナーズワークフロー(「私たちはあなたを逃す」メールや排他的なオファーなど)をトリガーすることができます。 ツリーの更新はリアルタイムで行われるため、各インタラクションでインターベンションがより正確になります。

効率的な資源配分

お客様が、同じ価値をもちなものにするわけではありません。決定ツリーと分別することで、高価なマーケティングリソース(例えば、フリー配送、個人買い物客)を、高生涯価値グループに集中することができます。逆に、低値のセグメントは、自動化された低コストのキャンペーンで提供することができます。これにより、廃棄物を削減し、広告支出に対するリターンを改善します。

リアルタイムの適応性

従来のRFM(Recency、周波数、Monetary)のセグメンテーションは静的で再計算された月間です。 ストリーミングデータプラットフォームと統合されると、イベントが発生したときにプロファイルを更新することができます。 突然赤ちゃんの製品を買った顧客は、関連するプロモーションをトリガーし、すぐに「新しい親」セグメントの一部になります。 この速度は、フラッシュ販売や季節的な傾向のようなタイム感度の高いオファーにとって重要です。

顧客プロファイリングのための意思決定ツリーを実装する手順

1. データを収集し、一元化

複数のタッチポイントからデータを収集:購入履歴、ロイヤリティレコード、ウェブサイトのクリックストリーム、モバイルアプリのやり取り、カスタマーサポートチャットログ、および人口統計情報源。現代の小売店は、このデータをヘッドレスCMSまたはデータウェアハウスに保存します。 [Directus[]は、集中データハブとして機能することができます。その柔軟なコンテンツモデルは、顧客プロファイル、トランザクションログ、および構造化されたコンテンツとして行動イベントを保存し、RESTLモデルを介して直接または直接的にデータをエクスポートすることができます。

2. 事前処理およびエンジニアの特徴

生データは、決定ツリーに直接収まることはめったにありません。欠落した値をきれいにし、分類変数をエンコードします(例えば、「デバイスタイプ」を1つの列に変換)、必要な数値機能を正規化します。機能エンジニアリングは重要なことです。つまり、「合計30日間」や「購入間の平均時間」、または「製品カテゴリの親和性」といった意味のある集計を作成します。これらの派生機能は、ツリーのパフォーマンスを向上させることが多いです。Directusでは、カスタムデータベースを作成したり、これらのデータが生成される前に、データが生成される前に、データが生成されるように、データベースを生成したり、データが生成したり、データベースを生成したりすることができます。

3. 決定の木モデルを造って下さい

scikit-learnのDecision Tree ClassifierやエンタープライズMLプラットフォームなどのライブラリを使用します。 ターゲット変数を選択します。 プロファイルには、これは「次の購入カテゴリ」(分類)または「次の月を期待」することができます。 データをトレーニングとテストセットに分割し、ツリーに収まる。 最大深さ、最小サンプル、葉、および基準(Gigini)、および3〜5〜5〜3〜5〜5〜5〜3〜5〜5〜5〜5〜5〜5〜3〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜3〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜5〜3〜5〜5〜3〜3〜5〜5〜3〜3〜5〜5〜4〜4〜4〜4〜4〜4〜4〜4〜4〜5〜4〜4〜5〜

4. ツリーの解釈と検証

やなどのライブラリを使用してツリーを視覚化します。 一番上の分割を特定します。 これらは、顧客をセグメント化するための最も重要な機能です。 精度、精度、またはテストセットのF1スコアを使用してモデルのパフォーマンスを検証します。 ツリーがトレーニングにあまり深くても正確でなければ、テストでは実行しないでください。

5. 導入とインサイトの適用

決定ルールをエクスポート (例えば, “ロイヤリティ = true と支出のとき > $200 その後、セグメント = プレミアム”). これらのルールをCRMに統合します, 電子メールマーケティングプラットフォーム, または推奨エンジン. 本当に動的プロファイリングのために, スケジュール定期的なリトレイン (毎日または毎週) 新鮮なデータを使用して直接. ダイレクトスは、タイムスタンプとリビジョン履歴であなたの顧客データを保存しているため, あなたは簡単に手動で介入することなく更新されたデータセットを再エクスポートすることができます.

決定ツリープロファイリングの現実世界的アプリケーション

ファッション小売業者は、スタイルの設定で顧客をセグメント化するために決定ツリーを使用しました。ツリーは、最初に戻り率で分割され、カテゴリのブラウジング(ドレスとアクティブウェア)に。その結果、小売業者は、小売業者がターゲットのルックブックを送信し、クリックスルー率を35%増加させ、リターンを減らすことを可能にします。もう一つの例:過去の購入履歴と気象データで訓練されたツリーを使用して食料品チェーン予測バスケット組成。その後、赤字で20%に達した、予測されたバスケットに基づいてパーソナライズされたレシピとクーポンを送信します。

共通の課題を克服

オーバーフィット

決定木は、特に多くの機能や深い木でノイズを記憶することができます。最大深さ(例えば、10レベル)を設定することで、リーフ(例えば、50)ごとのサンプルの最小数を必要とするか、または剪定アルゴリズムを使用して、緩和することができます。ランダムな森や勾配のブーストなどのメソッドを組み立てることは、総計レベルで決定ツリーの解釈性を保持しながら、過度を減らす。

データバイアス

トレーニングデータが特定の顧客タイプ(例えば、重いバイヤー)をオーバーレケートしている場合、ツリーは偏見されます。データセットが完全な顧客ベースを反映していることを確認してください。トレーニング/テストの分割を作成するときに、ストラティファイドサンプリングを使用してください。 ダイレクトスのロールベースの権限とデータ検証機能は、データの品質を維持し、サンプリングエラーを回避するのに役立ちます。

解釈性対精度トレードオフ

数百の葉を持つ深い木は、マーケティングチームに説明するのは難しいです。 ツリーの深さを5〜7レベルに制限することを検討し、ビジネスの面でプロファイルを把握したり、SHAP値などのポストホックの説明ツールを使用します。 精度と透明性の両方を必要とするシナリオでは、単一の決定ツリーは、多くの場合、ブラックボックスモデルと比較して最良のバランスを打ちます。

直接的な意思決定ツリーを統合

[Directus]は、構造化されたコンテンツの管理において優れています。 小売顧客プロファイリングのために、Directusはすべての顧客データに対して、真理の単一のソースとして機能することができます。 決定ツリーワークフローにどのように適合するかは次のとおりです。

  • []データインジェクション:[]]] 複数のチャネル(Shopify、Google Analytics、CRMなど)から顧客データを統合スキーマに取り込むために、DirectusのAPIを使用します。
  • [データ変換:]] プラットフォーム内で直接、直接、リバージ・ダイレクトのフロー・オートメーションとカスタム・スクリプトをクリーン、集計、および機能エンジニア・データをクリーンにします。
  • [モデル出力ストレージ:]]ストア予測(顧客セグメント、中央スコア、次のベストオファー)は、Directusに戻り、同じAPIを介してフロントエンドアプリやマーケティングツールにアクセスできます。
  • []リアルタイムアップデート:[Directusは、Webhookとイベント主導のアクションをサポートしています。新しい注文が配置されると、webhookは、その顧客のプロファイルを再訓練またはスコアリングをトリガーし、バッチ処理遅延なしで決定ツリー電流を維持することができます。

ダイレクトスのデータ管理機能を決定ツリーモデルと組み合わせることで、小売店は、データサイエンスチームが必要でない、強力で実用的であるダイナミックなプロファイリングシステムを構築することができます。ヘッドレスアーキテクチャは、プロファイルが任意のチャネル(ウェブ、モバイル、店舗のキオスク)に最小限のレイテンシを提供することができることを保証します。

コンテンツ

ダイナミックな顧客プロファイリングはもはや贅沢ではありません。それは小売の競争の必需品です。意思決定の木は、実際の行動に基づいて顧客をセグメント化するための透明性、適応性、効果的な方法を提供します。Directusのような柔軟なデータプラットフォームと組み合わせると、小売業者はデータ収集から行動可能な洞察まで数週間から数分の時間を削減することができます。機械学習ツールがよりアクセス可能になるように、あなたの小売戦略に決定木を統合することは、パーソナライズされたリアルタイムの顧客エンゲージメントに向けた実用的なステップです。

更に読むには、[]scikit-learnの決定ツリーのドキュメンテーションを調べて、]]]を指示するデータモデリングガイドを、コンテンツ構造がどのようにして顧客プロファイルをミラーリングできるか確認します。