Giới thiệu

Trong các cửa hàng hiện đại, sự mong đợi của khách hàng thay đổi nhanh chóng. Một tiến trình liên tục tinh luyện phân chia dữ liệu mới đến. Để giữ cạnh tranh, các nhà bán lẻ cần khách hàng phân tích [FLT: 1]:]: một tiến trình liên tục tinh luyện các phân đoạn như dữ liệu mới. Các cây quyết định, một kỹ thuật học máy giám sát, cung cấp một cách trực quan nhưng mạnh mẽ để xây dựng các hồ sơ động này. Bằng một loạt các câu hỏi hợp lý, cây cho thấy những tính chất khách hàng có ảnh hưởng nhiều nhất đến hành vi, giúp các nhà bán lẻ trong thời gian thực. Việc tìm hiểu tại sao các cây, cách làm việc này là một cửa hàng bán lẻ và cách truyền tải các dữ liệu không có thể trực tiếp.

Cây quyết định là gì?

Một mẫu quyết định là bản đồ quyết định và hậu quả có thể xảy ra, giống như một dòng chảy: mỗi nút trong biểu thị một tính năng (v.g.) cho thấy: “Trong tháng vừa qua, khách hàng có chi tiêu hơn 50 đô la không?), mỗi nhánh tượng trưng cho kết quả, mỗi cái nút chứa một lời tiên đoán hoặc nhãn hạng.

Ví dụ, một người bán lẻ có thể xây một cây mà đầu tiên chia cho khách hàng bởi liệu họ có phải là thành viên trung thành chương trình, sau đó bằng kích thước giỏ, sau đó bằng cách duyệt thiết bị. cây nhanh chóng xác định rằng các thành viên trung thành với giỏ hơn 100 đô la người mua qua màn hình là ứng cử viên tốt nhất cho một quảng cáo xa xỉ. phân khúc này có thể được cập nhật năng động khi mỗi giao dịch mới hoặc tương tác được đăng nhập.

Những lợi ích chính của cây quyết định để cắt giảm thuế

Thị trường tư nhân ở mức cân

Cây quyết định cho phép bạn tạo các loại vi phân cùng một lúc dựa trên nhiều tính năng. Thay vì gửi cùng một chiết khấu cho mọi người, bạn có thể chỉnh sửa bản sao, kênh và khuyến nghị sản phẩm. Một cây có thể cho thấy rằng khách hàng thành thị trẻ phản ứng tốt nhất để thúc đẩy thông báo, trong khi các gia đình ngoại ô thích email. Mức độ hạt này tăng tỷ lệ chuyển đổi mà không cần thiết con người để định nghĩa mỗi đoạn.

Kinh nghiệm khách hàng cải thiện

Lợi nhuận không chỉ là về việc bán, mà còn về nhu cầu dự đoán, cây quyết định có thể dự đoán được mối nguy hiểm bằng cách phân tích tần số sử dụng, hỗ trợ số vé và tính toán lại.

Bộ mã nguồn điện điện

Không phải tất cả khách hàng đều có giá trị tương đương. bằng cách phân khúc với một cây quyết định, bạn có thể tập trung nguồn cung cấp giá rẻ (v. d., vận chuyển miễn phí, người mua hàng cá nhân) vào những nhóm có giá trị cao. Ngược lại, phân khúc giá trị thấp có thể được phục vụ với các chiến dịch tự động, giá rẻ. Mục tiêu này giảm chất thải và cải thiện việc tiêu dùng quảng cáo.

Khả năng thích nghi thời gian thực

Những cây quyết định, khi kết hợp với một nền tảng dữ liệu truyền thống, có thể cập nhật những hồ sơ như sự kiện xảy ra. Một khách hàng nào đó đột nhiên mua sản phẩm em bé trở thành một phần của “cha mẹ mới, kích hoạt những sự thăng tiến thích hợp. Tốc độ này là yếu tố quan trọng cho những đề nghị nhạy cảm thời gian như là bán chớp hay xu hướng mùa.

Những bước để cây quyết định đầy đủ cho khách hàng lợi dụng

Thu thập và Trung tâm dữ liệu

Thu thập dữ liệu từ nhiều điểm: mua lịch sử, hồ sơ trung thành, trang web clickstream, tương tác ứng ứng ứng ứng ứng dụng di động, hỗ trợ bản ghi chat khách hàng, và nguồn nhân khẩu học hiện đại lưu trữ dữ liệu này trong một nhà kho dữ liệu không đầu hay. [FLT: 0] Dirctus [FLT: 1] có thể hoạt động như là một tập trung dữ liệu: mô hình nội dung linh hoạt của nó cho phép lưu trữ hồ sơ khách hàng, bản ghi lưu trữ các bản ghi lưu và cấu trúc hành vi như là nội dung, được truy cập qua một thiết lập RSTQI. Điều này làm cho xuất khẩu dữ liệu để xem xét mô hình cây.

2. Xử lý trước và kỹ thuật

Dữ liệu thô hiếm khi khớp trực tiếp vào cây quyết định. Làm sạch các giá trị bị mất đi. Làm sạch các giá trị, các biến số (v. d., chuyển đổi “tiểu thức loại mật khẩu sang một cột nóng) và bình thường hóa các tính năng cần thiết. Kỹ thuật tính năng tính năng là quan trọng - tạo ra những tính năng có ý nghĩa như“ dành ra thời gian cuối cùng 30 ngày, thì “ khoảng thời gian giữa việc mua hàng, hay phân loại sản phẩm.

3. Xây dựng mô hình cây quyết định

Dùng một thư viện như [FLT: 0] Bộ phân loại cây quyết định [FLT: 1] hoặc nền tảng tập tin đa dụng. Chọn biến số mục tiêu [FLT: 0] có thể là “ttt mua loại « phân loại » (tiểu thức) hoặc“ được đặt vào tháng tới (đang tham gia). Hãy chia dữ liệu thành tập huấn và thử nghiệm, rồi đặt thành tập hợp cho phù hợp với cây. Siêu phân loại như chiều sâu nhất, mẫu nhỏ nhất trên mỗi lá, và crition (Gini hoặc ition) kiểm soát. Hãy bắt đầu với độ sâu 3–5 để giải thích độ sâu của độ bền (có khả năng).

4 Giải thích và kiểm tra cây

Hãy hình dung cây dùng thư viện như hoặc . Hãy xác định những phần trên: đây là những tính năng quan trọng nhất để phân chia khách hàng. Kiểm tra hiệu suất của mô hình bằng cách gọi chính xác, hoặc F1- scre trên thiết lập thử nghiệm. Nếu cây là quá sâu hoặc không chính xác trong việc huấn luyện, hãy làm sạch nó hoặc dùng hiệu ứng đối xứng.

Triển khai và áp dụng sự thông sáng

Xuất các quy tắc quyết định (v. d., “nếu trung thành = đúng và chi tiêu > 200 đô la thì hãy dùng phần = phí tổn cao cấp). Hãy liệt kê những quy tắc này vào nền tảng CM, email hoặc bộ tiếp thị. Để phân tích thật sự năng động, hãy sắp xếp lại thời gian tuần hoàn (thường ngày hoặc hàng tuần) sử dụng dữ liệu mới từ Directus. Vì chỉ đạo trực tiếp lưu trữ dữ liệu khách hàng của bạn với nhãn thời gian và lịch sử sửa đổi, bạn có thể dễ dàng phân tích lại bộ dữ liệu cập nhật mà không cần sự can thiệp bằng tay.

Ứng dụng thế giới thực của việc sử dụng cây quyết định

Một máy bán lẻ thời trang dùng cây quyết định để phân loại khách hàng theo kiểu ưa thích. Cây chia trước tiên theo tốc độ trở lại, rồi duyệt phân loại (mặc đồ chống mặc đồ và đồ mặc. Những hồ sơ kết quả cho phép người bán lẻ gửi sách hướng dẫn tìm kiếm mục tiêu, tăng tốc độ click- chuột qua 35% và giảm lợi nhuận. Một ví dụ khác: một chuỗi dự đoán thành phần giỏ thực phẩm bằng cách sử dụng một cây được đào tạo trong lịch sử mua và dữ liệu thời tiết trước. Sau đó, nó gửi công thức cá nhân và giảm giá trị nhỏ dựa trên dự đoán chuyển đổi theo chuyển đổi 20%.

Vượt qua những thử thách thông thường

Quá phù hợp

Cây quyết định có thể ghi nhớ nhiễu, đặc biệt là với nhiều tính năng hay cây sâu. Tính năng này bằng cách đặt độ sâu tối đa (v. d., 10 cấp), cần thiết số mẫu nhỏ nhất trên mỗi lá (v. d., 50) hoặc dùng thuật toán cắt tỉa. Các phương pháp khác nhau như rừng ngẫu nhiên hoặc tăng vọt cũng giảm phù hợp với mức độ giải thích hợp trong khi vẫn còn giữ khả năng sử dụng khả năng sử dụng các quyết định trên mỗi lá (v. d., 50) hay dùng thuật toán cắt tỉa.

Dữ liệu Bias

Nếu dữ liệu đào tạo của bạn đại diện quá mức cho một số loại khách hàng (v. d., người mua nặng), cây sẽ bị thiên vị. Hãy kiểm tra xem bộ dữ liệu của bạn phản ánh nguyên một số cơ sở khách hàng. Hãy dùng mẫu được khéo léo khi tạo bản phân chia tập huấn luyện/ phần thử. Tính năng cho phép đóng vai trò và hợp lệ hóa dữ liệu có thể giúp bạn duy trì chất lượng dữ liệu và tránh các lỗi lấy mẫu.

Khả năng giải thích tương ứng với việc trao đổi chính xác

Một cây có hàng trăm lá là chính xác nhưng khó để giải thích cho các đội tiếp thị. xem xét giới hạn độ sâu cây đến 5–7 cấp độ cho hồ sơ kinh doanh, hoặc sử dụng công cụ giải thích sau khi chết như harp. Đối với kịch bản yêu cầu độ chính xác và độ trong suốt, một cây quyết định đơn thường đánh vào sự cân bằng tốt nhất so với mô hình hộp đen.

Kết hợp cây quyết định với đạo hàm

Dirctus là một nền tảng mã nguồn mở và dữ liệu vượt trội trong việc quản lý nội dung cấu trúc. Đối với phân tích bán lẻ, Directus có thể phục vụ như là nguồn duy nhất của sự thật cho tất cả dữ liệu khách hàng. Đây là cách nó phù hợp với dòng của cây quyết định:

  • @ item:) Hãy dùng Directus’s ADI để ăn dữ liệu khách hàng từ nhiều kênh (v. d., Cửa hàng, Google Analyics, CMs) thành một bản tóm tắt thống nhất.
  • Biến đổi: Chỉ dẫn tự động và các tập lệnh tùy chỉnh để làm sạch, tổng hợp, và các dữ liệu kỹ thuật đặc trưng trên nền tảng.
  • Lưu trữ sản xuất: dự đoán lưu trữ (bắt đầu từ phần, đánh máy, điểm số, đề nghị tốt nhất) ở Directus, làm cho chúng có thể truy cập vào ứng dụng giao diện điều khiển và công cụ marketing thông qua cùng một hệ thống ADI.
  • Thay đổi thời gian: [FLT: 1) Chỉ đạo hỗ trợ các móc trang Mạng và hành động điều khiển sự kiện. Khi đặt một thứ tự mới, một lưỡi câu có thể kích hoạt lại hoặc ghi lại hồ sơ của khách hàng, giữ cho cây quyết định hiện thời không bị trễ xử lý hàng.

Bằng cách kết hợp khả năng quản lý dữ liệu của Directus với mô hình cây quyết định, các nhà bán lẻ có thể xây dựng một hệ thống phân tích năng động vừa mạnh mẽ và thực tế - không cần đến đội khoa học dữ liệu. Các kiến trúc vô chủ đảm bảo rằng các hồ sơ đó có thể được phục vụ cho bất kỳ kênh nào (web, di động, trong các cửa hàng) với độ trễ tối thiểu.

Kết luận

Việc phân tích khách hàng không còn là một thứ xa xỉ nữa; đó là một sự cần thiết phải cạnh tranh trong việc bán lẻ. việc quyết định cây cung cấp một phương pháp minh bạch, thích nghi và hiệu quả cho việc phân chia khách hàng dựa trên hành vi thực tế của họ. khi kết hợp với một nền tảng dữ liệu linh hoạt như Directus, các nhà bán lẻ có thể giảm thời gian từ bộ sưu tập dữ liệu đến khả năng hành động thông tin từ nhiều tuần này sang phút khác. khi máy học các công cụ học trở nên dễ dàng hơn, tích hợp hơn, các cây quyết định vào chiến lược bán lẻ của bạn là một bước thực tế để cá nhân hóa, tham gia vào các khách hàng thực tế.

Để đọc thêm, hãy tìm tài liệu về cây quyết định ) và duyệt ) Hướng dẫn mô hình dữ liệu [FLT:] để xem cấu trúc nội dung có thể phản ánh hồ sơ khách hàng của bạn như thế nào.