Enseñarle el análisis paso a paso de big data del consumidor.
Cualquiera que haya trabajado en soluciones de productos orientadas al consumidor sabe que antes del inicio de cada proyecto, los clientes plantearán algunos requisitos o se preocuparán por la situación de marketing actual. Por ejemplo, queremos saber quién es nuestro potencial. Cuáles son los consumidores? ¿Cuál es la mejor manera de enviar cupones? En otras palabras, ¿qué nuevos productos deberían lanzarse para ganarse la reputación y el favor de los consumidores? En el método de análisis de decisiones cuantitativas, a esta serie de necesidades tempranas las llamamos: necesidades del cliente o expectativas futuras.
A continuación es necesario comprender la situación actual de este problema, como cuáles son los consumidores de los productos o servicios existentes, qué tan efectivos son los cupones emitidos anteriormente, cuáles son las tendencias de ventas actuales del mercado, etc.
Cuando entendemos las necesidades y la situación actual de nuestros clientes, necesitamos despegar lentamente los capullos y encontrar una solución para llenar este vacío.
En general, los consultores o analistas sin ninguna metodología o experiencia se quedarán perplejos al escuchar estas expectativas de los clientes. No saben desde qué ángulo empezar, qué datos recopilar, qué suposiciones hacer y qué métodos utilizar para el análisis.
De hecho, problemas como este son metodológicos. Podemos utilizar un método de cuatro pasos para construir un puente entre la situación actual y el futuro.
Paso 1: Análisis Descriptivo – Qué
Encontrar el problema. Podemos usar la analogía de ver a un médico. Un paciente acude al médico para decir que últimamente no se siente bien. Entonces el médico le pidió al paciente que describiera con más detalle qué le pasaba. Aquí igual. Tomemos como ejemplo las promociones de descuento. Primero entenderemos si el cliente ha realizado casos de promoción similares en el pasado, cuándo lo hizo y cuál fue el efecto. A través de estas preguntas se generaron una serie de KPI.
Hay varias formas de generar KPIs:
1) Hacemos preguntas y los clientes responden.
2) Obtener información de la base de datos de la empresa cliente (SQL)
3) Obtener información de datos externos (mejora de datos de terceros)
4) Competencia Información de socios
5) Información de políticas
6) Análisis semántico
7) Otros
Herramientas para la obtención de KPIs:
1) Preguntas y respuestas (discusión, llamada telefónica, correo electrónico, mensaje de texto, cuestionario)
2) Base de datos (SQL)
3)Excel
4 )R, Python y otro software
5) Información de búsqueda en sitios web
6) Aprendizaje de lenguajes naturales
7) Otros
Analizar estos Variables KPI:
Estos KPI pueden ser números absolutos, porcentajes o índices. Pueden ser datos comparativos de diferentes períodos del pasado, o datos comparativos de diferentes grupos (como agrupaciones colectivas, agrupaciones por patrones) o datos comparativos con competidores.
Normalmente los métodos de análisis de KPI incluyen:
1) Análisis univariado
2) Análisis bivariado
3) Análisis multivariado
p>4) Verificación de hipótesis
5) Modelado simple (agrupación en clusters)
Al analizar estos KPI, puede ayudarnos a formar:
1 ) Retratos de consumidores existentes
2) Retratos de consumidores potenciales
3) Retratos de clientes leales
4) Agrupación de valores del consumidor
p>5) Otros
Paso 2: Análisis diagnóstico (por qué)
Responde las preguntas. También usamos la analogía de un médico visitando a un médico. Cuando el médico le hace preguntas al paciente, comienza a utilizar sus conocimientos para diagnosticar la condición del paciente mediante consultas, radiografías, etc.
En los métodos analíticos, este paso suele requerir:
1) Comprender la relación causal.
2) Comprender la sensibilidad entre varios factores.
Necesitamos saber qué causa las condiciones actuales del mercado, o qué las causa. Por ejemplo, en la etapa anterior obtuvimos 50 KPI muy útiles. Mediante análisis causal, determinamos que 10 KPI jugaron un papel importante.
Después de sacar la conclusión, nos preguntaremos cuál es la contribución individual de cada uno de estos 10 factores, algunos pueden ser altos y otros pueden ser relativamente bajos.
Para este problema, podemos obtener la contribución de cada factor a través del modelado, y el modelo también puede desempeñar un papel en la eliminación de variables altamente correlacionadas. Otra razón para utilizar modelos es que cuando hay cientos o miles de factores, es difícil utilizar métodos tradicionales para identificar el más útil entre tantos factores. En este caso, también se necesita un modelo para ayudar a seleccionar variables. La última razón es que podemos determinar si el factor es positivo o negativo.
A través de los resultados del modelado, podemos obtener los siguientes modelos sobre los consumidores:
1) Modelo de fidelización
2) Modelo de satisfacción
3) Modelo de sensibilidad al precio
4) Modelo de atribución
5) Modelo de abandono de clientes
Los algoritmos detrás de estos modelos son:
p>1) Regresión lineal
2) Regresión logística
3) Árbol de decisión
4) Serie temporal
5) Bosque aleatorio, impulso, SVM, PCA, etc.
Paso tres: Previsión y análisis
Predecir el momento adecuado para obtener efectos de marketing preventivo. Con el primer y segundo paso de preparación, necesitamos predecir qué cambios e impactos ocurrirán si hago algunos ajustes.
Los modelos utilizados son:
1) Modelo de puntuación de intención
2) Puntuación de fidelidad a la marca
3) Modelo de preferencia de canal de compra
4) Hábitos de uso de Catalyst
6) Previsión del volumen de ventas
5) Modelo de análisis de supervivencia
Por ejemplo: modelo de puntuación de intención. Descubrimos que si utilizamos los factores existentes, la propensión de conversión del consumidor puede ser 60, pero si hago algunos ajustes en algunos factores, por ejemplo: envío dos anuncios más a clientes existentes, la probabilidad de compra del cliente aumenta a 65; envía cinco anuncios más a los clientes, la probabilidad de que los clientes compren aumenta a 85. A través de este ajuste, puedo estimar los costos publicitarios futuros o los ingresos generados por la transformación.
Para otro ejemplo, a través del modelo de series de tiempo, podemos predecir que 654,38 millones de consumidores comprarán un determinado modelo de marca el próximo año, de modo que podamos hacer preparativos preliminares para el plan de producción y el plan de marketing del próximo año.
Paso 4: Aplicación del análisis de decisiones
1) Proporcionar sugerencias estratégicas.
2) Optimización
3) Simulación de mercado
4) Pruebas A/B
En el tercer paso se mencionan dos ejemplos más. . anuncios, la tasa de conversión es 65; la tasa de conversión de cinco anuncios es 85. ¿Y qué si hay tres más? ¿Qué pasa si se publican cuatro anuncios más? Los académicos han estado buscando la mejor y más perfecta respuesta a esta pregunta: ¿Cuántos anuncios puedo publicar para maximizar las ganancias?
Todos sabemos que al hacer modelos de regresión, existen los siguientes supuestos:
1. El término de error aleatorio es una variable aleatoria con un valor esperado o valor medio de 0 <; /p>
2. Para todas las observaciones de la variable explicativa, los términos de error aleatorio tienen la misma varianza;
3. Los términos de error aleatorio no están correlacionados entre sí;
4.La variable explicativa es una variable determinista, no es una variable aleatoria y no tiene nada que ver con el término de error aleatorio.
5. No existe una relación lineal precisa entre las variables explicativas, es decir, la matriz de observación de muestra de las variables explicativas es una matriz de rango completo.
6. El término de error aleatorio obedece a la distribución normal.
De hecho, es difícil alcanzar este estado ideal en la vida real, y el concepto de maximización, desde un punto de vista matemático, implica el problema de encontrar el valor extremo óptimo. Muchas veces, lo que realmente obtenemos es una solución de optimización local en lugar de una solución de optimización global.
Así, en este caso, los métodos de simulación de mercado se derivan de la ciencia de la gestión para determinar el plan final. El método más famoso es la simulación de espacio aislado, pero cuando estas simulaciones se implementen realmente, habrá una brecha con los resultados anteriores.
Por eso, en los últimos años, cada vez más empresas han optado por realizar pruebas A/B.
Cuando no está seguro de varias opciones o no tiene mucha confianza en los resultados previstos, la aparición de las pruebas A/B resuelve estas preocupaciones. Un caso exitoso reciente es que Amazon movió "Pedidos" de la barra de la cuenta a la barra de menú en la página de inicio mediante pruebas A/B, lo que generó un crecimiento considerable de los ingresos de la empresa.
Las pruebas A/B deben prestar atención a:
1) Número de muestra
2) Selección de la población
3) Periodo de tiempo
p>4) Estadísticas de importancia
Todo el método de análisis de decisiones es una escalera y un circuito cerrado. Realizar análisis adicionales y optimización iterativa basados en la respuesta real del mercado.
Después de leer todo el método de análisis de decisiones cuantitativas, debería tener un marco determinado para las soluciones de big data centradas en el consumidor.