Uma propensão à esperança e à alegria é uma riqueza real; alguém para temer e lamentar a pobreza real. —David Hume   Abstrato  Os profissionais de marketing investem muito tempo falando sobre a importância de enviar as mensagens corretas para as pessoas certas no momento certo. Notificar ou enviar e-mails quando o usuário não está interessado pode fazer com que muitos usuários desativem as notificações do aplicativo ou denunciem e-mails de spam que bloqueiam todas as comunicações futuras.  O marketing tem um custo financeiro e de experiência do usuário. Se houver 100 mil usuários na plataforma, é aconselhável se esforçar apenas para um subconjunto de usuários que possam estar interessados em comprar/converter.  A melhor maneira de identificar quem do seu público tem maior probabilidade de realmente fazer uma compra, aceitar uma oferta ou se inscrever em um serviço é um   . Vamos entender melhor o modelo de propensão trabalhando em uma declaração de problema:  modelo de propensão Construir um modelo de propensão para determinar se um usuário comprará em sua visita de retorno.   Meta   Objetivo  Modelo de propensão para descobrir a probabilidade de uma pessoa comprar um produto em sua visita de retorno.  Precisamos identificar a probabilidade de conversão para cada usuário.   Resultado de negócios  Uma pontuação de propensão ajudaria a segmentar os usuários e executar diferentes campanhas de marketing para que a taxa de conversão aumentasse.  Podemos compartilhar notificações móveis ou e-mails com ofertas exclusivas para usuários de alta propensão, ajudando empresas com taxas de conversação.  Abordagem   O que é uma pontuação de propensão?  Uma propensão é uma tendência natural para se comportar de uma determinada maneira. Todos nós temos propensões - coisas que tendemos a fazer.  A modelagem de propensão tenta prever a probabilidade de visitantes, leads e clientes realizarem determinadas ações.  O escore de propensão pode ser definido como P( Alvo = 1 | Z ) onde Z são os recursos característicos do comportamento do usuário no site.     Recurso Necessário   Análise de dados  Analise seus dados entendendo quantos % da classe positiva (o usuário compra na visita de retorno) e na classe negativa (o usuário não compra na visita de retorno).   Classe positiva (1), ou seja, o usuário compra na visita de retorno: 1,53% [Cliente de alta propensão]  Classe negativa (0), ou seja, o usuário não compra em uma visita de retorno: 98,47% [Cliente de baixa propensão]   Seleção de Métrica  Para nosso caso de uso de Marketing para melhorar a taxa de conversão:   Cost of False Negative (marking High Propensity as Low) > Cost of False Positive (marking a Low Propensity Customer as High)  Portanto, nossa métrica deve ser tal que: Recall é mais importante que precisão  Um valor beta de 2 pesará mais atenção na recordação do que na precisão e é referido como a medida F2.   F2-Measure = ((1 + 2²) * Precision * Recall) / (2² * Precision + Recall)   Modelo de Treinamento  O modelo de propensão é um problema de classificação binária, estaríamos usando uma regressão logística para o nosso modelo.  Esquema de treinamento de modelo   Saída do modelo     é a   de regressão logística de um evento ocorrer, no nosso caso o evento é o usuário comprando em uma visita de retorno ou não. prob: probabilidade   Experimentação  Executamos 3 experimentos de conjunto de recursos diferentes com regressão logística e descobrimos que o segundo tem o melhor desempenho em nossas métricas.      VISUAL de Avaliação do Modelo (Melhor Modelo: 2º na Tabela Experimental acima | Limite de Classe Positivo: 0,0217)  O melhor limite para classe positiva = 0,0217 significa probabilidade de regressão logística ≥ o limite é classe positiva (o usuário comprará na visita de retorno), caso contrário, classe negativa.   Resultados no conjunto de dados de teste para modelo de propensão  Ao testar o modelo de experimento 2 com os recursos Bounce, OS, TimeOnSite, Pageviews e Country. Obtivemos um Recall de 91,7% e uma Precisão de 3,9%. Uma alta rechamada está relacionada a casos falsos negativos baixos e uma precisão baixa está relacionada a casos altos de falsos positivos.  Matriz de confusão no conjunto de dados de teste   NOTA: Para construir este modelo nosso objetivo era maximizar a taxa de conversão. Demos mais importância ao recall, ou seja, Custo(Falso Negativo) > Custo(Falso Positivo)  Se o custo da comunicação de marketing for alto e as demandas de negócios (Precisão e Recall iguais), precisaríamos alterar o limite de classe positiva e a métrica de forma que Recall = Precisão (considere F1 Score como métrica).  Escopo de Melhoria do Modelo  Se o usuário está logado no site ou não.  Adicionar fonte de tráfego; orgânicos ou anúncios os trouxeram para o site  Use recursos de tempo: alguns usuários adoram fazer compras à noite (   ) link do estudo de caso  Use recursos tecnológicos: marca e modelo do dispositivo para segmentar melhor os usuários. Houve vários estudos de caso que sustentam que os usuários com dispositivos caros/de última geração convertem mais. (   ) link do estudo de caso  Considere experimentar o modelo adicionando mais dados geográficos do usuário, ou seja, cidade/estado. Os usuários que visitam o site de cidades ou estados de nível 1 com per capita mais alto têm maior propensão a converter.  Conclusão  Agora, usando esse modelo de propensão, o marketing e a segmentação de público podem ser feitos de maneira mais inteligente onde as chances de conversão (compra) do usuário na plataforma são maiores. Além disso, ajuda a equipe de marketing em termos de custo, pois não precisa mais executar campanhas/notificações/enviadores de e-mail para todos os visitantes, mas sim se concentrar apenas em um subconjunto de usuários cuja pontuação de propensão é alta.   Espero que você tenha aprendido algo novo com este blog. Se você gostou, clique em 👏 e compartilhe este artigo. Fique ligado no próximo!  AUTOR:  https://www.linkedin.com/in/shaurya-uppal/  Boletim informativo:  https://www.linkedin.com/newsletters/problem-resolution-data-science-6874965456701198336/   Publicado também   . aqui

Target

2022 - Best Data Science Newsletter

2022 - Data Science Demon

2022 - HackerNoon Contributor of the Year - Data Science

2022 - HackerNoon Contributor of the Year - India

Master Data Science Skills

Nominated for 2022 - Best Data Science Newsletter

Nominated for 2022 - HackerNoon Contributor of the Year - Data

Nominated for 2022 - Data Science Demon

Nominated for 2022 - HackerNoon Contributor of the Year - Data Science

Nominated for 2022 - HackerNoon Contributor of the Year - India

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Construindo um modelo de propensão para direcionar melhor os usuários em campanhas de marketing

Construindo um modelo de propensão para direcionar melhor os usuários em campanhas de marketing

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps