Xu hướng hy vọng và niềm vui là sự giàu có thực sự; một người để sợ hãi và đau khổ nghèo đói thực sự. - David Hume
Các nhà tiếp thị đầu tư rất nhiều thời gian để nói về tầm quan trọng của việc đưa thông điệp chính xác đến những cá nhân hoàn hảo vào thời điểm hoàn hảo. Thông báo hoặc Gửi email khi người dùng không quan tâm có thể khiến nhiều người dùng tắt thông báo ứng dụng hoặc báo cáo email spam, điều này sẽ chặn tất cả các liên lạc trong tương lai.
Tiếp thị phải trả giá bằng cả tài chính và trải nghiệm người dùng. Nếu có 100 nghìn người dùng trên nền tảng này, điều khôn ngoan là bạn nên nỗ lực chỉ cho một nhóm nhỏ người dùng có thể quan tâm đến việc mua hàng / chuyển đổi.
Cách tốt nhất để xác định ai trong số khán giả của bạn có nhiều khả năng thực sự mua hàng, chấp nhận đề nghị hoặc đăng ký dịch vụ là mô hình xu hướng . Hãy để chúng tôi hiểu rõ hơn về mô hình xu hướng bằng cách làm việc với một tuyên bố vấn đề: Xây dựng mô hình xu hướng để xác định xem người dùng có mua hàng khi họ quay lại hay không.
Phân tích dữ liệu của bạn để biết có bao nhiêu% lớp tích cực (người dùng mua khi quay lại) và lớp tiêu cực (người dùng không mua khi quay lại).
Đối với trường hợp sử dụng Tiếp thị của chúng tôi để cải thiện tỷ lệ chuyển đổi:
Cost of False Negative (marking High Propensity as Low) > Cost of False Positive (marking a Low Propensity Customer as High)
Do đó, Chỉ số của chúng ta phải như vậy: Nhớ lại quan trọng hơn Độ chính xác
Giá trị beta bằng 2 sẽ gây chú ý nhiều hơn về việc thu hồi so với độ chính xác và được gọi là thước đo F2.
F2-Measure = ((1 + 2²) * Precision * Recall) / (2² * Precision + Recall)
Mô hình xu hướng là một bài toán phân loại nhị phân, chúng tôi sẽ sử dụng hồi quy logistic cho mô hình của mình.
Lược đồ đào tạo mô hình
Đầu ra mô hình
prob: là xác suất hồi quy logistic của một sự kiện xảy ra, trong trường hợp của chúng tôi, sự kiện đó có phải là người dùng mua hàng khi quay lại hay không.
Chúng tôi đã chạy 3 thử nghiệm tập hợp tính năng khác nhau với hồi quy logistic và nhận thấy thứ 2 hoạt động tốt nhất trên các chỉ số của chúng tôi.
VISUAL của Đánh giá Mô hình (Mô hình Tốt nhất: Đứng thứ 2 trong Bảng Thử nghiệm ở trên | Ngưỡng Lớp Tích cực: 0,0217)
Ngưỡng tốt nhất cho lớp tích cực = 0,0217 có nghĩa là xác suất hồi quy logistic ≥ ngưỡng là lớp tích cực (người dùng sẽ mua khi truy cập trở lại) khác, lớp âm.
Trên thử nghiệm mô hình thử nghiệm 2 với các tính năng Bounce, OS, TimeOnSite, Pageviews và Country. Chúng tôi nhận được Số lần thu hồi là 91,7% và Độ chính xác là 3,9%. Mức thu hồi cao liên quan đến các trường hợp Phủ định Sai thấp và độ chính xác thấp liên quan đến các trường hợp Dương tính Sai cao.
Ma trận nhầm lẫn trên tập dữ liệu kiểm tra
LƯU Ý: Để xây dựng mô hình này, mục tiêu của chúng tôi là tối đa hóa tỷ lệ chuyển đổi. Chúng tôi đưa ra tầm quan trọng hơn để thu hồi, tức là Chi phí (Phủ định sai)> Chi phí (Tích cực sai)
Nếu chi phí truyền thông tiếp thị cao và nhu cầu kinh doanh (Độ chính xác và Số lần thu hồi bằng nhau) thì chúng tôi sẽ cần thay đổi ngưỡng và chỉ số phân loại tích cực sao cho Nhớ lại = Độ chính xác (lấy Điểm F1 làm số liệu).
Giờ đây, việc sử dụng mô hình xu hướng này để tiếp thị và nhắm mục tiêu theo đối tượng có thể được thực hiện một cách thông minh hơn khi cơ hội chuyển đổi người dùng (mua hàng) từ nền tảng cao hơn. Ngoài ra, nó giúp nhóm tiếp thị về mặt chi phí vì họ không còn phải chạy các chiến dịch / thông báo / nhà bán lẻ trên tất cả khách truy cập mà chỉ tập trung vào một nhóm nhỏ người dùng có điểm số xu hướng cao.
Tôi hy vọng bạn đã học được điều gì đó mới từ blog này. Nếu bạn thích nó, hãy nhấn 👏 và chia sẻ bài viết này. Hãy theo dõi phần tiếp theo!
TÁC GIẢ: https://www.linkedin.com/in/shaurya-uppal/
Bản tin: https://www.linkedin.com/newsletters/problem-solving-data-science-6874965456701198336/
Cũng được xuất bản ở đây .