Една статия говори за пътуването на клиентите в платформите за електронна търговия със силата на анализите и алгоритмите
Бяхме обсъдили преди въздействието на машинното обучение и прогнозния анализ върху електронната търговия, проверете статията тук
В тази статия ще говорим за онлайн картата на пътуването на клиентите и най-добрия начин за подобряване на пътя за клиентите, за да намерят оптимално изживяване, ще посочим някои опит в кодирането и анализите по време на статията, които водят до това, позволява да посочим първите ключови важни точки, които да следвате, когато работи за повишаване на ефективността на клиентите
- Преодолявайте пропастта между продажбите, маркетинга и операциите – Това разрушава изолирания подход към бизнеса
- разберете клиентите си — Позволява ви да предвидите поведението на клиентите
- Изградете емоционална връзка – Това ви дава идеи за типа маркетингово съдържание, което ще се хареса на вашите клиенти
- Идентифицирайте ключови проблеми— Искате да коригирате проблемите, които са се случили в миналото, за да предотвратите повторното им възникване
- Определяне на ясни цели— След като установите какво се е объркало в миналото и какво искат вашите клиенти, можете да определите бизнес целите си за бъдещето
- Разберете и подобрете – Обичаме да използваме подхода 80/20, който включва идентифициране на нивото на важност за всички допирни точки и след това първо фокусиране върху най-важните
След това бързо въведение нека преминем към темата, ние ще продължим дискусията си върху 5 важни теми придобиване, преобразуване, обратна връзка с клиентите, задържане и анализ на кошницата, които са най-важни за бизнеса и потребителите, други теми като изтощение и измами бяха обсъдени в предишната статия .
1-Придобиване
привличането на клиенти не е само краткосрочна печалба, а създаване на мащабируем процес на намиране и превръщане на клиенти, колкото повече потенциални клиенти намерите, толкова повече можете да конвертирате.
Можете да похарчите точно толкова бюджет, за да намерите хора, които никога няма да бъдат клиенти, колкото и хората, които биха били защитници на вашата марка през целия живот. Разрастването на лоялна клиентска база започва с намирането на хора, които е вероятно да харесат вашите продукти и марка
какво ще стане, ако имаме огромен брой клиенти, които са се присъединили към платформата, но само 10%, които са се трансформирали в лоялни клиенти, можем ли да изградим солидна стратегия въз основа на това?
Разбирането на факторите и поведението при покупка, които позволяват на 1-ва група да станат лоялни клиенти, е много важно колко плащат при първата си поръчка, колко артикула са закупили, коя категория предпочитат, каква е средната стойност на кошницата, могат да бъдат много въпроси помолен само за да разбере лоялен клиент и да започне да изгражда стратегия, използвайки това сходство.
2-Конверсия и A/B тестване
оптимизирането на процента на преобразуване (CRO) е процесът на оптимизиране на изживяването на сайта или страницата въз основа на поведението на посетителя на уебсайта, за да се подобри вероятността посетителя да предприеме желани действия (конверсии) на страницата.
В предишната статия говорихме за сходството на потребителите и тяхното въздействие върху преобразуването за извършване на прогнозата, но един от най-важните фактори за преобразуването е A/B тестването, което основно се използва за сравняване на различни продукти заедно въз основа на потребителя предположение или хора, които пълнят кошницата си, без да излязат и да завършат своите транзакции, ние трябва да тестваме причините за напускане на транзакцията.
Вземане на примерен тест от потребителите и разделянето им на две групи (контрола — тест), за провеждане на експеримента чрез различни начини като тестване на хипотеза (обсъдихме в предишната статия), тест за задържане и тестване на Байес, за което ще говорим
P(A) е предварителното знание, което вече имаме, тогава провеждаме експеримента P(A|B), който е задния
Ако постериорът има същата функционална форма като априора, тогава априорът е конюгиран с функцията на вероятността. Това показва как функцията на вероятността актуализира предишното разпределение
Това е свързано с определението по-горе. Ако постериорното е в същото семейство на вероятностни разпределения (или има същата функционална форма) като предишното вероятностно разпределение, тогава априорното и постериорното са спрегнати разпределения. В този случай априорът се нарича спрегнат априор за функцията на вероятността
3-Отзиви от клиенти (анализ на настроението)
Обратната връзка и рецензиите са много важни, те най-вероятно са различни от рейтинговите резултати, ако клиентът не е сигурен дали да закупи продукт или не, може да прочете няколко рецензии, за да определи дали си струва парите си или не, всяка отрицателна рецензия е обучение опит за бизнеса. Дали клиентът се оплаква от услугата или има проблем с продукта.
НЛП (обработка на естествен език), което ни помага да открием отрицателна обратна връзка и да предскажем типа на изречението по друг начин, анализът на настроенията ни даде възможност да определим темата, която повечето думи се споменават често
Изображението по-долу за преглед на дрехи за електронна търговия ви позволява да разберете стъпките, които трябва да следвате, като използвате NLTK.
# lets start by cleaning the text
def preprocessing_rates(rate): #converting rates score to text which will be the target
if rate > 3:
return 'good'
elif rate == 3:
return 'neutral'
elif rate < 3:
return 'bad'
dataset['Rating'] = dataset['Rating'].apply(preprocessing_rates)
премахване на ненужните букви като емотикони, цифри и (/@)
def normalize_text(text):
text = str(text).strip().lower() #reduce all words to lower case
text = re.sub(r"[\W\d]"," " , text) #removing emotions and every thing except words
return text.strip() #to remove spaces
трябва да нормализираме текста, като използваме корен (намаляване на думата до нейния произход от думата като любов към любов ) и лематизиране (за да не унищожим думата и да върнем думите към нейния произход), за да намалим вариациите на характеристиките и премахване на стоп думи (the , an , and , и т.н.) също
from nltk.stem import PorterStemmer
from nltk.stem import WordNetLemmatizer
def stemming(text):
words = text.split()
words = [stemmer.stem(word.strip()) for word in words]
return " ".join(words)
def lemm_text(text):
words = text.split()
words = [lemmatizer.lemmatize(word,pos = 'v') for word in words]
return " ".join(words)
нека видим отзивите, след като направихме почистването и как се промениха думите
IDF, което означава обратна честота на документа за изчисляване на честотата на думите, докато думата се увеличава в документ, резултатът на TF-IDF ще намалява, както е показано в уравнението по-долу
„Този продукт е не добър“, когато работим върху това изречение, TF-IDF ще раздели всяка дума като характеристика „добро“, „не“, така че ще предвидим добро като положително, докато изречението е Недобро, N -gram ни помага да уловим този вид думи
Сега нека го използваме
vectorizer = TfidfVectorizer(stop_words='english', max_features=5000, ngram_range=(1, 3)) vectorizer.fit(dataset['Review Text']) feature_matrix = vectorizer.transform(dataset['Review Text']) # lets save it into dataframe and see the shape pd.DataFrame(feature_matrix.toarray(), columns=vectorizer.get_feature_names())
Тъй като виждаме, че всички характеристики се оформят сега в разредена матрица (0), трябва да ги комбинираме с други характеристики, които имаме (възраст, препоръчителен IND, брой положителни отзиви)
import numpy as np X = dataset[['Age', 'Recommended IND', 'Positive Feedback Count']].values # combine the sparse matrix with dense matrix X = np.hstack((feature_matrix.toarray(), X))
Сега сме готови да разделим данните и да работим за прогнозиране на текста, независимо дали е положителен, отрицателен или неутрален въз основа на резултата F1 и матрицата на объркването, този подход всъщност от гледна точка на машинното обучение, което е основният подход, но задълбоченото обучение, разбира се, е по-добро използване spacy и word2vec за преодоляване на грешките от унищожаването на думите.
4-Задържане
В електронната търговия задържането на клиенти е също толкова критично, колкото и придобиването на нови клиенти, всеобхватната програма за задържане може да подобри средните стойности на поръчките, да увеличи честотата на покупките и дори да разшири обхвата ви чрез препоръки и програма за лоялност, изображението по-долу описва уравнението за изчисляване на процента на задържане на клиенти
степента на задържане прави повече от проследяване и прогнозиране на приходите на компанията. Също така може да помогне на компанията да проследи други фактори, включително:
- Клиентска лоялност
- Удовлетвореността на клиентите
- Стойност на продукта
- Рентабилност на продукта
Amazon поддържа над 90% задържане на клиенти и увеличи процента на 95%, но какво направи Amazon, за да достигне този процент?
хората, които използват безплатната пробна версия на Amazon Prime, със сигурност купуват нейното платено членство с над 70% процента
След първата година на платено членство, 91% от членовете продължават абонамента си за още една година, а 96% от тези членове продължават членството си и за третата година
Горната техника от Amazon ни показва колко е важно прилагането на лоялността на клиентите за увеличаване на процента на задържане на клиенти и изграждане на дългосрочна удовлетвореност на клиентите.
5 - Анализ на пазарната кошница
Извличане на правила за асоцииране се използва, когато искате да намерите асоциация между различни обекти в набор, да намерите често срещани модели в база данни за транзакции, релационни бази данни или всяко друго хранилище на информация. Приложенията на Mining на правила за асоцииране се намират в маркетинга, анализа на данните за кошницата (или анализа на пазарната кошница) в търговията на дребно, клъстерирането и класификацията.
Най-често срещаният подход за намиране на тези модели е анализът на пазарната кошница, който е ключова техника, използвана от големите търговци на дребно като Amazon, Flipkart и т.н., за да анализират навиците за пазаруване на клиентите чрез намиране на асоциации между различните артикули, които клиентите поставят в пазарските си кошници.
Има три важни математически мерки, необходими за анализ на пазарната кошница: подкрепа, повишаване и увереност. Поддръжката представлява броя пъти, в които антецедентите се появяват заедно в данните. За да опростите примера, представете си следната връзка: {Фъстъчено масло} -› {Гроздово желе}. Имайки предвид 100 клиента (и една транзакция на клиент), разгледайте следния сценарий:
- 15 клиенти закупиха фъстъчено масло
- 13 купили гроздово желе
- 11 купиха фъстъчено масло и гроздово желе
Поддръжката представлява броя пъти, в които артикулите се появяват заедно в транзакция, което в този пример е 11 от 100 или 0,11. Ако използваме статистически термини, има вероятност от 11 процента всяка транзакция да включва както фъстъчено масло, така и гроздово желе. Доверието взема стойността на Поддръжка (.11) и я разделя на вероятността транзакция да има само Grape Jelly, което се равнява на стойност от 0,846. Това означава, че почти 85 процента от времето, когато Grape Jelly е закупено, то е закупено заедно с фъстъчено масло. И накрая, има Lift, който взема увереността (0,846) и я разделя на вероятността от фъстъчено масло. Това се равнява на 5,64 (закръглено до два знака след десетичната запетая) от Документация на Microsoft още на връзката.
Предимства от прилагането на анализ на пазарната кошница
- Увеличава ангажираността на клиентите
- Увеличава продажбите и увеличава ROI
- Подобрява клиентското изживяване
- Оптимизира маркетингови стратегии и кампании
- Помага при анализ на демографски данни
- Идентифицира поведението и модела на клиента
Заключение
Статията посочва част от процеса на пътуването на клиента от различна гледна точка за спечелване на клиенти и стимулиране на растежа на платформата, използвайки някои подходи за анализ.
Допълнителни четения
