Въведение
Оценяването на потенциални клиенти е критичен аспект на всеки процес на продажба или маркетинг. Той позволява на бизнеса да идентифицира потенциални клиенти, които е най-вероятно да закупят техните продукти или услуги. В тази статия ще обясня как можете да използвате затихване във времето, за да подобрите вашите модели за машинно обучение за точкуване на потенциални клиенти. Като използвате затихване във времето, можете да придадете по-голямо значение на скорошната потребителска активност и да направите моделите си по-чувствителни към тази скорошна потребителска активност. Това може да доведе до по-точен и ефективен модел за оценяване на потенциални клиенти, което в крайна сметка може да подобри придобиването на бизнеса и растежа на приходите.
Какво е затихване във времето?
Затихването във времето е статистическа техника, използвана за измерване на важността на минали събития или действия. Той е вдъхновен от закона за радиоактивния разпад от ядрената физика.
Законът за радиоактивното разпадане е принцип, който описва как нестабилните атомни ядра спонтанно се разпадат на по-стабилни форми с течение на времето. Този процес е случаен и скоростта, с която протича, се определя от времето на полуразпад на радиоактивния материал, което е времето, необходимо на половината от нестабилните ядра да се разпаднат.
Формулата за радиоактивно разпадане е:
N = N0 * e^(-λt)
където:
- N е броят на радиоактивните ядра, оставащи в даден момент t
- N0 е началният брой ядра
- e е числото на Ойлер 2,71828...
- А λ е константата на разпадане. Константата на разпадане е специфична за всеки вид радиоактивен материал и определя скоростта, с която материалът се разпада.
Тази формула ни казва, че с течение на времето броят на радиоактивните ядра намалява експоненциално. Времето на полуразпад на радиоактивен материал е времето, необходимо на броя на радиоактивните ядра да намалее наполовина и това може да се изчисли чрез задаване на N = N0/2 във формулата и решаване на t.
Затихване във времето за водене на точки
В контекста на оценяването на потенциални клиенти, затихването във времето се използва за присвояване на стойност на всяко потребителско взаимодействие въз основа на времето, изминало от настъпването на събитието. Идеята зад затихването във времето е, че по-скорошните събития или действия са по-важни от тези, които са се случили по-рано в миналото.
Да предположим например, че потребител е посетил уебсайт преди два дни. По-вероятно е потребителят да се интересува от продукта, отколкото ако е посетил същия уебсайт преди месец. Като използвате затихване във времето, можете да присвоите по-висока стойност на по-скорошни потребителски взаимодействия и съответно да коригирате своя модел за оценяване на водещи клиенти.
Ето пример за функция на затихване във времето с различни ламбда стойности (константи на затихване):
В този пример аналогията с предишната формула за затихване във времето е следната:
- N0 е стойността на измерена характеристика в начална точка 0. В примера поставих стойност 100 за N0.
- Оста X представлява броя на дните от първоначалното измерване (при X = 0).
- Оста Y представлява стойността на характеристиката, върху която правим трансформацията на затихване във времето.
- Ламбда е константата на затихване на измереното събитие в дни.
Когато променим ламбда стойностите, т.е. константата на затихване на измерването (1/15, 1/30, 1/45, 1/60), можем да наблюдаваме как функцията става малко по-малко стръмна всеки път. Ние ще използваме ламбда стойността като хиперпараметър, когато настройваме нашия модел, което ни позволява да експериментираме с различни стойности на затихване и да наблюдаваме как те влияят на производителността на модела.
Аналогия
Един забавен начин за разглеждане на това е, че потребителите са като атоми с различни енергийни нива. Точно както атом с повече енергия се възбужда и е по-вероятно да претърпи химическа реакция, потребител, който инвестира повече енергия в уебсайт, като посещава повече страници или прекарва повече време на сайта, е по-вероятно да преобразува или да предприеме друго желано действие.
Пример с Google Analytics
Да приемем, че се интересуваме от прогнозиране на потенциални клиенти въз основа на поведението на потребителите на уебсайт на компания. И нека използваме примерна функция от данните на Google Анализ: време на страница. Можем да приложим трансформацията на затихване във времето към функцията за време на страница, за да придадем по-голяма тежест на скорошната потребителска активност.
Сега, да кажем, че имаме двама потребители, които посещават нашия уебсайт:
- Потребител A прекарва 100 секунди на нашата начална страница и дейността му се е случила преди 10 дни.
- Потребител Б прекарва 60 секунди на нашата начална страница и дейността им се е случила вчера.
- Потребител Cпрекарва 200 секунди на нашата начална страница и дейността му се е случила преди 40 дни
Ако приложим трансформацията на затихване във времето с ламбда стойност от 1/15, функцията за време на страница за потребител A ще бъде намалена до стойността от приблизително секунди: 100 * e^(-10/15) ~= 51
Функцията time_on_page за потребител B ще остане леко променена при 60 * e^(-1/15) ~= 56
И функцията за време на страница за потребител C ще бъде 200 * e^(-40/15) ~= 14
На практика този подход може значително да подобри производителността на модела, най-вече припомнянето.
Заключение
Моделите за прогнозиране на потенциални клиенти могат да използват трансформацията на затихване във времето, за да придадат по-голяма тежест на скорошната потребителска активност, което им позволява да правят по-добра разлика между горещи потенциални клиенти и неактивни потребители. Това може да помогне за филтрирането на потребители, които е малко вероятно да осъществят реализация, като по този начин подобри цялостната ефективност на модела и позволи на екипа по продажбите да съсредоточи усилията си върху по-обещаващи потенциални клиенти.
Референции
