खुदरा मशीन सीखने को क्या देता है: एक परियोजना उदाहरण

खुदरा ग्राहकों का एक बहुत ही विविध सर्कल है। उनमें से कई हैं - विभिन्न व्यवसायों और आय स्तर, युवा लोगों से वरिष्ठ नागरिकों तक। इस तरह की विविधता को दो या तीन व्यावसायिक नियमों द्वारा सही ढंग से वर्णित नहीं किया जा सकता है, क्योंकि आप केवल मानदंडों के सभी संयोजनों को कवर नहीं कर सकते हैं और अनिवार्य रूप से कुछ ग्राहकों को खो सकते हैं। इसलिए, खुदरा के लिए अपने दर्शकों को यथासंभव सटीक रूप से विभाजित करना बहुत महत्वपूर्ण है, लेकिन यह अनिवार्य रूप से मॉडल को जटिल बनाता है। मशीन लर्निंग तकनीकें यहां बचाव के लिए आती हैं, जिससे व्यवसायों को अधिक सटीक पूर्वानुमान और महत्वपूर्ण सवालों के जवाब मिलते हैं।





आपके सवालों का क्या मतलब है? उदाहरण के लिए: क्या ग्राहक छोड़ देगा? अक्सर ग्राहक छोड़ देते हैं यदि स्टोर में सही उत्पाद नहीं है। उदाहरण के लिए, एक महिला हर महीने 10 हजार रूबल के लिए एक विशेष क्रीम खरीदती है और दो सौंदर्य प्रसाधन स्टोर से चुन सकती है। उनमें से एक में, आवश्यक उत्पाद अक्सर गायब होता है, और दूसरे में उपलब्धता के साथ कोई समस्या नहीं होती है। सबसे अधिक संभावना है, वह लगातार दूसरे में खरीदेगी, भले ही थोड़ा अधिक महंगा हो।

एक और जरूरी सवाल: कर्मचारियों के काम का अनुकूलन कैसे करें? उदाहरण के लिए, आपको कैशियर और बिक्री सलाहकारों के लिए कार्य शिफ्ट की योजना बनाने की आवश्यकता है। एक तरह से सांख्यिकीय विश्लेषण का उपयोग करना शामिल है। विश्लेषक सप्ताह के दिन के आधार पर ग्राहकों की गतिविधि का मूल्यांकन करता है और देखता है कि शनिवार को वे सबसे अधिक खरीदते हैं, और शुक्रवार और रविवार को थोड़ा कम करते हैं। इस परिकल्पना को सांख्यिकीय परीक्षणों द्वारा जांचा जाता है, और निष्कर्ष प्रबंधन को दिया जाता है।

लेकिन इस तरह के विश्लेषण में कारकों के कई संयोजनों को ध्यान में नहीं रखा जा सकता है। उदाहरण के लिए, यदि 7 मार्च बुधवार को है - तो क्या वे इस दिन को शुक्रवार की तुलना में अधिक खरीदेंगे (आखिरकार, सामान्य समय में, शुक्रवार अन्य सप्ताह की तुलना में अधिक लोकप्रिय दिन है)? और ग्रेजुएशन? या स्थानीय अवकाश? जितने अधिक कारक, उतने ही कठिन इन सभी को सरल नियमों की सहायता से ध्यान में रखना है। और असीम रूप से नियमों को जटिल बनाने के बजाय, आप एक मॉडल का निर्माण कर सकते हैं जो किसी विशेष दिन की मांग की भविष्यवाणी करता है।

गैर-खाद्य खुदरा क्षेत्र में हमारी परियोजना

इस मामले में, ग्राहक आधार (लगभग 2.5 मिलियन लोग) का विश्लेषण करना और यह अनुमान लगाना आवश्यक था कि उनमें से कौन अगले दो हफ्तों में स्टोर में वापस आएगा। हमने कैटबॉस्ट लाइब्रेरी के दो तरीके लिए - कैटबॉस्टक्लासीफायर और कैटबॉस्टरराइजर, पहला - दर्शकों की संरचना की भविष्यवाणी करने के लिए, दूसरा - अगले 2 हफ्तों में सबसे लोकप्रिय उत्पादों का चयन करने के लिए। कैटबॉस्ट हमारी परियोजना की शुरुआत में सामने आया , यह श्रेणीबद्ध विशेषताओं के साथ काम करने के लिए एक नया दृष्टिकोण था। और चूँकि हमारे ग्राहक के उत्पाद की श्रेणी में बहुत सारी श्रेणीगत विशेषताएं हैं, इसलिए हमने नए उत्पाद की सहर्ष कोशिश की। मापदंडों का चयन करने के बाद, मॉडल ने सटीक पूर्वानुमान के साथ हमारी उम्मीदों को तुरंत पूरा किया। कोई आश्चर्य नहीं कि कैटबॉस्ट आज सबसे लोकप्रिय ग्रेडिंग बूस्टिंग मॉडल में से एक है।

मॉडल के लिए, हमने 2017 के लिए आंकड़े लिए:

• चेक: जो चेक से बोनस कार्ड का मालिक है, जब खरीद की जाती है, तो उन्होंने क्या खरीदा, छूट का आकार, इसे खरीद या धनवापसी।
• जनसांख्यिकी: ग्राहक के निवास का क्षेत्र और शहर, जन्म और लिंग की तारीख, फोन या मेल द्वारा मेल करने की सहमति।
• उत्पाद: किस श्रेणी या खंड में खरीदारी, गुंजाइश आदि शामिल हैं।

हमने शोर के डेटा (विक्रेता के कार्ड, रिटर्न, सेवाओं की खरीद, माल नहीं) को साफ किया और आवश्यक मानदंडों (छूट का प्रतिशत, आयु) की गणना की। उसके बाद, हमने प्रत्येक ग्राहक के लिए सबसे बड़ी और सबसे छोटी रसीद की गणना की, औसत, औसत और अधिकतम छूट, कितनी बार एक व्यक्ति आया और कितने उत्पादों को उसने किन श्रेणियों से खरीदा। इन मापदंडों को अंतराल में गिना गया था: पिछले हफ्ते, दो सप्ताह, एक महीने, तीन महीने। इस तरह के सावधानीपूर्वक काम ने उच्च पूर्वानुमान सटीकता के साथ मॉडल बनाना संभव बना दिया।

मॉडल के लिए एकत्र किए गए डेटा और लॉन्च की गई गणना। पहले मॉडल ने भविष्यवाणी की कि अगले दो हफ्तों में कौन से खरीदार आएंगे, और दूसरा जारी सिफारिशें: क्या उत्पाद (लेख के स्तर तक) एक विशेष व्यक्ति खरीदेगा। वैसे, विशिष्ट लेखों की लोकप्रियता की भविष्यवाणी करने की आवश्यकता ने कार्य को बहुत जटिल कर दिया है (आमतौर पर व्यापार को पदों की बजाय श्रेणियों और वस्तुओं के नामों के आधार पर पूर्वानुमान की आवश्यकता होती है)।

लक्षित मेलिंग के लिए मॉडल द्वारा सुझाए गए ग्राहकों की एक यात्रा के लिए एक बड़ा मंझला चेक था, और विश्लेषण की गई अवधि के लिए उन्होंने अन्य ग्राहकों की तुलना में कुल राशि खरीदी।



परिणामस्वरूप, मेलिंग के बाद, लगभग 30% ग्राहकों ने मॉडल द्वारा अनुमानित तीन उत्पादों में से कम से कम एक उत्पाद खरीदा।

अब कंपनी बिक्री की अधिक सटीक भविष्यवाणी कर सकती है: खुदरा विक्रेता जानता है कि निकट भविष्य में कौन उसके पास आएगा और क्या खरीदेगा। यह न केवल रसद को अनुकूलित करने में मदद करता है, बल्कि संबंधित लागतों को भी कम करता है। उदाहरण के लिए, यदि कोई विशेष ग्राहक आमतौर पर सर्दियों में कुछ नहीं खरीदता है, तो आपको उसे जनवरी में एसएमएस भेजने की आवश्यकता नहीं है। मॉडल मेलिंग को भी अनुकूलित करते हैं: पूर्वानुमान के आधार पर एक विशेषज्ञ तुरंत समझ जाता है कि किसे ई-मेल भेजना चाहिए और किसको - एक तत्काल एसएमएस।

नुकसान

वे किसी भी एमएल-टास्क में हैं - वे हमारे में थे। उदाहरण के लिए, हमने परीक्षण किया कि क्या उत्पाद सिफारिश मेलिंग बिक्री बढ़ाने में मदद करती है। इसके लिए, अनुमानित ग्राहक खंड को तीन समूहों में विभाजित किया गया था:

1. नियंत्रण - समाचार पत्र प्राप्त नहीं किया।
2. अनुस्मारक के साथ समूह - स्टोर से एक आम पाठ प्राप्त किया।
3. सिफारिशों के साथ समूह - मॉडल द्वारा अनुमानित तीन विशिष्ट उत्पादों के साथ एसएमएस प्राप्त किया।

यह पता चला कि जिन लोगों ने सिफारिशें प्राप्त कीं, उन्होंने उन ग्राहकों की तुलना में कम खरीदे, जिन्हें समाचार पत्र प्राप्त नहीं हुए थे। औसत बिल और खरीदे गए सामान की मात्रा कम थी। टी-परीक्षण से पता चला कि मतभेद सांख्यिकीय रूप से महत्वपूर्ण थे (pvalue = 0.017)।



इसे हल्के ढंग से रखने के लिए, ऐसे परिणामों ने सभी को हतोत्साहित किया। उन्होंने इसका कारण तलाशना शुरू किया और पता चला कि स्टोर ने ग्राहकों को एक विशिष्ट मैसेंजर में संदेश भेजे थे, और हमारे सेगमेंट के उपयोगकर्ताओं ने शुरू में अन्य ग्राहकों की तुलना में कम खरीदा। यहां तक ​​कि ग्राहक के विपणक भी इस बारे में नहीं जानते थे। इसलिए प्रयोग गलत निकला, लेकिन इसके परिणामों के अनुसार, हमने मॉडल में "मैसेंजर उपयोगकर्ता" पैरामीटर जोड़ा। यह मामला दर्शाता है कि ग्राहकों के साथ संचार के लिए चैनलों का सावधानीपूर्वक चयन कैसे करें।
अन्य निष्कर्ष क्या निकाले जा सकते हैं?

• ज्यादा डेटा नहीं है।
• कभी-कभी ओर से विश्लेषक का विचार एक नए विचार की ओर ले जाता है।

ग्राहक विभाजन

डेटा विश्लेषण आपको उन पैटर्न का पता लगाने की अनुमति देता है जो पहले उपलब्ध जानकारी में छिपे हुए थे। एक अच्छा उदाहरण आरएफएम विभाजन (रीसेंसी फ़्रीक्वेंसी मॉनेटरी) और एमएल एल्गोरिदम का उपयोग करके विभाजन की तुलना करने वाले ग्राहक समूहों की तुलना है।

RFM विभाजन तीन प्रमुख मैट्रिक्स का उपयोग करता है:

• अंतिम खरीद का पर्चे
• अवधि के लिए खरीद की आवृत्ति
• ग्राहक द्वारा खर्च की गई राशि।

इन आंकड़ों के आधार पर, मुख्य समूहों को प्रतिष्ठित किया जाता है: "स्क्वैंडर्स", "वफादार ग्राहक", "लगभग खोए हुए ग्राहक", आदि। और विपणक पहले से ही एक विशिष्ट समाचार पत्र में वांछित लक्ष्य समूह को शामिल करते हैं या विशेष रूप से इस समूह के लिए एक प्रस्ताव बनाते हैं।

उदाहरण के लिए, RFM विभाजन का उपयोग करके, आप ग्राहक खंडों का चयन कर सकते हैं और उन्हें तीन-आयामी स्थान में बिंदुओं के रूप में प्रस्तुत कर सकते हैं:



यह आपको ग्राहकों के कुल द्रव्यमान में कुछ समूहों के स्थान, उनके अनुपात और परिवर्तनों की गतिशीलता को नेत्रहीन रूप से देखने की अनुमति देता है।

अब विमान पर खंडों के त्रि-आयामी वितरण का प्रोजेक्ट करें। मार्केटिंग अभियान में सबसे अधिक लाभदायक लोगों को शामिल करने के लिए कंपनी द्वारा आय को ग्राहकों द्वारा विभाजित किया जा सकता है, लेकिन क्या यह प्रभावी नियोजन के लिए पर्याप्त होगा?

इस तरह के डेटा में भी, मशीन लर्निंग एल्गोरिदम अतिरिक्त संभावनाएं पाता है: यह ग्राहकों को नए बड़े समूहों में विभाजित करता है। आप इस विभाजन का विश्लेषण यह पता लगाने के लिए कर सकते हैं कि एल्गोरिथ्म ने ग्राहकों को इस तरह क्यों विभाजित किया। उदाहरण के लिए, कुछ अत्यधिक लाभदायक ग्राहक विशेषज्ञ होते हैं जो खरीदारी पर अपने ग्राहकों के साथ जाते हैं और अपने डिस्काउंट कार्ड का उपयोग करते हैं; कुछ सक्रिय रूप से अपने कार्ड को दोस्तों और परिचितों के साथ साझा करते हैं। यही है, एमएल के पहले उपयोग के बाद, आप सभी समान डेटा के आधार पर अपने ग्राहकों के बारे में अतिरिक्त जानकारी प्राप्त कर सकते हैं।



चलो ग्राहक विशेषताओं के सेट का विस्तार करें: लिंग, आयु, व्यवहार और बहुत कुछ जोड़ें। अब एल्गोरिथ्म खरीदारों को कैसे वितरित करेगा?

उदाहरण के लिए, एक समूह है जो सर्वोत्तम ग्राहकों (सबसे लाभदायक) और उनके "पड़ोसियों" दोनों को कवर करता है, जो कम लाभ लाते हैं। इस समूह को आवंटित एल्गोरिथ्म विश्लेषक के लिए एक सवाल क्यों है। शायद अतिरिक्त उत्तेजना वाले ये ग्राहक अधिक लाभप्रदता दिखाएंगे। या, इसके विपरीत, ये ग्राहक विशेष रूप से आशाजनक नहीं हैं, और लाभप्रदता में वृद्धि एक यादृच्छिक विचलन थी - इससे उन्हें उत्तेजित करने का कोई मतलब नहीं है। विभिन्न सिद्धांतों को आगे रखा जा सकता है, लेकिन उन्हें प्रयोगात्मक रूप से सत्यापित करना होगा।

वेयरहाउस योजना - बिक्री का पूर्वानुमान

इसके अलावा, परियोजना में कई विकास विकल्प हैं। उदाहरण के लिए, आप आने वाले समय के लिए किसी विशेष स्टोर में खरीद का पूर्वानुमान लगा सकते हैं। तब स्टोर व्यवस्थापक केंद्रीय गोदाम से आवश्यक सामान समय पर ऑर्डर करने में सक्षम होगा।

किसी विशेष आउटलेट पर खरीद का विश्लेषण प्रदर्शन खिड़कियों पर माल के प्रदर्शन को तैयार करने में मदद करेगा। उदाहरण के लिए, यदि बहुत सारे पुरुष खरीदार स्टोर में आते हैं, तो पुरुष उत्पादों के साथ विभाग को दूर कोने में नहीं रखा जाना चाहिए।

दुकानों के तथाकथित नरभक्षण के बारे में मत भूलना। यही है, अगर एक ही नेटवर्क की बिक्री के दो बिंदु पास हैं (उदाहरण के लिए, एक ही सड़क के विभिन्न छोरों पर), तो उनमें से एक ग्राहकों को खींच सकता है, और दूसरा निष्क्रिय खड़ा होगा। आप एक मॉडल बना सकते हैं जो इस तरह की घटनाओं को ट्रैक करेगा और इसके बारे में संकेत देगा।

***

संक्षेप में, मशीन लर्निंग एक शक्तिशाली उपकरण है जो बहुत कुछ कर सकता है। अक्सर जब मॉडल का निर्माण होता है, तो गैर-स्पष्ट पैटर्न सामने आते हैं, जिनके बारे में व्यावसायिक उपयोगकर्ता भी नहीं जानते थे। हालांकि, मॉडल की गुणवत्ता डेटा की गुणवत्ता और मात्रा पर बहुत अधिक निर्भर है।

सॉफ्टवेयर, जेट इन्फोसिस्टम्स के विकास और कार्यान्वयन के लिए निदेशालय के विश्लेषक