Презентация к выступлению на встрече "Маркетинг без пыли". Рассматривается пара кейсов с указанием инструментария и ключевых элементов кода.

1. Статистические методы и
автоматизация в анализе
клиентских данных
Андрей Кулинич
Цифровой vs. Аналоговый бизнес

2. От понимания к прогнозам
Business
Intelligence Почему это произошло
Прогнозное
моделирование
Оптимизация
Что надо сделать, чтобы
произошло самое лучшее

3. Проблема + гипотеза
Поиск…
Важная роль аналитика

4. В чем управленческая проблема?
Мало клиентов!
Неудовлетворительные финансовые показатели
Андрей Кулинич, 2016 4

5. Ситуация
У вас ограниченный бюджет и надо выбрать, на каком
клиентском сегменте сосредоточиться
Стоимость
привлечения, CAC
Годовой доход, m
Сегмент 1 9 400 21 000
Сегмент 2 14 500 17 000
Андрей Кулинич, 2016 5

6. Ситуация: решение
Стоимость
привлечения,
CAC
Годовой
доход, m
Коэффициент
удержания, r
Пожизненная
стоимость, CLV
Сегмент 1 9 400 21 000 0,3 7 000
Сегмент 2 14 500 17 000 0,7 23 800
𝐶𝐿𝑉 = 𝑚 × (
𝑟
1 + 𝑖 − 𝑟
)
i – ставка дисконтирования, принята равной 0,2
Андрей Кулинич, 2016 6

7. Информация о скрипте
http://goo.gl/qGq5QR 7

8. Кейс: ассоциативные правила
Задача: проверить гипотезу о возможности перепрофилирования
магазина
Дополнительно много интересного и полезного:
• Ассоциативные правила
• Оценка убытков от отсутствия на полке

9. Ключевой блок кода для Python
import pandas as pd
import numpy as np
from pymining import itemmining, assocrules, perftesting
#В качестве примера рассмотрим ассоциативные правила на уровне
групп:
relim_input = itemmining.get_relim_input(transactions)
item_sets = itemmining.relim(relim_input, min_support=2)
rules = assocrules.mine_assoc_rules(item_sets, min_support=100,
min_confidence=0.5)
write_rules(rules, 'association_rules_group.csv')

10. Результаты анализа: ассоциативные правила
Посылка Следствие Уровень поддержкиУровень достоверности
1.11.1.-1.1.1.-1.7.1. 1.29.3. 129 0,75
1.29.4.-1.22.4. 1.29.3. 121 0,75
1.11.1.-1.3.4.-1.7.1. 1.29.3. 105 0,72
3.1.4.-3.1.1. 3.2.2. 218 0,72
1.29.4.-1.1.1.-1.29.1. 1.29.3. 119 0,69
1.29.4.-1.1.1.-1.29.1. 1.29.3. 119 0,69
1.2.3.-1.3.4.-1.1.1. 1.11.1. 130 0,68
1.11.1. Молоко + 1.1.1. Хлеб + 1.7.1. Мясо -> 1.29.3. Овощи
3.1.4. Зажигалки, спички + 3.1.1. Жевательная резинка -> 3.2.2. Сигареты
1.2.3. Чай + 1.3.4. мучные сладости+ 1.1.1. Хлеб -> 1.11.1. Молоко

11. Обучение или аутсорсинг
Обучите внутреннего аналитика
• Владение вопросами бизнеса!
• Практико-ориентированное
обучение
• Консалтинг по вопросам сбора
и обработки информации
• Индивидуальное обучение
Безопасный аутсорсинг
• Высокая скорость и качество
• Привнесение нового опыта
• Использование
профессиональных
инструментов и ресурсов
• Есть некоторые риски

12. Клиент Хэш
ООО "Васильки" b0dcf8780254533a9004a6a1faaec0a9
ПАО "БанкСистема" 234df6a872fd908bf8ce4eabf06c12bd
ООО "МБП2016" ee777959f38afdf4580410759a4f6e7c
ООО "Другая" e45b25e0839c6bee1d9688bb8f459484
Безопасно передать данные

13. Будьте цифровыми!
Андрей Кулинич
ai@kulinich.ru
Kulinich.ru