Wie gut können Sie das Ausgabeverhalten eines einzelnen Kunden vorhersagen?

Warum müssen wir die Kundenausgaben vorhersagen?

Möglicherweise haben Sie meinen vorherigen Beitrag zur Vorhersage von Kundenabwanderung gelesen. Ein weiteres ähnliches Problem, das genauso wichtig ist wie die Vorhersage verlorener Kunden, ist die Vorhersage der täglichen Ausgaben von Kunden.

Lassen Sie mich Ihnen ein Beispiel geben: Sie arbeiten für einen großen Einzelhändler, der ein Treuekartenprogramm hat. Sie möchten für einen bestimmten Kunden vorhersagen, wie viel er in der nächsten Woche wahrscheinlich ausgeben wird.

In diesem Fall gäbe es normalerweise klare Muster

• Kunden kaufen montags mehr als samstags (Wochenrhythmus)
• Es kann einen monatlichen und einen jährlichen Zyklus geben
• Weihnachten, Ostern und Feiertage könnten die Nachfrage in die Höhe treiben

Auf der Kundenebene treten jedoch einige Probleme auf:

• Einige Kunden haben Ihr Geschäft möglicherweise nur einmal besucht
• einige waren schon hundertmal dort
• Ein Kunde kommt vielleicht ein paar Monate lang nicht in den Laden, kommt dann aber wieder (ruhender Kunde)

Die Ausgaben aller Kunden zusammen betrachten

Das bedeutet, dass Sie bei Betrachtung der Ausgaben aller Kunden (oder des Durchschnittswerts einer Region) wahrscheinlich einige erkennbare wöchentliche, monatliche und saisonale Muster erkennen werden:

Ausgaben einzelner Kunden

Für einen einzelnen Kunden ist es jedoch schwierig, in all dem Lärm ein erkennbares Muster zu erkennen. Die wöchentlichen und jährlichen Trends waren nur sichtbar, als wir den Durchschnitt aller Kunden berechneten.

Wie können Sie also die zukünftigen Ausgaben eines bestimmten Kunden vorhersagen, wenn er das nächste Mal den Laden betritt?

Dieses Problem ist recht interessant, da es zu seiner Lösung mindestens zwei sehr unterschiedliche Ansätze aus zwei verschiedenen traditionellen Disziplinen gibt:

• Predictive Modelling (aus dem Bereich des maschinellen Lernens) – Fokussierung auf den einzelnen Kunden
• Zeitreihenanalyse (aus dem Bereich Statistik) - Fokussierung auf Kundengruppen

Dies bedeutet, dass Sie möglicherweise zwei widersprüchliche Antworten erhalten, je nachdem, ob Sie jemanden mit einem Hintergrund im maschinellen Lernen oder jemanden mit einem Statistikhintergrund einstellen.

In diesem Beitrag werde ich nur über den Ansatz der prädiktiven Modellierung sprechen.

Wenn Sie an der Vorhersage des ersten Diagramms interessiert sind, bei dem es sich um Durchschnittswerte für Kundengruppen handelt, sollten Sie sich meinen nächsten Beitrag zur Zeitreihenanalyse ansehen.

Vorhersagemodell: Individuelle Kundenausgaben

Am einfachsten wäre es, einen prädiktiven Modellierungsansatz für maschinelles Lernen zu verwenden. Sie könnten beispielsweise die lineare Regression verwenden. Wenn Sie nicht wissen, wie das geht, empfehle ich Ihnen den Coursera-Kurs von Andrew Ng .

Sie würden als Eingabe für Ihr Regressionsmodell Folgendes bereitstellen:

• Letzter Einkaufswert (sofern vorhanden)
• Vorletzter Einkaufswert (sofern vorhanden)
• Drittletzter Einkaufswert (sofern vorhanden)

Die Ausgabe, die Sie vorhersagen möchten, ist:

• Der nächste Einkaufswert

Dadurch lässt sich der nächste Kauf mit einiger Genauigkeit vorhersagen. Schließlich ist der wichtigste Faktor bei der Vorhersage, was jemand kaufen wird, was er in der Vergangenheit gekauft hat.

Ich bin mir jedoch sicher, dass Sie sich leicht einige Fälle vorstellen können, in denen dies nicht funktioniert. Zum Beispiel

• Ein Kunde ohne frühere Käufe
• Über Weihnachten, wenn die Einkäufe tendenziell größer sind

Sie können die Leistung des Predictive Model-Ansatzes verbessern, indem Sie ihn etwas ausgefeilter gestalten:

• Fügen Sie dem Regressionsmodell weitere Eingabefunktionen hinzu, wie etwa „Wochentag“, „Tag des Jahres“, „istWeihnachtssaison“ usw.
• Wechseln Sie zu einem polynomialen Regressionsmodell oder einer Random-Forest-Regression. Dadurch wird Ihr Modell leistungsfähiger, wenn die Beziehungen zwischen Ihren Eingaben und Ausgaben nicht vollständig linear sind. Allerdings besteht das Risiko, dass Ihre Vorhersagen durcheinander geraten (z. B. wenn Sie große Zahlen vorhersagen), wenn Sie nicht vorsichtig sind!
• Machen Sie verschiedene Modelle

Kundenausgaben in der Praxis

Wenn Sie ein Vorhersageproblem im Einzelhandel haben oder Hilfe bei einem anderen Problem in der Datenwissenschaft benötigen, kontaktieren Sie mich bitte.

In der Praxis kann es schwierig sein, die oben beschriebenen Daten zu jedem Kunden zu erhalten. Sie müssen bestimmte Statistiken zu früheren Käufen von Kunden aus Ihrer Datenbank extrahieren, um Ihr Modell zu trainieren, und Ihre Datenbank auch in Echtzeit abfragen, um eine Vorhersage zu treffen. Wenn Sie weitere Ideen dazu haben möchten, sehen Sie sich bitte mein Video zu diesem Thema oder dieses Python-Tutorial auf Github an, oder lesen Sie mehr über KI in Unternehmen in unserem Blog.