Wie gut können Sie das Ausgabeverhalten eines einzelnen Kunden vorhersagen?

Warum müssen wir die Kundenausgaben vorhersagen?

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

Lassen Sie mich ein Beispiel nennen: Sie arbeiten für einen großen Einzelhändler, der ein Treuekartensystem betreibt. Sie möchten für einen bestimmten Kunden vorhersagen, wie viel er in der nächsten Woche voraussichtlich ausgeben wird.

In diesem Fall gäbe es normalerweise klare Muster

• Kunden kaufen montags mehr als samstags (Wochenrhythmus)
• Es kann einen monatlichen Zyklus und einen jährlichen Zyklus geben
• Weihnachten, Ostern und Feiertage könnten zu einer explosionsartigen Nachfrageexplosion führen

Auf der Kundenebene treten jedoch einige Probleme auf:

• Einige Kunden haben Ihren Shop möglicherweise nur einmal besucht
• einige haben sie hunderte Male besucht
• Ein Kunde betritt das Geschäft möglicherweise einige Monate lang nicht, kommt dann aber wieder zurück (ruhender Kunde).

Betrachten Sie die Ausgaben aller Kunden zusammen

Das bedeutet, dass Sie, wenn Sie sich die Ausgaben aller Kunden (oder den Durchschnitt über eine Region) ansehen, 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 erst erkennbar, als wir den Durchschnitt aller Kunden ermittelten.

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

Dieses Problem ist sehr interessant, da es mindestens zwei sehr unterschiedliche Lösungsansätze aus zwei verschiedenen traditionellen Disziplinen gibt:

• Prädiktive Modellierung (aus dem Bereich des maschinellen Lernens) – Fokussierung auf einen einzelnen Kunden
• Zeitreihenanalyse (aus dem Bereich Statistik) – Fokussierung auf Kundengruppen

Das bedeutet, dass Sie je nachdem, ob Sie jemanden mit Erfahrung im maschinellen Lernen oder jemanden mit Statistik-Hintergrund einstellen, möglicherweise zwei widersprüchliche Antworten erhalten.

In diesem Beitrag werde ich nur über den prädiktiven Modellierungsansatz sprechen.

Wenn Sie daran interessiert sind, das erste Diagramm vorherzusagen, das Durchschnittswerte für Kundengruppen darstellt, sollten Sie sich meinen nächsten Beitrag zur Zeitreihenanalyse ansehen.

Vorhersagemodell: individuelle Kundenausgaben

Der einfachste Weg wäre die Verwendung eines prädiktiven Modellierungsansatzes für maschinelles Lernen. Sie könnten beispielsweise die lineare Regression verwenden. Wenn Sie mit der Vorgehensweise nicht vertraut sind, empfehle ich den Coursera-Kurs von Andrew Ng .

Als Eingabe für Ihr Regressionsmodell würden Sie Folgendes bereitstellen:

• Letzter Einkaufswert (falls verfügbar)
• Vorletzter Einkaufswert (falls verfügbar)
• Drittletzter Einkaufswert (falls verfügbar)

Die Ausgabe, die Sie vorhersagen möchten, ist:

• Der nächste Einkaufswert

Dadurch wird der nächste Kauf einigermaßen genau vorhergesagt. Schließlich ist der wichtigste Faktor, um vorherzusagen, was jemand kaufen wird, das, was er in der Vergangenheit gekauft hat.

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

• Ein Kunde ohne vorherige Einkäufe
• Über Weihnachten fallen tendenziell größere Einkäufe an

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

• Fügen Sie dem Regressionsmodell weitere Eingabefunktionen hinzu, z. B. „Wochentag“, „Tag des Jahres“, „isChristmasSeason“ 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 die Gefahr, dass Ihre Vorhersagen verrückt werden (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 über frühere Käufe von Kunden aus Ihrer Datenbank extrahieren, um Ihr Modell zu trainieren, und außerdem Ihre Datenbank in Echtzeit abfragen, um eine Vorhersage durchzuführen. Wenn Sie weitere Ideen dazu wünschen, schauen Sie sich bitte mein Video zu diesem Thema oder dieses Python-Tutorial auf Github an.