Suchen Sie Experten in Natürlicher Sprachverarbeitung? Veröffentlichen Sie Ihre Stellenangebote bei uns und finden Sie heute Ihren idealen Kandidaten!
Veröffentlichen Sie einen JobMöglicherweise 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
Auf der Kundenebene treten jedoch einige Probleme auf:
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:
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.
Fast Data Science - London
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:
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.
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:
Die Ausgabe, die Sie vorhersagen möchten, ist:
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
Sie können die Leistung des Vorhersagemodell-Ansatzes verbessern, indem Sie ihn etwas ausgefeilter gestalten:
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.
Bereit für den nächsten Schritt in Ihrer NLP-Reise? Vernetzen Sie sich mit Top-Arbeitgebern, die Talente in der natürlichen Sprachverarbeitung suchen. Entdecken Sie Ihren Traumjob!
Finden Sie Ihren TraumjobMittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.
Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.
Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.
What we can do for you