VikingSMS – technologia zmniejszająca dystans między rekruterem a pracownikiem

O tym, jak bardzo nowoczesna technologia zmienia nasze życie… warto czasem przypomnieć. Zwłaszcza tym, którym przytrafi się ponarzekać na wolny transfer sieci WiFi, brak zasięgu sieci GSM, czy wreszcie, wolny komputer czy konsolę do gier, które najlepsze lata mają za sobą oraz wszystkim tym, którzy umilając sobie czas w podróży słuchając muzyki odtwarzanej z telefonu lub spędzają weekend oglądając na Netflixie maraton filmów z Alem Pacino w roli głównej.

Racząc się tymi dobrodziejstwami XXI wieku pamiętajmy, że właśnie teraz… gdzieś… powstaje firma, która za kilkanaście miesięcy, dzięki zastosowaniu najnowszych technologii, zmieni reguły gry jakiegoś rynku.

Czytaj dalej VikingSMS – technologia zmniejszająca dystans między rekruterem a pracownikiem

Eksploracja Danych w Marketingu Spersonalizowanym

Marketing spersonalizowany (lub marketing jeden do jednego) polega na dostosowania oferty produktowej do preferencji konkretnych klientów. Mamy do czynienia z tym problemem, przykładowo, podczas przygotowywania „gazetek” produktowych przesyłanych do klientów drogą e-mailową (personalizacji ulotek drukowanych raczej nie stosuje się ze względu na wysokie koszty). Aby zminimalizować CPS (ang. Cost Per Sale – Koszt Transakcji / Sprzedaży) należałoby w każdej ofercie przedstawić takie produkty, dla których prawdopodobieństwo, że zostaną zakupione przez danego klienta jest największe. Innym przykładem tego zagadnienia jest prezentowanie komunikatów typu „Inni klienci zakupili również produkty X, Y i Z” na stronach sklepów internetowych. Rodzi to pytanie – jak określić, które produkty spośród całej oferty (często tysiące lub więcej pozycji asortymentowych) mają największą szansę powodzenia u danego klienta? W praktyce stosuje się głownie dwa podejścia w różnych wariantach i kombinacjach.

Doradcy, czyli K-Najbliższych Sąsiadów

Pierwszym sposobem jest zastosowanie dla każdego klienta, dla którego przygotowujemy ofertę algorytmu K-Najbliższych Sąsiadów lub tzw. doradców.

Można tutaj stosować różne warianty funkcji pomiaru odległości, lecz podstawowa zasada pozostaje niezmienna: klienci są tym bliżej siebie, im więcej identycznych produktów znajdujemy w ich historii zakupów. Wynika z tego, że zawodowi hydraulicy kupujący podobny asortyment (rury, pakuły, zawory itp.) będą leżeli stosunkowo blisko siebie, a w znacznej odległość od gospodyń domowych – kupujących produkty z zupełnie innych grup.

Należy tutaj również uwzględnić pewne zjawisko i je odpowiednio kompensować. Mogą bowiem znaleźć się w bazie produkty, które kupowane są przez wszystkie grupy konsumentów. Przy obliczaniu odległości pomiędzy konsumentami powinno uwzględniać się prawdopodobieństwo wystąpienia danego produktu w całej populacji klientów i wyróżniać go lub obarczać pewną karą. Przykładowo:

  • Klient A i klient B kupili kiedyś cukier. Prawdopodobieństwo, że klient kupił kiedykolwiek cukier wynosi, przykładowo, 50% – produkt ten nie jest więc charakterystyczny dla konkretnej grupy klientów; jest raczej przykładem produktu dość popularnego i powinien mieć mniejszy wpływ na odległość pomiędzy klientami;
  • Klient A i klient B kupili kiedyś wkrętarkę udarową.  Prawdopodobieństwo zakupu tego produktu dla klienta wynosi 1,5% – produkt ten nie jest więc tak często kupowany jak cukier i powinien zostać wyróżniony – mieć większy wpływ na zmniejszenie odległości pomiędzy tymi klientami.

Kolejnym krokiem, po określeniu K najbliższych sąsiadów, jest odnalezienie takich produktów, które zostały jak najczęściej kupowane przez znalezionych doradców, a nie zostały jeszcze zakupione przez analizowanego klienta, do którego kierujemy korespondencję z ofertą.

Efekty pracy tego algorytmu mogą być zaskakująco trafne. Poniższa ilustracja pochodzi z artykułu opisującego podejście firmy Central Purchasing, Inc. do stworzenia rozwiązania przygotowującego oferty dla klientów. Oryginalny dokument w j. angielskim można znaleźć tutaj.

onetoonemarketing

We wspomnianym artykule przytoczono również zestawienie wyników pokazujących jak ogromny wzrost skuteczności zanotowano w porównaniu z marketingiem niespersonalizowanym – tak jeszcze popularnym wśród mniejszych firm.

personalized_marketing_gain

personalized_marketing_gain2

Produkty Powiązane – Analiza Koszyka

Kolejnym podejściem do problemu jest tzw. Analiza Koszyka. Opiszę je tylko skrótowo, aby pokazać alternatywę do podejścia poprzedniego.

Analiza koszyka polega na ustaleniu które produkty są najczęściej kupowane w grupie, co może wynikać z ich powiązania. Przykładowo cukier i kawa, wiertarka oraz zestaw wierteł itp. Reguły tych powiązań pomiędzy produktami można zapisać następująco:

cukier \to \!\, kawa oraz wiertarka \to \!\, zestaw wierteł

Takie relacje mogą zachodzić zupełnie przypadkowo, stąd potrzeba pomiaru parametrów takich powiązań. Stosuje się tutaj dwa podstawowe parametry – wsparcie, które mówi o tym jak często te produkty występują razem w koszyku oraz ufność, które mówi o tym ilu klientów, którzy zakupili produkt pierwszy, zakupiło również produkt drugi.

Przykładowo:

cukier \to \!\, kawa [wsparcie = 5%, ufność = 74%]

oznacza, że 5% procent wszystkich zakupów w sklepie zawierało oba powyższe produkty, a w 74% przypadków zakupu cukru, zakupiono również kawę. Taki współczynnik ufności świadczy o występowaniu jakiegoś powiązania pomiędzy produktami, a wiedza o tym może być użyta przy projektowaniu kampanii reklamowych, rozmieszczeniu regałów sklepu oraz promocji.

Jednym z najbardziej popularnych algorytmów określania asocjacji między produktami jest tzw. algorytm „Apriori„.

 

Eksploracja Danych w Diagnostyce Obrazowej – podsumowanie

Niniejszy wpis będzie próbą zwięzłego podsumowania bardzo ciekawego – w mojej ocenie – artykułu znalezionego na stronie http://www.dataminingcasestudies.com. Pełny artykuł w j. angielskim dostępny jest tutaj.

Artykuł ten nosi tytuł „Eksploracja Danych w Diagnostyce Obrazowej”  (ang. „Mining Medical Images”) i traktuje o wyzwaniach związanych z eksploracją danych na podstawie obrazów uzyskanych w drodze obrazowania medycznego. Implementacja skutecznych algorytmów w tej dziedzinie umożliwić ma stworzenie bardziej dokładnych systemów Komputerowego Wspomagania Diagnozy (ang. CAD – Computer Aided Diagnosis).

Czytaj dalej Eksploracja Danych w Diagnostyce Obrazowej – podsumowanie