В нашей предыдущей статье мы говорили о том, как начать сбор динамических и статических данных, а также о том, как обеспечить согласованность ваших данных. В этой статье мы покажем, как улучшить процесс принятия решений с помощью полезных идей. Вы узнаете, как получить полезную информацию о поведении клиентов или эффективности вашего продукта.

ВИДЫ ИНСАЙТОВ, КОТОРЫЕ ВЫ МОЖЕТЕ ПОЛУЧИТЬ НА СВОИХ ДАННЫХ

1-) Сегментация. Начните с сегментирования клиентов / пользователей на однородные группы. Здесь вы можете поиграть со своими динамическими и статическими данными и создать кластеры клиентов с комбинацией демографических и поведенческих данных. Может быть интересно узнать, что подписчики французской газеты с самой высокой пожизненной ценностью клиентов находятся в возрасте от 40 до 45 лет? Или что подписчики из Марселя и его окрестностей набирают больше, чем другие

2-) Прогнозирование. Имея достаточно данных и подходящие инструменты, вы можете создавать модели прогнозирования, которые будут предвидеть будущее поведение или взаимодействия. Используя приведенный выше пример, вы можете определить опережающий индикатор, который прогнозирует вероятность оттока. Например, можно определить, что если подписчик просматривает менее 5 статей в неделю, вероятность его ухода на 95% выше, чем у всех других подписчиков.

3-) Визуализация данных: чтобы ваши данные были полезными, они должны быть легко потребляемыми, чтобы вы могли действовать в соответствии с ними и принимать более обоснованные решения. Как определил Эдвард Тафте в своей классической работе 1983 года «Визуальное отображение количественной информации»: «Превосходство в статистической графике состоит из сложных идей, передаваемых с ясностью, точностью и эффективностью». Существует несколько способов визуализации данных: от таблиц и диаграмм до географических карт и тепловых карт и т. Д. Тем не менее, есть простые принципы, которые следует соблюдать. По словам Тафте, визуализация данных должна:

  • побудить зрителя задуматься о сути, а не о методологии, графическом дизайне, технологии графического производства или о чем-то еще
  • избегайте искажения того, что говорят данные
  • представить много чисел в небольшом пространстве
  • сделать большие наборы данных согласованными
  • побудить глаз сравнивать разные данные
  • раскрыть данные на нескольких уровнях детализации, от широкого обзора до тонкой структуры
  • служат достаточно ясной цели: описанию, исследованию, составлению таблиц или украшению
  • быть тесно интегрированным со статистическим и вербальным описанием набора данных.

Используя наш пример оттока, анализируя данные статей нашей газеты и отток каждого отдельного пользователя, мы можем обнаружить, что читатели из городов, которые не освещаются в местных новостях, набирают гораздо больше, чем те, которые освещаются в местных новостях. Мы могли бы визуализировать эти данные, используя диаграмму с полосами двух разных цветов: первый цвет будет отображать средний отток для регионов с освещением как местных, так и национальных новостей, а другой - отток для регионов с освещением только национальных новостей.

Мы также могли бы отобразить диаграмму с каждой областью, представленной в виде пузыря, где размер пузыря будет отражать относительную скорость оттока. Пузырьки будут нанесены на двухмерную диаграмму, где по оси Y будет измеряться отток пользователей, а по оси X - количество подписчиков. Мы могли бы пойти еще дальше и использовать пузыри, показывающие количество подписчиков газеты, которое каждый город теряет каждый месяц. Чем больше пузырь, тем больше убыток. Такой метод позволил бы нам идентифицировать регионы с большим количеством подписчиков и высоким коэффициентом текучести, при условии, что эти регионы имеют большее финансовое влияние на газету. Если бы мы нанесли эти города на карту, мы бы обнаружили, что все они расположены на юге Франции.

4-) Рекомендация: теперь представьте, можно ли сделать еще один шаг и взять те же кластеры, которые описаны в нашем примере сегментации выше, и определить, какие типы статей предпочитает каждый из этих кластеров. Обладая этой информацией, мы могли бы создать модель рекомендаций, основанную на прошлом поведении читателей. Например, наша модель может определить, что читатели, читающие обзоры театров каждую неделю, с большей вероятностью оценят рекомендации по новым ресторанам. В результате наша система рекомендаций может применяться для рекомендации новых ресторанов либо на веб-сайте нашей газеты, либо с помощью автоматизированных кампаний по электронной почте читателям обзоров театров.

5-) Автоматизация: представьте, что вы - главный редактор нашей газеты. Вы владеете информацией, описанной выше. Вы знаете, что пользователи, которые читают менее 5 статей в неделю, скорее всего, уйдут; вы также знаете, что города, в которых не освещаются местные новости, имеют более высокий уровень оттока пользователей и расположены на юге Франции, в регионе, для которого у вас нет специальной группы новостей. Кроме того, вы знаете, что существует сильная корреляция между определенными типами контента, такими как обзоры театров и ресторанов. Вместе с руководством газеты вы решаете увеличить освещение в местных новостях на юге Франции, открыв офис в Марселе. Однако, поскольку вы должны убедиться, что читатели, которые с большей вероятностью уйдут, продолжали просматривать более 5 статей в неделю, вы начинаете внедрять автоматизированный процесс. Чтобы повторно привлечь подписчиков, каждый раз, когда читатель просматривает менее 5 статей в неделю в течение 2 недель подряд, он или она получает персонализированную серию местных новостных статей по электронной почте или на веб-сайте вашей газеты. Таким образом, решение отправить рекомендацию при срабатывании правила 5 статей полностью автоматизировано. По прошествии времени и накопления данных в результате взаимодействия с рекомендациями по электронной почте наша модель становится все более надежной, а рекомендации потенциально более персонализированными с целью увеличения продаж и уменьшения оттока.

ВНЕДРЕНИЕ СИСТЕМ АВТОМАТИЗАЦИИ И РЕКОМЕНДАЦИЙ

Несмотря на кажущуюся простоту, разработка и обслуживание этих систем автоматизации и рекомендаций может оказаться сложным процессом. По этой причине в компании metriq мы разработали методологию, которую мы обучаем внутри компании и применяем ко всем нашим проектам, и которая помогает компаниям развивать свою трансформацию с помощью данных без сбоев.

1-) Все начинается с образовательного курса, чтобы понять, что вы хотите делать со своими данными. В этой программе особое внимание уделяется методологии снижения риска, а также уточнению, количественной оценке и отслеживанию целей.

2-) После определения ваших целей мы определяем, сколько данных у вас есть и насколько они полезны.

3-) Этот аудит данных позволяет нам определить и реализовать стратегию, адаптированную к этапу вашей организации:

  • Если у вас нет данных, мы работаем с вами, чтобы определить, какие данные вам нужны и как их собирать.
  • Если у вас есть данные, но они бесполезны, мы определяем способы сбора новых данных или улучшения существующих данных, чтобы сделать их полезными.
  • Если у вас есть данные, и они полезны, мы структурируем их для некоторого приложения с помощью модели или алгоритма.

4-) Когда у вас будет достаточно данных, мы начнем строить модели, чтобы проверить влияние решений на ваши цели.

  • Если вам требуются инструменты для принятия решений, мы используем программное обеспечение для бизнес-аналитики и методы визуализации данных для отображения ключевых показателей эффективности и показателей, связанных с вашими целями.
  • Мы создаем системы прогнозов и рекомендаций, чтобы оценить, что может произойти в будущем, на основе прошлого наблюдаемого опыта.
  • И, наконец, мы автоматизируем повторяющиеся процессы и рабочие процессы, чтобы уменьшить количество ошибок, с целью повышения эффективности и снижения затрат.

Если вам интересно узнать, как Metriq может помочь вашей компании сделать данные более полезными, не бойтесь назначить встречу с одним из наших экспертов.

Первоначально опубликовано на www.metriq.io 26 июля 2017 г.