Анализ клиентских сред
Материал из MachineLearning.
|
Клиентская среда — это совокупность клиентов (пользователей, cубъектов), регулярно пользующихся фиксированным набором сервисов (услуг, ресурсов, товаров, предметов, объектов), при условии, что действия клиентов протоколируются в электронном виде. Примерами действий клиентов являются: использование сервиса, оценивание (рейтингование) сервиса, обращение за информацией, оплата услуг, выбор тарифного плана, участие в маркетинговой акции, отказ от обслуживания, и т.д.
Анализ клиентских сред, АКС (customer environment analysis, CEA) — это технология интеллектуального анализа данных, позволяющая выделить из протокола действий клиентов полезную информацию для маркетинга и управления взаимоотношениями с клиентами (customer relationship management, CRM). Конечной целью АКС является повышение удовлетворённости и лояльности клиентов, улучшение качества сервисов, более эффективное привлечение и удержание клиентов.
Термин Анализ клиентских сред введён К. В. Рудаковым, компания Форексис.
Примеры клиентских сред
Клиентские среды возникают в самых разных сферах бизнеса, и не только бизнеса. Можно говорить о клиентских средах производителей товаров, дилерских сетей, сетей супермаркетов, операторов связи, эмитентов пластиковых карт, библиотек, интернет-магазинов, сайтов, и т. д.
Задачи анализа клиентских сред
Задача предсказания рейтингов решается в интернет-магазинах, особенно книжных, и сетях видеопроката. Приобретая через сайт некоторый товар (книгу, фильм, и т. д.), клиент имеет возможность выразить своё отношение к нему, выставив рейтинг, обычно целое число от 1 до 5 или от 1 до 10. Система использует информацию о всех выставленных рейтингах для персонализации предложения. Когда клиент видит на сайте страницу с описанием товара, ему показывается также список всех схожих товаров, получивших высокий рейтинг у схожих клиентов. Основная задача — быстро находить в огромном объёме данных множества схожих клиентов и схожих товаров, затем прогнозировать их рейтинги для данного клиента.
Технология анализа клиентских сред
Технология АКС основана на вычислении количественных оценок сходства между сервисами и между клиентами. В простейших случаях сходство сервисов оценивается по принципу «сервисы схожи, если ими пользуются одни и те же клиенты; чем больше общих клиентов, тем более схожи сервисы». Подобная идея применяется давно и успешно. Известно, например, что более 95% пользователей amazon.com не упускают возможности узнать, «какие ещё книги покупают клиенты, купившие эту книгу». Однако данный принцип сходства имеет ограниченную сферу применимости, так как он выдвигает чрезмерно жёсткое требование, чтобы схожие сервисы имели одних и тех же общих клиентов, тогда как вполне достаточно, чтобы они имели схожих клиентов. Например, сайты двух конкурирующих производителей видеотехники могут не иметь общих клиентов, тем не менее, они схожи как по тематике, так и по целевой аудитории.
Более интересные результаты даёт усовершенствованный принцип сходства: «сервисы схожи, если ими пользуются схожие (но не обязательно одни и те же) клиенты; в свою очередь, клиенты схожи, если они пользуются схожими (но не обязательно одинаковыми) сервисами». Этот принцип сложнее для реализации, так как две меры сходства оказываются зависимыми друг от друга. Эффективная реализация этой идеи возможна путём выявления скрытых профилей.
Действия клиента являются проявлением его предпочтений, вкусов, привычек — того, что можно назвать его скрытым профилем. Профиль не доступен в явном виде и лишь косвенно проявляется в поведении клиента. Существует и открытая часть пользовательского профиля, которая обычно включает:
- социально-демографические характеристики, собираемые через анкету, возможно, лишь для части клиентов;
- описательные статистики, характеризующие среднюю активность клиента.
Каждый сервис также имеет свой скрытый профиль — это набор пользовательских предпочтений, вкусов, привычек, которые он способен удовлетворить. Как правило, сервисы изначально упорядочены в виде иерархического каталога, отражающего структуру пользовательских предпочтений, однако эта каталогизация может быть неполной и неточной. Открытая часть профиля сервиса обычно включает:
- позиции данного сервиса в тематическом каталоге;
- атрибуты, присвоенные данному сервису либо экспертами, либо в результате некоторой автоматической обработки описаний предметов;
- описательные статистики, характеризующие средний спрос на данный сервис.
В результате огромного количества отдельных выборов сервисы и клиенты перенимают атрибуты друг друга. Например, атрибут «возраст» на первый взгляд принадлежит исключительно пользователям. Однако сервисы, часто выбираемые клиентами от 16 до 24 лет, также приобретают этот атрибут и характеризуются как «молодёжные». С другой стороны, атрибут «рок-музыка», первоначально характеризующий положение предметов в каталоге, переносится на тех клиентов, которые часто выбирают сервисы (в данном примере — музыкальные диски) с таким атрибутом.
Таким образом, для описания профилей клиентов и сервисов может быть использована одна и та же информационная структура — унифицированный скрытый профиль. Скрытые профили клиентов и сервисов выявляются по исходным протоколам действий клиентов. Открытые части профилей играют роль начального приближения. Знание скрытых профилей сервисов позволяет вычислить скрытые профили клиентов; и, наоборот, знание скрытых профилей клиентов позволяет вычислить скрытые профили сервисов. На этом принципе и основаны методы взаимного согласования скрытых профилей.
