Hacer EDA y construir un modelo predictivo son dos actividades interrelacionadas pero separadas. Mientras pensaba en ambos, miraría
El artículo de IBM ofrece una buena introducción al modelado predictivo en el entorno minorista {A la cita}
Modelo de segmentación de clientes
- ¿Cómo puede un aspirante a científico de datos con experiencia en estadísticas aprender más sobre bases de datos, ETL, almacenamiento de datos?
- ¿Cuáles son los principales tipos diferentes de diagramas de flujo?
- Incluso utilizando un conjunto de validación, ¿no estamos tratando de maximizar los resultados en el conjunto de prueba? ¿Y al final sobreajustando?
- Cómo adelantarme a mi competencia con la ayuda de Big Data
- ¿Cuáles son los mejores campos de arranque de ciencia de datos en términos de inserción laboral?
La segmentación de clientes implica la creación de perfiles de clientes a través de la segmentación demográfica, la segmentación del comportamiento en línea y la segmentación del comportamiento de compra.
Modelo de análisis de la cesta de la compra
El análisis de la canasta de mercado permite a los minoristas obtener información sobre los patrones de venta de productos mediante el análisis de registros históricos de ventas y el comportamiento de navegación en línea de los clientes.
Modelo de afinidad del cliente
Puede determinar la afinidad del cliente con las líneas de productos al comprender la información demográfica del cliente, la información de compra y la información de navegación.
Modelo de análisis de registro de respuestas
El análisis del registro de respuestas captura la respuesta de los clientes en comparación con las recomendaciones que provienen de las reglas comerciales de IBM® Analytical Decision Management.
Modelo de sensibilidad de precios
La sensibilidad al precio es la medida en que el precio de un producto afecta la decisión de compra de un cliente. El grado de sensibilidad al precio varía de un cliente a otro y de un producto a otro.
Modelo de sugerencia basado en inventario
El modelo de sugerencia basada en inventario identifica los productos que tienen exceso de inventario y luego hace recomendaciones en tiempo real a los clientes en función de la combinación de afinidad de categoría y exceso de inventario.
Voy a proporcionar un enlace a lo largo de las líneas que lo ayuden:
- El agrupamiento es una técnica de referencia para encontrar segmentos dentro de los datos. Scikit learn tiene una gran colección de algoritmos de agrupamiento. Esto también se puede usar para el modelado de afinidad del cliente
- La extracción frecuente de conjuntos de elementos está acostumbrada a realizar el Análisis de la cesta de la compra. El marco naranja parece tener implementación de este algoritmo. Esto también debería ayudar en la sugerencia basada en inventario. El filtrado colaborativo es una técnica alternativa que una vez podría usarse.
- Puede usar el seguimiento de píxeles para el análisis del registro de respuestas. Capture eventos y simplemente haga un análisis simple de la tabla dinámica para obtener buenas ideas. Posiblemente esto también se pueda usar para el modelo de sensibilidad al precio. La técnica alternativa sería la prueba AB
Para una lectura más técnica, miraría este artículo. Otros temas no cubiertos en la lista Análisis de rotación