Семинар НУГ: анализ результатов маркетинговой компании и определение признаков клиентов

5 апреля научно-учебная группа «Гетерогенные эффекты воздействия в клиентской аналитике» провела пятый по счету научный семинар для студентов Пермской Вышки. На семинаре участники научно-учебной группы обсудили результативность проведения  маркетинговой компании и алгоритм для определения признаков клиентов.

Студентка 4 курса образовательной программы «Экономика» Виктория Барсукова выступила с докладом «Исследование маркетинговой кампании, направленной на оттоковых клиентов». Целью данной кампании было возвращение оттоковых клиентов. Для этого был проведен рандомизированный эксперимент, в котором некоторым клиентам были предоставлены дополнительные баллы в рамках программы лояльности, которыми они могли оплатить до 50% чека. 

В работе было проанализировано, оказала ли маркетинговая кампания с данной механикой влияние на возврат клиентов, и как она повлияла на изменение их средних чеков. Для ответа на поставленный вопрос были использованы различные модели, в том числе модель Хекмана, которые подтвердили наличие эффекта от воздействия.

Студент 1 курса магистерской программы «Финансы» Борис Голдобин представил доклад на тему «Использование технологии word-embeddings для определения признаков клиентов». Определение класса клиента в зависимости от его признаков является важным аспектом работы с клиентом в бизнесе. Например, часть клиентов могут являться лояльными покупателям, а другая часть - имеет высокий шанс уйти к конкурентам в ближайшей время. Правильная классификация клиентов позволяет разрабатывать наиболее эффективные персонализированные маркетинговые предложения в зависимости от класса клиента. 

В данной работе для определения признаков клиента предлагается использовать технологию word-embeddings, в частности, алгоритм doc2vec, который является логическим развитием алгоритма word2vec. В качестве входных данных для алгоритма используется большой набор данных в текстовом формате. По совместному появлению слов в тексте в ходе алгоритма собирается статистика и на выходе алгоритм выдает векторные представления слов, в дальнейшем используемые в моделях.

Этот подход применялся к транзакционным данным компании, из которых впоследствии и извлекался набор признаков. Далее, на этих признаках обучаются несколько классических моделей машинного обучения для предсказания оттока клиентов и сравнения качества для разных способов генерации переменных. В работе было доказано, что качество модели на основе используемого алгоритма выше ручного подхода без экспертных переменных.

 Желаем всем участникам научно-учебной группы новых достижений в данном направлении исследования!

Ждем всех желающих на следующем семинаре GAMES!