• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Новости

Научный семинар "Исследование маркетинговой кампании и определение признаков клиентов".

Научный семинар "Исследование маркетинговой кампании и определение признаков клиентов".

5 апреля в ауд. 208 (3) состоялось очередное заседание научного семинара НУГ «Гетерогенные эффекты воздействия в клиентской аналитике».

Барсукова Виктория (студентка 4 курса программы «Экономика») и Голдобин Борис (студент 1 курса магистерской программы «Финансы») представили первые результаты своих работ в рамках исследований НУГ. 

Виктория выступила с докладом на тему "Исследование маркетинговой кампании, направленной на оттоковых клиентов".  

В рамках промо-акции сети ресторанов «Росинтер» был проведен рандомизированный эксперимент, в котором некоторым клиентам были предоставлены дополнительные бонусные баллы, которыми они могли оплатить до 50% чека. В работе обсуждается, оказала ли маркетинговая кампания с данной механикой влияние на возврат клиентов, и как повлияла на изменение их средних чеков. С помощью различных моделей было подтверждено наличие эффекта от воздействия.

Доклад Бориса был посвящен использованию технологии word-embeddings для определения признаков клиентов

На данный момент во многих задачах работы с клиентами бизнесу требуется понимать, к какому классу они относятся: например, часть клиентов могут являться лояльными покупателям, а другая часть - имеет высокий шанс уйти к конкурентам в ближайшее время. Истинный класс клиента может стать известным только по прошествии времени, а работать с клиентами нужно уже сегодня. В связи с этим существует большая потребность в моделях, предсказывающих класс клиента. В данной работе для определения признаков клиента предлагается использовать технологию word-embeddings, и, в частности, алгоритм doc2vec, который является логическим развитием алгоритма word2vec. Этот подход применяется к транзакционным данным крупной ресторанной сети, из которых впоследствии и извлекается 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 используемый алгоритм позволяет повысить качество модели в сравнении с  ручным подходом без экспертных переменных.

Докладчики обсудили полученные результаты с участниками НУГ, а также получили ценные советы по улучшению работ.