ANALYTIKA PRO ROK 2020KONEC STAROVĚKU

…cílíme přesně

Jan Matoušek (Data Mind) – Hlavní Analytik

Zkušenosti v oblasti dataminingu od roku 2003

Např.: O2 Czech Republic, T-Mobile Ogilvy One Blažek Kasa.cz

Zakladatel a hlavní analytik Data Mind s.r.o.

Výsledky: Desítky prediktivních a segmentačních modelů

pro TELCO, RETAIL, eBusiness a Finance Spokojení klienti Vysoká návratnost projektů

Kde jste ve využití dat?

-2000 BC Hodnota zákazníka a měření (Babylon)

1960Předpověď nákupu a hodnoty zákazníka(Regrese a rozhodovací stromy)

1932Segmentace(Clustering)

1975RFM a Neuronové sítě

2000Automatické rozpoznání obličejů a řeči

2011Umělá inteligence jež vyhrává znalostní soutěž (IBM Watson)

2020Emulovaná lidskáinteligence za 1000 $(Deep learning)

Zdroje: Wikipedie, Ray Kurzweil

Co dále ?

Posuňte se alespoň do času Gagarina Sledujte trendy na období 2016-2020

Zdroj obrázku:  www.rirt.ru 

Proč prediktivní analytika

Prediktivní analytika umožňuje vědět dříve než zákazník (nebo alespoň souběžně se zákazníkem):

Zákazník

Co potřebuje koupit

Jaké má potřeby

Důvody k

odchoduŠpatné úmysly

Pravdě-podobno

st nákupu

Jak vzniká predikce na úrovni zákazníka

Modelování Nákupní charakteristiky, kategorie, zvyklosti

Model (efekty, účinky)

Nákupy

Budoucí nákupy

Použijeme zkušenosti z minulostipro předpověď budoucího chování

ModelVar2

Var3

Var1Predikce

Prediktory a výsledky

Zakoupené produkty v minulosti

Frekvence nákupů Výše útraty

Chování na webuReakce na reklamní kampaně

Nákupní chování

Chování

Pravděpodobnost dalšího

nákupunebo

Budoucí hodnota

PředpověďBudoucí hodnota: v CZK:

Počet kategorií * počet transakcí * 80 (interakce)+ Suma prodejní ceny * 0.07+ Nakoupil v posledních 6-ti měsících * 550+ Vzdálenost od posledního nákupu v měsících * (-20)

+ Nákup v x měsících *675…Pravděpodobnost nákupu: (1/(1+exp(+Počet měsíců * 0.15+Počet artiklů* 0.25+Počet velkých kategorií* 0.15)))

8

Obchodní použití - Výběr zákazníků

Výběrem 10% zákazníků získáme 41% nakupujících Výběrem 20% zákazníků získáme 54% nakupujících (reálný model ze skutečného projektu)

Zdroj: Data Mind

Case study - Vyplatí se to ?

Podíl nakupujících dle desetin databáze (decilů) vybraných prediktivním modelem Data Mind

Reálná konverze na papírový direct mailVýkon:

Nejlepší desetina - decil 10 - nakoupí ve 22% případůOslovením decilu 10 dosahujeme desetinásobné návratnosti oproti „průměrnému“ decilu 6

Decil – desetina zákazníků podle pravděpodobnosti nákupu, vybráno modelem Response rate

6 2%7 2%8 5%9 14%

10 22%

Zdroj: Data Mind reference Blažek Praha a.s.

Cvičení na dnešek: Jak udělat prediktivní model na kusu ubrousku

Rozdělte do několika kategorií zákazníky 2015 podle:a. Počtu transakcí b. Data posledního nákupu c. Výše útraty

• Podívejte se na útraty 2016 v každé skupině

• Který parametr je nejdůležitější ?

Cvičení na dnešek: Jak udělat prediktivní model na kusu ubrousku

• Prediktivní design funguje velice dobře i v primitivních podobách

• Frekvence nákupu na reálných datech navyšuje budoucí prodeje na 161%

• Pokročilé varianty stejného postupu dosahují běžně

• Až 200%-1.000% průměrných prodejů

Navýšení prodejů naNe Ano

Nejhorší třetina 82% 18% 100% 62%Prostřední třetina 75% 25% 100% 88%Nejlepší třetina 53% 47% 100% 161%

71% 29% 100%

Ne Ano

Nejhorší třetina 81% 19% 100% 65%Prostřední třetina 73% 27% 100% 93%Nejlepší třetina 59% 41% 100% 142%

71% 29% 100%

Útrata

Total

Total

Nakoupí do roka

Total

Nakoupí do roka

TotalFrekvence

2020: Trendy

Trendy v pokročilé analytice Open source SW v dominantním postavení Umělá inteligence na tahu Rozpoznání řeči, obličejů a lidí jako komodita

Funkce lidského mozku za 1000 $? Konec spamu ?

TREND1: Akcelerace open source analytiky

Akcelerace Open – source analytiky

Zdroj: Google Trends

0

20

40

60

80

100

120

2009 2010 2011 2012 2013 2014 2015

Google trends: Vybrané vyhledávací dotazy v oblasti analýzy velkých dat

R (open source prog. jazyk)SPSS (komerční software)SAS (komerční software)Data mining (odvětví)Big data (odvětví)

Korporáti vyhrávají (pokud podporují open-source)

Business model 1: Otevřenost k open source:(Microsoft SQL Server 2016)

Business model 2: Cloud (Azure ML)

Business model 3:

Freemium(RapidMiner)

Zdroj obrázku: Gartner, grafika KDNuggets

Hluboké neuronové sítě

Hluboké neuronové sítě dokáží strojově zpracovat obrázky i lidskou řeč Korporace a technologičtí šílenci je již mají a používají (GOOG, FB, MSFT,

KDNuggets komunita) Do 5-ti let budou levné a přípravné k použití

Pro střední business a jako moduly pro spotřebitele Obrázek: Zdroj Google

Konec spamu ? Válka robotů!

Konec SPAMu předpověděl Bill Gates na rok 2006 Nikdo nepřišel s novou předpovědí

Co víme: Umělá inteligence již bojuje na obou

frontách Bot-nets proti Neuronovým sítím a

bayesovským technikám Personalizace a segmentace výrazně

snižuje pocit spamu u lidí i robotů V roce 2020 nebudete s největší

pravděpodobností moci zdarma a lehce doručit miliony stejných emailů

Obrázek: US Navy, Spamcop.net

Data Mind s.r.o.U průhonu 466/22170 00 Praha 7

www.datamind.cz

Jan Matoušekjan.matousek@datamind.c

z+420 720 705 639

Logos and registered trademarks mentioned in this presentation are the property of their respective owners.