你會(huì)變成我的客戶嗎

企業(yè)如何獲取客戶？他們需要遵循哪些步驟？

首先，企業(yè)需要識(shí)別他們的市場(chǎng)以及潛在客戶。企業(yè)需要識(shí)別他們并且將他們作為潛在客戶。然后，企業(yè)需要通過合適的廣告或優(yōu)惠來觸達(dá)潛在客戶，這需要有效和高效的溝通渠道。企業(yè)應(yīng)該吸引潛在客戶去訪問在線站點(diǎn)并且查看他們產(chǎn)品和服務(wù)。

當(dāng)潛在客戶對(duì)產(chǎn)品發(fā)生興趣時(shí)，企業(yè)應(yīng)該讓客戶參與進(jìn)來，回答他們的問題，并且給出報(bào)價(jià)來協(xié)助他們購(gòu)買產(chǎn)品。

高傾向潛客

我們有一個(gè)產(chǎn)品，例如一個(gè)高端的筆記本電腦。誰是更有可能購(gòu)買我們產(chǎn)品的客戶？是那些有家庭和體面收入的中年人？還是那些收入比較低的大學(xué)生？這個(gè)推論是基于他們的人口統(tǒng)計(jì)學(xué)特性得來的。所有營(yíng)銷部門面臨的第一個(gè)巨大挑戰(zhàn)就是識(shí)別出更有可能購(gòu)買產(chǎn)品的潛在客戶。

這個(gè)用例的目標(biāo)是給我們營(yíng)銷部門識(shí)別出的潛在客戶生成一個(gè)購(gòu)買傾向評(píng)分。傾向評(píng)分可以是二進(jìn)制表示的0或者1，或者可以更好一些，它可以是個(gè)從0到1中的連續(xù)數(shù)值。我們需要使用什么樣的數(shù)據(jù)呢？在這個(gè)階段，唯一可用的數(shù)據(jù)集是潛在客戶的人口統(tǒng)計(jì)學(xué)特性，比如年齡、薪水、家庭等屬性。

關(guān)于事件，這些潛在客戶可能已經(jīng)參與或還沒參與到我們企業(yè)的任何活動(dòng)當(dāng)中，因此事件數(shù)據(jù)變?yōu)榱丝蛇x的數(shù)據(jù)。使用它的一種方式是用二進(jìn)制的標(biāo)識(shí)，比如潛客是否瀏覽過我們的網(wǎng)站：

• 他/她是否回復(fù)過我們的電子郵件？

• 他/她是否對(duì)我們的企業(yè)或者產(chǎn)品發(fā)過推文？

當(dāng)然，所有這些歷史數(shù)據(jù)都會(huì)打上過去活動(dòng)最終效果的標(biāo)簽。我們?cè)撌褂檬裁礃拥乃惴▉韲L試？我們可以使用回歸來生成一個(gè)傾向評(píng)分或者使用樸素貝葉斯分類來給出一個(gè)轉(zhuǎn)化為購(gòu)買的可能性。

理想情況下，我們希望得分在0和1之間。用這個(gè)模型來對(duì)我們的潛在客戶進(jìn)行評(píng)分。然后營(yíng)銷部門可以整理這個(gè)清單，根據(jù)分?jǐn)?shù)將其清除或根據(jù)分?jǐn)?shù)生成一個(gè)top X的列表。

那么這樣做的價(jià)值是什么呢？我們可以定期執(zhí)行此用例，或者當(dāng)我們的市場(chǎng)部準(zhǔn)備了一個(gè)潛在客戶列表。我們使用以前的數(shù)據(jù)來建立傾向模型，然后基于該模型，我們?yōu)槊總€(gè)潛在客戶生成一個(gè)分?jǐn)?shù)。然后，我們的營(yíng)銷部門將使用這些信息想潛在客戶提供優(yōu)惠和促銷。

推薦觸達(dá)的最佳渠道

一旦我們有一個(gè)潛在客戶名單，我們需要決定如何與他們進(jìn)行最佳的溝通。有多種渠道可供使用，例如電話、電子郵件、手機(jī)、互聯(lián)網(wǎng)或者社交媒體上的定向廣告。

但不同的人對(duì)不同的媒體有不同的反應(yīng)。有人喜歡關(guān)注他收到的營(yíng)銷電子郵件，總會(huì)點(diǎn)擊并閱讀；有的人則相反，他會(huì)將這些電子郵件過濾到垃圾文件夾中；也有人傾向于在網(wǎng)頁瀏覽中點(diǎn)擊基于其近期搜索推送的彈窗廣告。

這個(gè)用例的目標(biāo)是推薦聯(lián)系潛在客戶的最佳渠道。很多媒介以這種方式去鎖定客戶，因?yàn)檫@樣能夠獲得最高的關(guān)注度并且獲得最高的投入產(chǎn)出比。那我們?cè)撌褂檬裁磾?shù)據(jù)呢？與潛客相關(guān)的數(shù)據(jù)最為常見，我們還應(yīng)該使用以往成功的營(yíng)銷活動(dòng)的數(shù)據(jù)，在這些營(yíng)銷活動(dòng)中，我們通過特定渠道、觸達(dá)了特定潛在客戶并實(shí)現(xiàn)了潛客轉(zhuǎn)化。

這些數(shù)據(jù)告訴我們哪些人通過哪些渠道轉(zhuǎn)化。利用這些數(shù)據(jù)，我們可以構(gòu)建一個(gè)模型去預(yù)測(cè)未來潛客的觸達(dá)渠道，隨后用這個(gè)模型對(duì)潛客的未來行為進(jìn)行預(yù)測(cè)。

我們將要使用什么算法呢？這是一個(gè)經(jīng)典的分類問題，因此我們會(huì)采用以前的相關(guān)算法去實(shí)驗(yàn)其精確度。我們利用過去的數(shù)據(jù)構(gòu)建了一個(gè)模型，為每個(gè)潛在的客戶推薦一個(gè)進(jìn)行觸達(dá)的媒介。

那么這么做的價(jià)值是什么呢？我們將會(huì)使用過去的數(shù)據(jù)去構(gòu)建一個(gè)分類模型，用這個(gè)模型去對(duì)每個(gè)潛在客戶預(yù)測(cè)最佳的觸達(dá)渠道。這將會(huì)幫助我們的營(yíng)銷團(tuán)隊(duì)去設(shè)置針對(duì)性的活動(dòng)，幫助他們通過特定的渠道觸達(dá)特定的潛在客戶。

按照訪客購(gòu)買傾向提供聊天

我們有網(wǎng)上的銷售代表隨時(shí)準(zhǔn)備與訪問者建立聯(lián)系，并且吸引客戶購(gòu)買我們的產(chǎn)品。但是通常我們有太多的網(wǎng)站訪問者，而且他們大部分是只看不買的人。我們希望我們的銷售代表只與那些真正想要購(gòu)買的訪客進(jìn)行聊天，我們不想浪費(fèi)我們銷售代表的時(shí)間。

想象一下，客戶比較產(chǎn)品，例如筆記本電腦。這意味著他/她做了決策嗎？他/她開始閱讀商品評(píng)論，他對(duì)購(gòu)買是認(rèn)真的嗎？他/她正在查看我們的售后保證條款，這意味著他/她做了決策嗎？我們?nèi)绾闻袛嗄兀?/p>

這個(gè)用例的目標(biāo)是根據(jù)客戶在我們網(wǎng)站上的實(shí)時(shí)行為，反復(fù)預(yù)測(cè)一個(gè)客戶的購(gòu)買傾向。當(dāng)客戶在我們網(wǎng)站進(jìn)行活動(dòng)時(shí)，我們想要持續(xù)計(jì)算和修正傾向得分。這個(gè)用例的數(shù)據(jù)源是潛客的屬性數(shù)據(jù)以及潛在客戶在訪問我們網(wǎng)站時(shí)進(jìn)行的活動(dòng)數(shù)據(jù)，包括他檢出的產(chǎn)品，他的相關(guān)行為。例如，是否查看過評(píng)論？比較過商品？對(duì)售后保障是否有興趣？這些是通過在瀏覽器上的網(wǎng)頁點(diǎn)擊事件來衡量的。

我們需要使用每個(gè)潛在客戶過去每次的訪問數(shù)據(jù)，以及訪問的最終結(jié)果，比如他是否進(jìn)行了購(gòu)買。

樸素貝葉斯將會(huì)是最適合的算法，因?yàn)樗峁┝艘粋€(gè)概率分?jǐn)?shù)。我們會(huì)使用過去的數(shù)據(jù)，包括客戶的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)、網(wǎng)站行為數(shù)據(jù)，利用樸素貝葉斯算法構(gòu)建一個(gè)傾向性模型。然后我們使用這個(gè)傾向性模型去預(yù)測(cè)我們現(xiàn)在網(wǎng)站的訪問者的購(gòu)買傾向性。那么，這么做的價(jià)值是什么呢？我們基于過去的數(shù)據(jù)構(gòu)建一個(gè)離線模型去根據(jù)一個(gè)客戶在網(wǎng)站的行為建立一個(gè)傾向分。

當(dāng)一個(gè)新的潛客訪問我們的網(wǎng)站時(shí)，網(wǎng)站點(diǎn)擊事件會(huì)被持續(xù)收集。每次當(dāng)一個(gè)新的事件被收集時(shí)，例如查看評(píng)論或者比較商品，模型會(huì)根據(jù)收集到的數(shù)據(jù)進(jìn)行運(yùn)行而重新計(jì)算一個(gè)傾向分。當(dāng)傾向分達(dá)到特定的閾值時(shí)，在線商店可以做出決定去觸發(fā)聊天，這是我們可以通過原型來驗(yàn)證的東西。

我將會(huì)給大家展示如何用Python實(shí)現(xiàn)這個(gè)用例。

我們將會(huì)實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)我們網(wǎng)站訪問用戶的傾向評(píng)分的用例。當(dāng)訪問者到我們的網(wǎng)站時(shí)，他們開始瀏覽產(chǎn)品并且檢出不同的鏈接。我們想要做的是基于他們的活動(dòng)，實(shí)時(shí)預(yù)測(cè)他們的傾向評(píng)分，決定我們是否需要提供他們?cè)诰€聊天。

如下是客戶瀏覽的樣例數(shù)據(jù)：

這個(gè)數(shù)據(jù)包含不同用戶過去的所有的會(huì)話的信息，它包含一個(gè)session id，以及一系列的布爾型變量，這些變量將會(huì)變?yōu)槲覀兊奶卣髯兞俊＿@些布爾型變量是根據(jù)訪客的行為而生成的1或者0。

images的含義是訪問者是否瀏覽過產(chǎn)品的圖片，reviews代表訪問者是否真正瀏覽過產(chǎn)品的評(píng)論。類似的，我們有FAQ、specs、shipping、bought_together、comparison of products等等屬性。最終，有一個(gè)目標(biāo)變量，代表著訪客最終是否購(gòu)買了產(chǎn)品或者沒有購(gòu)買產(chǎn)品。這將會(huì)是我們用戶構(gòu)建這個(gè)模型的數(shù)據(jù)集。

在真實(shí)世界，如果我們想要獲得真正高精度的預(yù)測(cè)，我們需要一個(gè)非常巨大的數(shù)據(jù)集。我們從輸入一系列python庫，以及輸入browsing.csv到一個(gè)叫做prospect_data的dataframe開始。

`from pandas import Series, DataFrame
import pandas as pd
import numpy as np
import os
import matplotlib.pylab as plt
from sklearn.model_selection  import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import classification_report
import sklearn.metrics
prospect_data = pd.read_csv("browsing.csv")
prospect_data.dtypes`

然后我們會(huì)看一下數(shù)據(jù)類型，確認(rèn)數(shù)據(jù)是否被正確裝載。

SESSION_ID int64
IMAGES int64
REVIEWS int64
FAQ int64
SPECS int64
SHIPPING int64
BOUGHT_TOGETHER int64
COMPARE_SIMILAR int64
VIEW_SIMILAR int64
WARRANTY int64
SPONSORED_LINKS int64
BUY int64
dtype: object

這份數(shù)據(jù)包含用戶在他瀏覽網(wǎng)站過程中點(diǎn)擊的不同的鏈接的信息。這是用于構(gòu)建模型的過去的數(shù)據(jù)。

• Session ID：瀏覽web會(huì)話的唯一ID。

• Buy：潛在用戶在結(jié)束時(shí)是否購(gòu)買了商品。

• 其他列： 0或者1表示潛在用戶是否訪問了特定的頁面或者進(jìn)行了特定的活動(dòng)。

#對(duì)數(shù)據(jù)進(jìn)行匯總統(tǒng)計(jì)分析

prospect_data.describe()

為此，我們將在這個(gè)課程中使用純粹的測(cè)試條方法，我們將按照70/30的比例進(jìn)行分割。我們會(huì)檢查比例大小是否與我們預(yù)期的一致，350比150應(yīng)該是正確的。緊接著，我們將進(jìn)入模型構(gòu)建過程。我們使用sklearn庫中含有的naive_bayes算法——高斯naive_bayes。我們首先創(chuàng)建naive_bayes分類器，然后使用擬合方法構(gòu)建模型，將其應(yīng)用于訓(xùn)練預(yù)測(cè)分析以及訓(xùn)練目標(biāo)中。

進(jìn)行關(guān)聯(lián)分析

prospect_data.corr()[‘BUY’]
SESSION_ID 0.026677
IMAGES 0.046819
REVIEWS 0.404628
FAQ -0.095136
SPECS 0.009950
SHIPPING -0.022239
BOUGHT_TOGETHER -0.103562
COMPARE_SIMILAR 0.190522
VIEW_SIMILAR -0.096137
WARRANTY 0.179156
SPONSORED_LINKS 0.110328
BUY 1.000000
Name: BUY, dtype: float64

觀察上邊的關(guān)聯(lián)信息，我們可以看到一些特征比如REVIEWS、BRO_TOGETHER、COMPARE_SIMILIAR、WARRANTY 和SPONSORED_LINKS與目標(biāo)變量有一定的關(guān)聯(lián)性。我們將會(huì)減少特征去使用這些變量。

#Drop columns with low correlation
predictors = prospect_data[[‘REVIEWS’,’BOUGHT_TOGETHER’,’COMPARE_SIMILAR’,’WARRANTY’,’SPONSORED_LINKS’]]
targets = prospect_data.BUY

訓(xùn)練和測(cè)試分片 

我們現(xiàn)在將把數(shù)據(jù)按照70:30切分為訓(xùn)練集和測(cè)試機(jī)，去構(gòu)建和驗(yàn)證模型。

pred_train, pred_test, tar_train, tar_test = train_test_split(predictors, targets, test_size=.3)
print( “Predictor?—?Training : “, pred_train.shape, “Predictor?—?Testing : “, pred_test.shape )
Predictor - Training :  (350, 5) Predictor - Testing :  (150, 5)

構(gòu)建模型和檢查準(zhǔn)確度

from sklearn.naive_bayes import GaussianNB
classifier=GaussianNB()
classifier=classifier.fit(pred_train,tar_train)
predictions=classifier.predict(pred_test)
#Analyze accuracy of predictions
sklearn.metrics.confusion_matrix(tar_test,predictions)
array([[76, 18],
      [24, 32]])
sklearn.metrics.accuracy_score(tar_test, predictions)
0.71999999999999997

我們可以做一個(gè)概率預(yù)測(cè)來顯示一個(gè)潛在客戶購(gòu)買產(chǎn)品的概率，而不是做一個(gè)Yes/No的預(yù)測(cè)。

pred_prob=classifier.predict_proba(pred_test)
pred_prob[0,1]
0.35088586866049354

如上的概率可以理解為有35%的可能性這個(gè)潛在客戶會(huì)購(gòu)買產(chǎn)品。

實(shí)時(shí)預(yù)測(cè)

現(xiàn)在模型已經(jīng)構(gòu)建好了，讓我們將它用在實(shí)時(shí)預(yù)測(cè)上。當(dāng)我們的客戶開始一個(gè)個(gè)訪問我們的頁面時(shí)，我們收集訪問的列表然后用它來計(jì)算概率。當(dāng)每一個(gè)點(diǎn)擊進(jìn)來時(shí)，我們都會(huì)做預(yù)測(cè)。

潛在客戶剛剛來到我們的網(wǎng)站，因此沒有有用的點(diǎn)擊。讓我們計(jì)算他的概率，傳遞的數(shù)組應(yīng)該包含REVIEWS、BOUGHT_TOGETHER、COMPARE_SIMILAR、WARRANTY和SPONSORED_LINKS的值，所以這個(gè)數(shù)字在開始所有的值都是0。

browsing_data = np.array([0,0,0,0,0]).reshape(1, -1)
print(“New visitor: propensity :”,classifier.predict_proba(browsing_data)[:,1]
New visitor: propensity : [ 0.03961746]

因此最初的概率是4%。現(xiàn)在假設(shè)客戶在相似的商品做了比較，數(shù)組的值中包含了一個(gè)1，因此新的概率將會(huì)是：

browsing_data = np.array([0,0,1,0,0]).reshape(1, -1)
print(“After checking similar products: propensity :”,classifier.predict_proba(browsing_data)[:,1] )
After checking similar products: propensity : [ 0.09898671]

概率值上升到了接近10%。緊接著，他查看了評(píng)論。

browsing_data = np.array([1,0,1,0,0]).reshape(1, -1)
print(“After checking reviews: propensity :”,classifier.predict_proba(browsing_data)[:,1] )
After checking reviews: propensity : [ 0.57538836]

這個(gè)時(shí)候概率值超過了50%。我們可以設(shè)置一個(gè)觸發(fā)我們和客戶聊天的閾值。我們持續(xù)地將這個(gè)概率與之進(jìn)行比較，去決定我們是否需要彈出對(duì)話框。

這個(gè)例子告訴我們?nèi)绾螌?shí)時(shí)地利用預(yù)測(cè)分析，去決定一個(gè)潛客是否具有高的轉(zhuǎn)化傾向，從而給銷售代表彈出一個(gè)對(duì)話框。

所以，請(qǐng)記住，當(dāng)這些人繼續(xù)進(jìn)來時(shí)，傾向是否總是上升并不重要，它甚至可能會(huì)下降，這一切都取決于數(shù)據(jù)是如何。 這樣，我們可以隨時(shí)決定何時(shí)提供聊天窗口。

作者：Ryan Aminollahi

原文：https://towardsdatascience.com/predictive-customer-analytics-part-ii-the-customer-acquisition-process-sample-use-case-59a52bc8796

譯者：TalkingData研發(fā)副總裁 閆志濤

來源：TalkingData