Aprenda análisis mediante un estudio de caso empresarial

Contenidos

case5-9153269

La mejor manera de aprender analítica es a través de la experiencia y la resolución de casos de estudio. Aquí, le presentaré un modelo de negocio completo y lo guiaré paso a paso sobre cómo se configura la analítica en una nueva empresa, cómo se utiliza en los procesos diarios y algunas de las técnicas de analítica avanzada que una empresa puede utilizar para realizar una segmentación y predicción significativas para optimizar su campaña de marketing y ventas.

Fondo :

Recientemente ha abierto una tienda de alquiler de Video CD. Después de 2 meses, se da cuenta de que existe una dura competencia en el mercado y necesita hacer una estrategia más centrada en el cliente para destacar en el mercado. Por lo tanto, desea recopilar los detalles más granulares del comportamiento de su cliente y desarrollar la estrategia en consecuencia.

cd-shop-6649399

Diseño de caso de negocio :

Este caso de negocio se ha dividido en 3 artículos. A continuación se muestra una trama de los artículos y cada artículo dependerá en gran medida de los hallazgos de los artículos anteriores:

1. ¿Cómo recopila datos para capturar toda la información importante?

2. Profundice en el comportamiento del cliente y utilice análisis de datos básicos con conocimientos comerciales para optimizar las operaciones diarias: haga clic aquí para pasar directamente a esta parte https://www.analyticsvidhya.com/blog/2014/03/learn-analytics-business- caso-estudio-parte-ii /

3. ¿Cómo utiliza los datos con analítica avanzada para que sus estrategias de marketing / ventas sean más específicas?

Estudio de caso parte I :

¿Alguna vez se preguntó por qué trata con tantos datamarts en su empresa? Intentemos entender como propietario del negocio qué fuentes de datos necesita.

1. Tabla de transacciones:

Alquile CD de vídeo y los datos más importantes para usted serán los datos transaccionales. Los datos transaccionales son, con mucho, los datos más ricos de todas las industrias. Cada fila de datos transaccionales corresponde a una transacción realizada. Esta transacción es principalmente una transacción monetaria. Para identificar cada transacción, necesita un código de transacción distinto asociado con cada transacción. ¿Qué otros campos se le ocurren para capturar junto con cada transacción? A continuación se muestra una pequeña lista de dichas variables:

1. ID de transacción

2. ID de cliente: identificación del cliente a quien le ha alquilado el CD

3. Alquiler adeudado: cuánto debe pagar el cliente como alquiler

4. Fecha de emisión: cuándo se alquiló la película

5. Fecha de recepción: cuándo se recibió la película. En blanco si aún falta el CD

6. ID de película: identificación de la película

A continuación se muestra un conjunto de datos transaccionales de muestra:

case1-2661272

2. Tabla de productos:

Si tiene una tabla de transacciones, básicamente tiene el vínculo entre los clientes y los productos. Pero, ¿por qué la tabla de transacciones no tiene la descripción de productos? La razón más simple para lo mismo es que el número total de productos está limitado en cualquier industria, y el mismo producto se repite en toda la tabla de transacciones. Si agregamos una descripción en cada línea, aumenta enormemente el tamaño general de la tabla de transacciones, que de todos modos es enorme. Por lo tanto, mantenemos la tabla de productos separada y la fusionamos con las transacciones requeridas para un análisis específico.

La tabla de productos es única en la identificación del producto, que se asigna a la tabla de transacciones. ¿Qué otros parámetros se le ocurren que tengan sentido para incluir? A continuación se muestra una lista de posibles variables:

1. ID de película: ID único de la película

2. Año de origen mes: ¿Cuándo se compró el CD?

3. Género de película

4. Idioma de la película

5. Reparto de estrellas de la película

6. Nombre de la película

case2-2386187

Nota : La identificación del producto generalmente se puede decodificar para conocer los detalles del producto. Por ejemplo, aquí H denota «Hindi» y E denota «Inglés». Esta codificación simplifica el análisis.

3. Tabla de clientes:

La otra parte de la tabla de transacciones es la tabla de clientes. Usando las dos tablas anteriores, casi tiene todo excepto los detalles del cliente. Al realizar cualquier tipo de estrategia centrada en el cliente, es fundamental tener en cuenta el perfil del cliente. Esta tabla le ayuda a encontrar el perfil del cliente. Esta tabla es única en la identificación del cliente. ¿Qué otros parámetros se le ocurren que tengan sentido para incluir? A continuación se muestra una lista de posibles variables:

1. ID de cliente: ID único del cliente.

2. Edad

3. Género

4. Área: Área donde vive el cliente.

5. Paquete: paquete al que el cliente se ha inscrito

6. Enrol_date: ¿Cuándo realizó el cliente su primera transacción?

7. Nombre

case3-9508543

Nota : De manera similar a la identificación del producto, la identificación del cliente también se puede decodificar generalmente para conocer los detalles del cliente.

4. Rastreador de compromiso:

Las tres tablas juntas se pueden usar para crear cualquier tipo de análisis para construir una estrategia de marketing y ventas. Lo que no cubren es el compromiso que tuvo con sus clientes hasta la fecha. Digamos, llamé a Kunal hace una semana para contarle sobre una película X. Ahora bien, puede que no sea la mejor idea llamar a Kunal nuevamente esta semana para contarle sobre la misma película. Por lo tanto, debemos realizar un seguimiento de todos los tipos de participación que tenemos con nuestros clientes a diario. Es similar a la tabla de transacciones, pero incluye todas las interacciones no monetarias que tenemos con nuestros clientes hasta la fecha. Estas interacciones pueden ser entrantes o salientes. Esta tabla es única en engagement_id. ¿Qué otros parámetros se le ocurren que tengan sentido para incluir? A continuación se muestra una lista de posibles variables:

1. Identificación de participación: identificación de participación única

2. Indicador de entrada: 1 si es entrante, 0 si es saliente

3. Tipo de compromiso: Código para el tipo de compromiso.

4. ID de producto: ID del producto en cuestión.

5. Tablas derivadas:

Debido a que el tamaño de los datos se vuelve enorme con el tiempo, siempre se recomienda tener a mano algunas instantáneas mensuales. Una de esas tablas puede ser datos de transacciones acumulados a nivel de cliente. A continuación se muestra una lista de tales posibles variables:

1. ID de cliente

2. # transacciones de por vida: número de transacciones realizadas por el cliente hasta la fecha

3. Fecha de inscripción

4. # Películas en inglés: No. de películas en inglés tomadas por el cliente hasta la fecha

5. Última fecha de contratación

6. Fecha de la última transacción

Estas tablas derivadas son muy útiles para realizar un análisis rápido. Digamos que ha adquirido 10 nuevas películas en inglés y quiere comercializarlas. Es posible que desee comercializar estas películas a clientes que ven películas en inglés, que respondieron a compromisos recientes y que han realizado transacciones recientes. Para una lista de objetivos de este tipo, imagine el proceso que podría necesitar seguir. A continuación se muestra una posible forma de lograr lo mismo:

case4-1302191

Imagínese lo fácil que se vuelve este análisis si tiene a mano la instantánea mensual derivada.

Esquemas gráficos:

El artículo hasta ahora se centra en el uso de bases de datos relacionales tradicionales. Las bases de datos basadas en gráficos (por ejemplo, Neo4j) son una fuerte alternativa a estas bases de datos tradicionales. Añaden mucha flexibilidad a su base de datos, donde puede cambiar el esquema muy fácilmente.

Este tipo de flexibilidad es necesario en caso de que sus formatos de datos puedan cambiar y no pueda tener mucho control sobre ellos. Además, puede agregar nuevas estructuras y relaciones muy rápidamente. Antes de entrar en estos detalles, un esquema de gráfico típico en este caso se vería así:

graph_relation-2536860

Los nodos azules representan a los clientes, los rojos representan películas y el verde representa varios paquetes disponibles. Cada borde es una relación entre nodos. Por ejemplo, si un cliente alquila una película, podemos dibujar una ventaja entre 2.

Ahora, al calcular cosas como el número de bordes de un nodo, puede ver cosas como el cliente más activo, las películas más alquiladas y menos alquiladas. También puede comenzar a ver qué tipo de clientes están alquilando qué tipo de películas.

PD Como todos los diseños de modelos de datos, existen varias alternativas a este diseño y debe elegir la mejor según su uso.

Notas finales:

Discutimos la base de datos relacional y la base de datos de gráficos para representar un problema comercial típico. Las tablas de datos que discutimos en este artículo son casi paralelas a los datamarts en cualquier industria. Veremos algunas estrategias interesantes que se pueden derivar utilizando estas fuentes de datos para el caso de negocio de alquiler de CD. Algunas de estas estrategias, que son de naturaleza muy básica y necesitan más sentido comercial que modelos, se discutirán en el próximo artículo. Esto le hará comprender cómo se pueden construir estrategias efectivas si combina el conocimiento comercial con un análisis de datos simple. El conocimiento de los datos es muy esencial, independientemente de la industria para la que trabaje. Para ver la siguiente parte de este estudio de caso, haga clic en https://www.analyticsvidhya.com/blog/2014/03/learn-analytics-business-case-study-part-ii/

¿Le resultó útil el artículo? Comparta con nosotros cualquier otra declaración de problemas que se le ocurra. Háganos saber su opinión sobre este artículo en el cuadro a continuación.

Siguiente parte del estudio de caso: Aprenda Analytics mediante un estudio de caso empresarial: Parte II

Suscribite a nuestro Newsletter

No te enviaremos correo SPAM. Lo odiamos tanto como tú.