好吧,对某些人来说,这似乎是一个微不足道的问题,甚至不是一个问题,更像是一个讨论。我看了规则,我相信一切都很好,所以我要冒险.
事情是这样的,我在想当人们想要建立一个“购买倾向”模型时,他们是如何构建一个数据集的。例如,我正在检查一些Kaggle笔记本,但在现实世界中很难看到它们。
例如,此数据集向游客和买家展示了一天的时间。然而,它看起来并不像我们在现实世界中使用的东西,因为它使用了诸如“产品被添加到购物车”这样的特性。我的意思是,除非模型是全天候运行的,否则你将无法获得这些信息。也许只有在有用之后你才会得到它。另外,如果这个模型每秒钟运行一次,你会如何使用它?这些只是一些我困惑的事情,但这不是我现在想要质疑的问题。
另一方面,这个职位试图描述如何建立一个倾向模型。该公司表示,该模型将根据上次购买情况进行预测。但是如何构建培训数据集呢?只买东西?这个数据集有偏见吗?如果这不仅仅是为了买到买家?如果没有,你应该什么时候从其他客户收集数据?例如,如果你在沃尔玛工作,想知道谁更容易买电视,你应该只考虑买家的数据吗?否则,11月或12月收集的数据将产生不同的数据集,因为同一人因日期不同而具有不同的特征。
总之,让我们考虑一家简单的零售店。你有过去5年的数据,所有去那里买东西的人的数据。下个月你将发行一台新的洗碗机。你将如何建立一个模型来预测哪些顾客会购买这种牛奶?或者更好的是,如何构建任务的培训数据集?再说一次,如果你只考虑找买家,你会不会想念潜在的客户?如果没有,有没有办法知道哪个是非买家的切入口?
发布于 2023-03-17 11:09:22
这是一个很长的帖子,有很多问题,但我会尽力回答。
让我们从术语开始:当我们说“倾向模型”时,通常是指根据过去客户的行为预测未来事件(例如购买)。也就是说,我们谈论的是过去已经与我们合作过的客户(当然,假设我们保留历史),而不仅仅是野外的任何人。
在市场营销中,我们使用“再营销”或“重定向”一词来指吸引已经与我们互动过的受众的努力,以及对潜在受众(以前未见过的)努力的探索。
那么,我们收集哪些数据来建立倾向模型呢?从大数据的角度来看,我要说的是,我们收集我们能收集的一切,然后找出什么是有用的。通常有三大类:
让我们来看看一个现实世界的例子。我以前在一个电子商务部门工作,在那里我们经营一个网站,销售一些产品。我们将网络跟踪(Google )放置在网站上,以收集每个用户的个人资料(例如,他在哪里,他正在使用什么设备)和行为(例如查看产品描述页面,把东西放在购物车中,购买等等)。
我们网站的转化率通常是< 1%,即不到1%的网站访问者进行购买。我的任务是通过网上广告来促进销售。
最后,我们建立了一个倾向模型来预测每一个客户在接下来的几天内回来购买的可能性。如果可能性很大,我们会针对他们的在线广告,让他们回来买东西。一个特别有用的特性是“把产品放在购物车里,但昨天没有购买”。很明显的原因。
(确切地说,这种方法有一些缺陷,但不影响我们在这里的讨论。)
找矿有很多种方法。我们所做的就是通过长相相似的方式--本质上我们告诉谷歌:“这是我们所有访问者的名单,这0.5%的人买了东西,其余99.5%的人没有。请把我们的广告对准那些看起来像0.5%而不喜欢其他人的人”,让谷歌用自己的相貌相似的模式来处理它。
另一个例子:曾经使用过Facebook或亚马逊吗?每当您喜欢一个帖子或单击某个产品时,后端中的模型将更新您的历史日志,并重新计算将要向您显示的即将发布的帖子或产品。在几秒钟内,全球数十亿用户24/7运行。
对于最后一个问题,预测某个时候的新情况(例如一台新洗碗机)本质上是很难的( 冷启动 )。
一种方法是与过去类似的产品进行比较,例如Netflix这样做是为了评估投资哪一种新产品。
在市场营销中,我们还利用传统的研究方法,如焦点小组、封闭试验等,在产品全面推出之前对水进行“测试”。
希望能帮上忙。
https://datascience.stackexchange.com/questions/120230
复制相似问题