Очень часто специалисты DS/ML концентрируются в первую очередь на построении моделей максимально возможного качества. Допустим, нам удалось построить очень точную рекомендательную систему, но при оценке бизнес-эффекта мы видим, что он близок к нулю. Это случается, например, потому, что рекомендуемые предложения могут быть downsell’ом или нести за собой каннибализирующий эффект с другими покупками.
Более классический подход к описанию профиля клиента экспертными поведенческими агрегатами, очевидно, имеет свои недостатки. Как перейти от численного описания поведения клиента к характеристическому описанию? То есть как, например, перейти от факта "клиент не совершает транзакции 18 дней" к индивидуальной оценке, насколько это много или мало для данного клиента? Но не потерять при этом интерпретируемость и бизнес-смысл и не уйти в black-box модели.
На семинаре введём дополнительный слой статистических оценок клиентского поведения, который находится между витриной простых экспертных агрегатов и сложными математическими моделями. Поговорим о том, какие дополнительные бизнес-сценарии это позволит нам автоматизировать, и как это скажется на точности самих математических моделей.
Такой подход, например, позволяет: ▫️ оценить индивидуальную склонность клиента к оттоку без построения сложных моделей; ▫️ получить индивидуальную оценку потенциала клиента к росту чека; ▫️ увеличить экономический эффект рекомендательной системы за счет персонализации.
Данную концепцию статистического профиля клиента сопроводим примерами реальных кейсов из различных индустрий.