Data science

Nhìn thấy rừng cho cây – Phân tích theo nhóm

Nhấp để tìm hiểu thêm về đồng tác giả Maarit Widmann. Nhấp để tìm hiểu thêm về đồng tác giả Felix Kergl-Räpple. Một chiến dịch tiếp thị hoặc xuất bản một bản phát hành mới có thể khiến lượng khách hàng bùng nổ trong một thời gian. Nhưng ảnh hưởng về lâu dài là gì? Khách hàng ở lại hay bỏ đi? Có ai trong số họ trở lại vào một lúc nào đó không? Doanh thu chung có tăng không? Các mẫu có thể được phát hiện trong hành vi của khách hàng: ví dụ: các mẫu trong hành vi thường xuyên của khách hàng (tức là hành vi không bị ảnh hưởng bởi các chiến dịch tiếp thị của chúng tôi hoặc các hành động tương tự khác). Chúng tôi có thể muốn cố gắng tìm ra thời hạn hợp đồng quan trọng để xác định liệu khách hàng có trở thành khách hàng trung thành hay không. Một kịch bản khác đáng phân tích là các nhóm khách hàng – để xem liệu các điều kiện khác nhau trong hợp đồng với các điểm xuất phát khác nhau có khiến các nhóm khách hàng khác nhau này thể hiện lòng trung thành như nhau (hay không). Để trả lời những câu hỏi này, chúng tôi có thể phân tích dữ liệu bán hàng của mình theo thời gian theo nhóm thuần tập dựa trên thời gian. Xác định Nhóm Hành vi Khách hàng Dài hạn Phân tích nhóm thuần tập cung cấp phản hồi lâu dài về các quyết định kinh doanh của chúng tôi và sự tham gia của khách hàng. Do đó, chúng tôi sử dụng thời gian như một chiều trong phân tích. Thứ nguyên thứ hai là chỉ số mà chúng tôi phân tích: giá trị hợp đồng, số lượng khách hàng, số lượng đơn đặt hàng hoặc bất kỳ thứ gì khác định lượng hành vi của khách hàng của chúng tôi. “Giá trị khách hàng” này được hiển thị riêng biệt cho các nhóm thuần tập khác nhau. Nhóm thuần tập là các nhóm trong dữ liệu có chung đặc điểm dựa trên thời gian, phân đoạn hoặc kích thước. Với ba thứ nguyên này, chúng tôi có thể xác định các mẫu và xu hướng sẽ không hiển thị trong các hồ sơ riêng lẻ, do đó cung cấp một cái nhìn đầy đủ hơn về doanh nghiệp của chúng tôi. Trước khi bắt đầu phân tích theo nhóm, chúng ta phải xác định: 1. Các nhóm mà chúng ta xem xét trong dữ liệu của mình. Ví dụ: họ có thể là khách hàng bắt đầu kinh doanh với bạn trong cùng một khung thời gian (nhóm thuần tập dựa trên thời gian), khách hàng mua các sản phẩm tương tự (nhóm thuần tập dựa trên phân khúc) hoặc các công ty vừa và lớn (nhóm thuần tập dựa trên quy mô ). 2. Thông tin mà chúng tôi muốn hiển thị cho các nhóm khác nhau theo thời gian. Đó có thể là một số liệu đã được thiết lập, chẳng hạn như doanh thu định kỳ hàng năm hoặc tỷ lệ churn hoặc bất kỳ điều gì khác trả lời câu hỏi của chúng tôi về khách hàng và phục vụ mục tiêu cuối cùng là cải thiện doanh nghiệp của chúng tôi. Trong bài đăng trên blog này, chúng tôi muốn tập trung vào các nhóm thuần tập dựa trên thời gian. Trong các phần tiếp theo, chúng tôi sẽ giới thiệu các bước bạn phải thực hiện để xây dựng biểu đồ nhóm thuần tập (Hình 1), từ định dạng dữ liệu đến hiển thị số liệu đã chọn theo thời gian và nhóm thuần tập. Hình 1: Ví dụ về biểu đồ thuần tập để phân tích số lượng khách hàng hoặc bất kỳ chỉ số nào khác như ARR, theo thời gian và nhóm thuần tập dựa trên thời gian. Ví dụ: Phân tích Số lượng, Giá trị và Thời hạn của Hợp đồng Hãy bắt đầu bằng cách xem xét một phân tích thuần tập ví dụ và xem hoạt động kinh doanh của công ty đang hoạt động như thế nào. Công ty phát hành hợp đồng – chẳng hạn như giấy phép phần mềm, hợp đồng di động hoặc đăng ký tạp chí. Dựa trên thời gian bắt đầu của hợp đồng, chúng tôi chỉ định mỗi khách hàng vào một nhóm thuần tập dựa trên thời gian. Kết quả của phân tích thuần tập cho phép chúng tôi trả lời các câu hỏi như: Chúng tôi có thể phát hiện xu hướng tích cực về việc có nhiều khách hàng hơn và nhiều doanh thu hơn không? Xu hướng có ổn định không? Những khách hàng đã ký hợp đồng trong một năm cụ thể có tạo ra nhiều doanh thu hơn so với những khách hàng bắt đầu vào những năm khác không? doanh thu bình quân trên mỗi khách hàng tăng hay giảm? Dữ liệu Trong ví dụ của chúng tôi, dữ liệu chứa thông tin về các hợp đồng bán thêm, hạ cấp và các sự kiện ngừng hoạt động. Có 45 hợp đồng và 12 khách hàng. Thời gian thực hiện hợp đồng từ tháng 1 2015 đến tháng 12 2019. Mỗi hàng trong dữ liệu hiển thị thời gian bắt đầu và kết thúc của giai đoạn hợp đồng, giá trị hợp đồng và một ID xác định khách hàng. Bạn có thể xem một mẫu dữ liệu trong Hình 2. Hình 2: Dữ liệu chứa thông tin về ID hợp đồng, giá trị và khoảng thời gian. Trong bước đầu tiên của phân tích theo nhóm, tập dữ liệu này được chuyển đổi thành chuỗi thời gian bằng cách gán các giá trị lặp lại cho các tháng đơn lẻ trong khoảng thời gian. Bước đầu tiên trong phân tích theo nhóm là chỉ định các giá trị lặp lại cho các tháng đơn lẻ trong thời hạn hợp đồng. Giá trị định kỳ loại trừ các sự kiện diễn ra một lần; nghĩa là họ chỉ xem xét các dịch vụ được cung cấp liên tục trong một khoảng thời gian giới hạn: đăng ký phần mềm, hỗ trợ, nội dung, v.v. Bước 1: Tính giá trị định kỳ Khi chúng tôi tính toán giá trị định kỳ, chúng tôi định dạng dữ liệu hợp đồng ban đầu thành dữ liệu chuỗi thời gian trong đó mỗi hàng chứa một tháng, một giá trị định kỳ và một ID. Chúng ta có thể thực hiện phép tính này với thành phần “Tính giá trị định kỳ” được hiển thị trong Hình 3. Thành phần này có sẵn để tải xuống trên Hub. Hình 3: Chuyển đổi dữ liệu hợp đồng thành dữ liệu chuỗi thời gian trong đó mỗi hàng chứa một tháng, một giá trị và một ID. Thành phần “Tính giá trị định kỳ”, thực hiện phép tính, có sẵn trên Trung tâm. Bảng đầu vào Ví dụ về bảng đầu vào cho thành phần “Tính doanh thu định kỳ” được hiển thị trong Hình 2. Bảng phải chứa hai cột xác định ngày bắt đầu và ngày kết thúc của mỗi thời hạn hợp đồng, một cột cho giá trị hợp đồng và một cột cho ID. Bảng đầu ra Bảng đầu ra của thành phần hiển thị từng tháng riêng lẻ trong thời hạn hợp đồng và các giá trị định kỳ cho mỗi tháng. Ví dụ: nếu chúng tôi có một hàng cho hợp đồng có giá trị là EUR 30, 000 và thời hạn hợp đồng là 12 tháng, bảng kết quả sẽ hiển thị 12 hàng cho hợp đồng này, một hàng cho mỗi tháng và một hàng tháng giá trị định kỳ của EUR 2, 500 (Hình 4). Hình 4: Dữ liệu đầu vào và đầu ra ví dụ của thành phần “Tính giá trị định kỳ” chuyển đổi dữ liệu hợp đồng thành dữ liệu chuỗi thời gian: Bản ghi theo thời gian hợp đồng và ID được mở rộng thành giá trị định kỳ hàng tháng theo tháng và ID. Bây giờ, sau khi định dạng dữ liệu, chúng ta đã sẵn sàng chuyển sang bước tiếp theo, nơi chúng ta xây dựng biểu đồ thuần tập. Sau đó, chúng tôi có thể sử dụng biểu đồ để trả lời các câu hỏi về tình trạng kinh doanh của chúng tôi. Bước 2: Kiểm tra Doanh thu và Số lượng Khách hàng theo Thời gian và Nhóm thuần tập Trong bước thứ hai này, chúng tôi tính toán số liệu đã chọn một cách riêng biệt cho từng tháng và nhóm thuần tập dựa trên thời gian. Ví dụ: chúng tôi có thể có hai khách hàng bắt đầu ở 2018, một khách hàng có doanh thu định kỳ hàng tháng là 2 EUR, 000 và khoản còn lại có doanh thu định kỳ hàng tháng là 3 EUR, 000. Hai khách hàng này sau đó sẽ tạo thành một nhóm thuần tập dựa trên thời gian duy nhất được gọi là “Đã bắt đầu 2018.” Do đó, doanh thu định kỳ hàng tháng cho nhóm thuần tập này là 5 EUR, 000 cho đến khi có ít nhất một trong hai khách hàng nâng cấp, hạ cấp, hoặc rối loạn. Dữ liệu chuỗi thời gian cũng có thể đến từ bất kỳ nguồn nào khác. Ví dụ, đó có thể là doanh thu hàng ngày đến từ các gói đăng ký hoặc cửa hàng tạp hóa. Bất kể dữ liệu thực sự hiển thị là gì, hãy lưu ý rằng để thực hiện phân tích theo nhóm, mỗi bản ghi phải chứa dấu thời gian, số nhận dạng và giá trị. Quy trình làm việc trong Hình 5 (bạn có thể tải xuống từ Trung tâm của chúng tôi tại đây) cho thấy hai thành phần cho phép bạn phân tích nhóm thuần tập dựa trên thời gian bằng cách sử dụng các số liệu sau: doanh thu định kỳ hàng năm / hàng tháng (ARR / MRR) hàng năm / doanh thu định kỳ hàng tháng liên quan đến khách hàng tỷ lệ quay vòng số lượng khách hàng Hình 5: Phân tích nhóm thuần tập dựa trên thời gian với ARR và MRR theo nhóm thuần tập dựa trên thời gian và thành phần số lượng khách hàng và nhóm thuần tập dựa trên thời gian có sẵn trên Trung tâm. Cả hai thành phần đều tạo ra một chế độ xem tương tác cho biết chỉ số đã chọn phát triển như thế nào theo thời gian cho mỗi nhóm thuần tập. Kết quả đầu ra ví dụ của các thành phần này được hiển thị trong Hình 6. Biểu đồ dòng bên trái cho thấy ARR cho mỗi nhóm theo thời gian. Biểu đồ khu vực xếp chồng ở bên phải hiển thị số lượng khách hàng tích lũy cho các nhóm thuần tập khác nhau theo thời gian. Chỉ số, mức độ chi tiết của nhóm thuần tập và loại biểu đồ có thể được xác định trong hộp thoại cấu hình của các thành phần. Hình 6: Biểu đồ theo nhóm được tạo bởi ARR và MRR theo Nhóm thuần tập dựa trên thời gian và Số lượng khách hàng và Tỷ lệ churn theo các thành phần Nhóm thuần tập dựa trên thời gian. Biểu đồ dòng ở bên trái hiển thị ARR cho mỗi nhóm theo thời gian; biểu đồ khu vực xếp chồng ở bên phải hiển thị số lượng khách hàng cho mỗi nhóm và tổng số theo thời gian. Từ sơ đồ dòng bên trái trong Hình 6, chúng ta có thể thấy rằng ARR phát triển khác nhau cho bốn nhóm thuần tập dựa trên thời gian: Những khách hàng bắt đầu tham gia 2015 (đường màu xanh lam) tăng giá trị ARR của họ trong năm đầu tiên, nhưng đạt mức thấp trong nửa sau của 2016. ARR của họ bắt đầu tăng trở lại trong 2017 và trở về giá trị ban đầu ở đầu 2018. Những khách hàng bắt đầu vào 2016 (dòng màu cam) cho thấy ARR tăng lên khi kết thúc 2017. ARR của họ bắt đầu giảm cho đến đầu 2019, sau đó nó giảm xuống một giá trị không đổi. Những khách hàng đã bắt đầu hợp đồng của họ trong 2017 (dòng màu xanh lục) có giá trị ARR không đổi trong toàn bộ khoảng thời gian kể từ đầu 2017 đến hết 2019. Những khách hàng bắt đầu ở 2018 (dòng màu đỏ) tăng doanh thu của họ cho đến khi doanh thu được đặt thành một giá trị không đổi ở đầu 2019. Từ biểu đồ vùng xếp chồng ở bên phải trong Hình 6, chúng ta có thể thấy rằng ARR đang giảm dần của nhóm thuần tập “Đã bắt đầu 2015” (vùng màu xanh lam ) gây ra tổng ARR thấp vào cuối 2016 nhưng nó bắt đầu tăng trở lại do ARR bổ sung đến từ “Đã bắt đầu 2016 ”nhóm thuần tập (vùng màu cam) và ARR không đổi đến từ“ Đã bắt đầu 2017 ”thuần tập (khu vực màu xanh lá cây). ARR giảm cho nhóm thuần tập “Đã bắt đầu 2016” không thể được bù đắp bằng ARR đến từ “Đã bắt đầu 2018 ”thuần tập (vùng màu đỏ). Điều này có nghĩa là tổng ARR tối đa đạt được ở đầu 2018 trước ARR của “Đã bắt đầu 2016 ”bắt đầu giảm. Các thành phần được chia sẻ Bây giờ, đến lượt bạn phân tích dữ liệu khách hàng của riêng bạn và xây dựng biểu đồ nhóm thuần tập. Kéo và thả các thành phần từ Trung tâm và làm theo các bước như được mô tả ở trên. Bạn có thể sử dụng hộp thoại cấu hình của các thành phần để tùy chỉnh phân tích theo nhóm của mình: Tạo chuỗi thời gian với các giá trị định kỳ hàng ngày, trích xuất nhóm thuần tập dựa trên tháng bắt đầu, tính toán tỷ lệ churn hoặc một số chỉ số có sẵn khác. Nếu muốn, bạn cũng có thể thay đổi chức năng của các thành phần cho mục đích của mình: Ví dụ: Thêm chỉ số và biểu đồ mới. Xem các video này – Thành phần là gì ?, Cấu hình Thành phần và Chia sẻ và Liên kết Thành phần – để biết thêm chi tiết về các thành phần. Tóm tắt Phân tích theo nhóm cho chúng ta một cái nhìn toàn diện và mạnh mẽ về tình trạng kinh doanh của chúng ta. Nó cũng cung cấp cho chúng tôi phản hồi trong một chu kỳ kinh doanh dài. Nó làm dịu những biến động không thường xuyên, cho chúng tôi quan điểm về hành vi của khách hàng trong dài hạn. Phân tích theo nhóm có thể tiết lộ các mẫu trong hành vi của khách hàng mà chỉ hiển thị khi chúng tôi phân tích khách hàng theo nhóm. Ví dụ: sự gia tăng số lượng thực tế vẫn có thể đồng nghĩa với việc giảm lòng trung thành. Các bước trong việc xây dựng biểu đồ thuần tập từ dữ liệu hợp đồng bao gồm kết hợp dữ liệu, lấp đầy khoảng trống trong chuỗi thời gian và kiểm tra các giá trị 0, sắp xếp và xoay vòng, cùng với các hoạt động tiền xử lý dữ liệu khác. Các thành phần được giới thiệu trong bài đăng blog này tự động hóa các bước này, nhưng chúng cho phép chúng tôi xác định các cài đặt chính, chẳng hạn như mức độ chi tiết của các nhóm và số liệu để phân tích. (Bài đăng trên blog này được xuất bản lần đầu tiên trên blog KNIME.)

  • Trang chủ
  • CRM
  • Email doanh nghiệp
  • Email marketing
  • Marketing News
  • Marketing tổng thể
  • SEO
  • Thiết kế Website
  • Web Hosting
  • Chatbot
  • Data science
  • Back to top button