ในปัจจุบันข้อมูลมีปริมาณเพิ่มมากขึ้นอย่างมากและรวดเร็วจนทำให้เกิดคำว่า Big Data ขึ้นมา เมื่อปี 2017 บริษัท Deloitte The Netherlands ได้นำเสนอรูปด้านล่างที่แสดงการได้ข้อมูลต่างๆ จากลูกค้า

ดูสรุปได้จากภาพด้านล่างนี้ครับ เมื่อกดที่ภาพจะได้ภาพที่ใหญ่ขึ้นครับ

บริษัทจะได้รับข้อมูลตามลำดับดังนี้

• เมื่อลูกค้าชำระเงินที่แคชเชียร์ ร้านค้าจะได้ข้อมูลการซื้อสินค้า (Market basket) ซึ่งจะรู้ว่าลูกค้าซื้อสินค้าอะไร จำนวนสินค้า ราคาสินค้า วันและเวลาที่ซื้อสินค้า
• เมื่อลูกค้ามีบัตรสมาชิก (Loyalty cards) สิ่งที่ร้านค้าจะได้เพิ่มเติมคือข้อมูลเชิงประชากร (Customer demographics) ของลูกค้า เช่น เพศ อายุ รายได้
• เมื่อบริษัทได้ข้อมูล social media ของลูกค้า ร้านค้าจะได้ข้อมูลเครือข่าย (Social networks) ของลูกค้าคนนั้นมาด้วย
• เมื่อลูกค้าใช้การแสกนราคาสินค้าจะทำให้ร้านค้าได้ข้อมูลลำดับการซื้อสินค้า (order of shopping)
• ในกรณีที่ร้านค้ามีการติดตั้งอุปกรณ์ Beacons ต่างๆ ไว้ บริษัทจะทราบข้อมูลเส้นทางการเดินเลือกซื้อสินค้าภายในร้าน (In-store movements)
• เมื่อลูกค้าซื้อสินค้าผ่านทางช่องทางออนไลน์จะทำให้ร้านค้าทราบพฤติกรรมทางออนไลน์ของลูกค้า (on-line behavior) เพิ่มเติม
• ในกรณีที่ร้านค้ามีการติดตั้งกล้องวงจรปิดหรือกล้องวิดีโอไว้จะทำให้ทราบว่าความหนาแน่นของการเข้าชมร้าน (In-store traffic) ในช่วงเวลาต่างๆ ได้เพิ่มเติม
• ในกรณีที่มีการใช้งาน Mobile Wallet จะทำร้านค้าสามารถทราบได้ว่าลูกค้ามีพฤติกรรมการซื้อสินค้าที่ร้านอื่นใดบ้าง (Cross-store behavior) ปริมาณมากน้อย ความถี่เท่าไร

จากข้อมูลเหล่านี้สามารถนำมาวิเคราะห์ข้อมูลในแง่ต่างๆ ได้ โดยรายงานนี้สรุปแนวทางการวิเคราะห์ข้อมูลในร้านค้าปลีก (retail) ไว้ดังนี้

• Customer Segmentation เป็นการแบ่งกลุ่มลูกค้าตามความคล้ายคลึงกันในด้านต่างๆ เช่น พฤติกรรมการใช้บริการ หรือ สถานที่ตั้ง หรือ ช่วงอายุ การแบ่งกลุ่มนี้จะทำให้บริษัทเข้าใจลูกค้าได้มากขึ้น ซึ่งอาจจะพบลูกค้า กลุ่มดังนี้
  • ลูกค้ากลุ่มที่ชอบซื้อสินค้าที่ลดราคา
  • ลูกค้าที่ชอบซื้อสินค้าที่วางจำหน่ายใหม่
  • ลูกค้าที่ชอบซื้อสินค้าประเภทอาหารอย่างเดียว

• Cross Selling/Recommendation เป็นการวิเคราะห์พฤติกรรมการซื้อสินค้าของลูกค้าและแนะนำสินค้าที่เกี่ยวข้องและคาดว่าลูกค้าจะซื้อเพิ่มไปด้วย

• Campaign/ Promotion Effectiveness Analysis หลังจากที่ได้มีการจัดโปรโมชันหรือแคมเปญเสร็จเรียบร้อยแล้ว บริษัทควรทำการวิเคราะห์ข้อมูลผลการตอบรับโปรโมชันในช่องทาง (channel) ต่างๆ หรือสาขาต่างๆ เพื่อให้เข้าใจสาเหตุที่ทำให้ประสบผลสำเร็จ ซึ่งอาจจะมีคำถามดังนี้
  • การสื่อสารทางช่องทางใดที่ทำให้ลูกค้ารับรู้มากที่สุด หรือ ทำให้ลูกค้ากลับมาซื้อสินค้ามากที่สุด
  • สาขาใดที่ทำยอดจำหน่ายได้มากที่สุด หรือน้อยที่สุด
  • การทำโปรโมชันหรือแคมเปญนี้กำไรหรือขาดทุน

• Customer Lifetime Value (CLV) เนื่องจากว่าลูกค้าแต่ละรายสร้างมูลค่าให้กับบริษัทต่างกัน การทำ CLV เพื่อให้ทราบว่าลูกค้าคนไหนที่เป็นลูกค้าที่ดีสำหรับบริษัท การคำนวณCLV อาจจะคำนวณจากมูลค่าที่ลูกค้าใช้บริการไป (Historical Lifetime Value) หรือ สร้างโมเดล (model) เพื่อคาดการณ์CLV ในอนาคต(Predicted Lifetime Value) ก็ได้

• Customer Churn Prediction เป็นการสร้างโมเดลเพื่อคาดการณ์ว่าลูกค้าคนใดบ้างที่มีโอกาสไม่กลับมาซื้อสินค้าอีก(churn) หลังจากที่ทราบผลการคาดการณ์แล้วอาจจะต้องพิจารณาค่าCLV เพิ่มเติมเพื่อดูว่าควรจะดำเนินการกับลูกค้าต่างๆ อย่างไร เช่น ลูกค้าที่มีค่า CLV สูงอาจจะได้รับการดูแลเป็นพิเศษมากกว่าลูกค้าที่มีค่าCLV น้อยกว่า

• Target Marketing/Response Modeling ในการนำเสนอโปรโมชันหรือแคมเปญต่างๆ บริษัทควรจะเลือกที่จะส่งไปยังลูกค้าที่สนใจโปรโมชันหรือแคมเปญนั้นเพื่อช่วยลดต้นทุนและไม่ทำให้ลูกค้ารำคาญ การทำเช่นนี้อาจจะทำได้โดยการพิจารณาพฤติกรรมการซื้อสินค้าที่ผ่านมา

• Store Segmentation เป็นการจัดกลุ่มสาขาตามข้อมูลต่างๆ เช่น ประเภทของสินค้าที่ขายได้ ลักษณะของลูกค้า ทำเลที่ตั้ง เช่น ห่างจากตลาดเป็นระยะทางเท่าใด ห่างจากโรงเรียนเป็นระยะทางเท่าใด

• Demand Forecasting เป็นการคาดการณ์ยอดจำหน่ายสินค้าแต่ละประเภทโดยการดูจากพฤติกรรมของข้อมูลในอดีต โดยการใช้ตัวแปรต่างๆ เช่น ยอดขาย สภาพแวดล้อม วันและเวลาต่างๆ 

• Category Management เป็นการจัดการประเภทของสินค้าให้เหมาะสม ถ้ามีสินค้าที่ไม่หลากหลายอาจจะทำให้ไม่ตอบสนองความต้องการของลูกค้า แต่ถ้ามีสินค้าหลากหลายมากเกินไปอาจจะทำให้เกิดปัญหาการแข่งกันเองของสินค้า (cannibalization)

• Channel Profitability การขายสินค้านั้นมีการจำหน่ายได้หลายช่องทางและแต่ละช่องทางก็สร้างรายได้ที่ต่างกันไป การวิเคราะห์ลักษณะนี้เป็นการสรุปว่าช่องทางใดบ้างที่สร้างรายได้ให้และรายได้มากน้อยเพียงใด

• Product – Channel Affinity สินค้าบางประเภทจำหน่ายได้ดีในบางช่องทาง การวิเคราะห์ในลักษณะนี้เพื่อทำการหาความสัมพันธ์ระหว่างช่องทางการจัดจำหน่ายและสินค้า เพื่อหาว่าสินค้าใดควรจะจำหน่ายในช่องทางใด

• Product – Store Affinity มีลักษณะคล้ายกันกับ Product – Channel Affinityแต่เปลี่ยนเป็นการหาความสัมพันธ์ระหว่างสาขาที่จำหน่ายและสินค้า เพื่อหาว่าสินค้าใดควรจะจำหน่ายในสาขาใดบ้าง

• Vendor Performance Analysis เป็นการวิเคราะห์ผู้ขาย(Vendor) ในมุมมองต่างๆ และอาจจะนำไปกำหนดเกรดให้กับผู้ขายต่างๆ ได้ การวิเคราะห์ลักษณะนี้ใช้ข้อมูลหลายประเภท เช่น 
  • ค่าใช้จ่าย (cost)
  • ระยะเวลาการจัดส่ง (delivery time)
  • จำนวนสินค้าและความหลากหลายของสินค้าที่ส่ง
  • เครดิตการชำระเงิน

1. ไปยังหน้าเว็บ https://www.eventpop.me/e/3590 แล้วเลือกเมนู Buy Tickets

Continue reading →

วันนี้ (07/02/2018) เมื่อช่วงเย็น RapidMiner ได้ปล่อยซอฟต์แวร์ RapidMiner Studo 8.1 ซึ่งเป็นเวอร์ชันล่าสุดออกมาครับ ส่วนที่ดีมากๆ เลยสำหรับเวอร์ชันนี้คือ Auto Model ที่ทำให้เราสามารถรันโมเดล classification หลายๆ แบบและเปรียบเทียบประสิทธิภาพ (performance) กันได้ครับ ลักษณะแบบนี้คล้ายๆ กับซอฟต์แวร์ Data Robot (ซึ่งมีราคาค่อนข้างสูงมาก) ในบทความนี้ผมจะแสดงวิธีการใช้งาน Auto Model เพื่อสร้างโมเดลที่เหมาะสมสำหรับเรื่อง Churn Prediction หรือการคาดการณ์ว่าลูกค้าคนใดบ้างจะเลิกใช้บริการของเราบ้าง โดยข้อมูลมาจากหลักสูตร RapidMiner & DataScience: Foundations & Advance

เริ่มต้นเรามาดูข้อมูลของเราก่อนดีกว่าครับว่าคืออะไรและมีแอตทริบิวต์หรือตัวแปรอะไรบ้าง

ข้อมูลที่ใช้เป็นตัวอย่างเป็นการเก็บข้อมูลการใช้งาน app บนมือถือว่าผู้ใช้แต่ละคนใช้งานอยู่หรือไม่ และเวลาซื้อสินค้าใน app ใช้จ่ายด้วยวิธีการแบบไหน จากทั้ง 2 รูปด้านบนมีแอตทริบิวต์ดังนี้ครับ

• CustomerId รหัสของลูกค้าแต่ละราย แอตทริบิวต์นี้กำหนด role ให้เป็น ID เพื่อไม่ให้นำไปสร้างโมเดลด้วย
• Churn แอตทริบิวต์ที่บอกว่าลูกค้ายกเลิกการใข้บริการ (churn) หรือยังใช้บริการอยู่ (loyal) แอตทริบิวต์นี้กำหนด role ให้เป็น label ซึ่งเป็นคำตอบที่เราต้องการ predict
• Firstname ชื่อของลูกค้าแต่ละราย
• Gender เพศของลูกค้าแต่ละราย
• sum(TransactionValue) ค่าใช้จ่ายรวมของลูกค้าแต่ละราย
• average(TransactionValue) ค่าใช้จ่ายเฉลี่ยของลูกค้าแต่ละราย
• PreferedPaymentMethod วิธีการชำระเงินที่ลูกค้าใช้บ่อยที่สุด
• LastTransaction วันที่ใช้งานล่าสุดของลูกค้าแต่ละราย
• TotalCount จำนวนครั้ง (transaction) ที่ใช้งานของลูกค้าแต่ละราย
• Payments with cash จำนวน % ที่ลูกค้าชำระเงินด้วยเงินสด
• Payments with cheque จำนวน % ที่ลูกค้าชำระเงินด้วยเช็ค
• Payments with credit card จำนวน % ที่ลูกค้าชำระเงินด้วยบัตรเครดิต
• Age อายุของลูกค้าแต่ละราย
• PostalCode รหัสไปรษณีย์ของลูกค้าแต่ละราย

Continue reading →