Data science

มองป่าเพื่อต้นไม้ – การวิเคราะห์ตามรุ่น

คลิกเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผู้เขียนร่วม Maarit Widmann คลิกเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผู้เขียนร่วม Felix Kergl-Räpple แคมเปญการตลาดหรือการเผยแพร่รุ่นใหม่สามารถทำให้จำนวนลูกค้าเฟื่องฟูได้ชั่วขณะหนึ่ง แต่อะไรคือผลกระทบในระยะยาว? ลูกค้าอยู่หรือปั่นป่วน? มีใครกลับมาบ้างในบางจุด? รายได้โดยรวมเพิ่มขึ้นหรือไม่? รูปแบบสามารถตรวจพบได้ในพฤติกรรมของลูกค้า ตัวอย่างเช่น รูปแบบในพฤติกรรมปกติของลูกค้า (เช่น พฤติกรรมที่ไม่ได้รับผลกระทบจากแคมเปญการตลาดของเราหรือการกระทำอื่นๆ ที่คล้ายคลึงกัน) เราอาจต้องการพยายามหาระยะเวลาสัญญาที่สำคัญซึ่งกำหนดว่าลูกค้าจะกลายเป็นลูกค้าประจำหรือไม่ อีกสถานการณ์หนึ่งที่น่าวิเคราะห์คือกลุ่มลูกค้า – เพื่อดูว่าเงื่อนไขที่แตกต่างกันในสัญญาที่มีจุดเริ่มต้นต่างกันทำให้กลุ่มลูกค้าที่แตกต่างกันเหล่านี้แสดงความภักดีเท่ากันหรือไม่ (หรือไม่) เพื่อตอบคำถามเหล่านี้ เราสามารถวิเคราะห์ข้อมูลการขายของเราเมื่อเวลาผ่านไปตามรุ่นตามเวลา การระบุกลุ่มประชากรตามพฤติกรรมของลูกค้าในระยะยาวให้ข้อเสนอแนะในระยะยาวเกี่ยวกับการตัดสินใจทางธุรกิจและการมีส่วนร่วมกับลูกค้า ดังนั้นเราจึงใช้เวลาเป็นมิติเดียวในการวิเคราะห์ มิติที่สองคือเมตริกที่เราวิเคราะห์: มูลค่าสัญญา จำนวนลูกค้า จำนวนคำสั่งซื้อ หรือสิ่งอื่นใดที่วัดปริมาณพฤติกรรมของลูกค้าของเรา “มูลค่าลูกค้า” นี้แสดงแยกต่างหากสำหรับกลุ่มประชากรตามรุ่นต่างๆ กลุ่มประชากรตามรุ่นคือการจัดกลุ่มในข้อมูลที่มีลักษณะที่คล้ายคลึงกันตามเวลา กลุ่ม หรือขนาด ด้วยสามมิติเหล่านี้ เราสามารถระบุรูปแบบและแนวโน้มที่จะไม่ปรากฏให้เห็นในบันทึกแต่ละรายการ ซึ่งจะทำให้ภาพรวมธุรกิจของเรามีความสมบูรณ์ยิ่งขึ้น ก่อนเริ่มการวิเคราะห์ตามรุ่น เราต้องกำหนด: 1. กลุ่มประชากรตามรุ่นที่เราพิจารณาในข้อมูลของเรา ตัวอย่างเช่น ลูกค้าที่เริ่มทำธุรกิจกับคุณภายในกรอบเวลาเดียวกัน (กลุ่มประชากรตามเวลา) ลูกค้าที่ซื้อผลิตภัณฑ์ที่คล้ายคลึงกัน (กลุ่มประชากรตามกลุ่ม) หรือบริษัทขนาดกลางและขนาดใหญ่ (กลุ่มประชากรตามขนาด ). 2. ข้อมูลที่เราต้องการแสดงสำหรับกลุ่มประชากรตามรุ่นต่างๆ เมื่อเวลาผ่านไป อาจเป็นตัวชี้วัดที่จัดตั้งขึ้น เช่น รายได้ที่เกิดซ้ำทุกปีหรืออัตราการเลิกใช้งาน หรือสิ่งอื่นใดที่ตอบคำถามของเราเกี่ยวกับลูกค้าและให้บริการตามเป้าหมายสุดท้ายในการปรับปรุงธุรกิจของเรา ในบล็อกโพสต์นี้ เราต้องการเน้นที่กลุ่มประชากรตามช่วงเวลา ในส่วนถัดไป เราจะแนะนำขั้นตอนที่คุณทำเพื่อสร้างแผนภูมิตามรุ่น (ภาพที่ 1) ตั้งแต่การจัดรูปแบบข้อมูลไปจนถึงการแสดงภาพเมตริกที่เลือกตามเวลาและกลุ่มประชากรตามรุ่น รูปที่ 1: ตัวอย่างของแผนภูมิกลุ่มประชากรตามรุ่นเพื่อวิเคราะห์จำนวนลูกค้าหรือตัวชี้วัดอื่นๆ เช่น ARR ตามเวลาและกลุ่มตามเวลา ตัวอย่าง: วิเคราะห์จำนวน มูลค่า และระยะเวลาของสัญญา มาเริ่มด้วยการดูตัวอย่างการวิเคราะห์ตามรุ่นและดูว่าธุรกิจของบริษัทเป็นอย่างไร บริษัทออกสัญญา เช่น ใบอนุญาตซอฟต์แวร์ สัญญามือถือ หรือการสมัครรับข้อมูลนิตยสาร เป็นต้น ตามเวลาเริ่มต้นของสัญญา เรามอบหมายลูกค้าแต่ละรายให้กับกลุ่มตามช่วงเวลา ผลของการวิเคราะห์ตามการได้มาช่วยให้เราสามารถตอบคำถามต่างๆ เช่น เราสามารถตรวจพบแนวโน้มเชิงบวกในแง่ของจำนวนลูกค้าและรายได้ที่มากขึ้นได้หรือไม่ แนวโน้มคงที่หรือไม่?ลูกค้าที่ทำสัญญาในปีหนึ่งสร้างรายได้มากกว่าลูกค้าที่เริ่มต้นในปีอื่นๆ หรือไม่?ปีใดที่แสดงการเลิกราของลูกค้ามากที่สุด?มูลค่าของสัญญายังคงทรงตัวเมื่อเวลาผ่านไปหรือไม่? รายได้เฉลี่ยต่อลูกค้าเพิ่มขึ้นหรือลดลง? ข้อมูล ในตัวอย่างของเรา ข้อมูลประกอบด้วยข้อมูลเกี่ยวกับการขายต่อยอด การปรับลดรุ่น และเหตุการณ์เลิกใช้ มี 45 สัญญาและ 12 ลูกค้า ระยะเวลาสัญญามีตั้งแต่มกราคม 45 ถึงธันวาคม 2019 แต่ละแถวในข้อมูลจะแสดงเวลาเริ่มต้นและสิ้นสุดของระยะเวลาสัญญา มูลค่าสัญญา และรหัสที่ระบุลูกค้า คุณสามารถดูตัวอย่างข้อมูลได้ในรูปที่ 2 รูปที่ 2: ข้อมูลที่มีข้อมูลเกี่ยวกับรหัสสัญญา ค่า และงวด ในขั้นตอนแรกของการวิเคราะห์ตามรุ่น ชุดข้อมูลนี้จะถูกแปลงเป็นอนุกรมเวลาโดยกำหนดค่าที่เกิดซ้ำให้กับเดือนเดียวภายในช่วงเวลา ขั้นตอนแรกในการวิเคราะห์ตามรุ่นคือการกำหนดค่าที่เกิดซ้ำให้กับเดือนเดียวภายในระยะเวลาของสัญญา ค่าที่เกิดซ้ำไม่รวมเหตุการณ์ที่เกิดขึ้นครั้งเดียว นั่นคือพวกเขาพิจารณาเฉพาะบริการที่มีให้อย่างต่อเนื่องในช่วงเวลาที่จำกัด: การสมัครซอฟต์แวร์ การสนับสนุน เนื้อหา ฯลฯ ขั้นตอนที่ 1: คำนวณค่าที่เกิดซ้ำ เมื่อเราคำนวณค่าที่เกิดซ้ำ เราจะจัดรูปแบบข้อมูลสัญญาเดิมเป็นข้อมูลอนุกรมเวลา โดยที่แต่ละแถวประกอบด้วยเดือนเดียว ค่าที่เกิดซ้ำ และรหัส เราสามารถทำการคำนวณนี้ได้โดยใช้องค์ประกอบ “คำนวณค่าที่เกิดซ้ำ” ที่แสดงในรูปที่ 3 ส่วนประกอบสามารถดาวน์โหลดได้บนฮับ รูปที่ 3: การแปลงข้อมูลสัญญาเป็นข้อมูลอนุกรมเวลาที่แต่ละแถวประกอบด้วยเดือน ค่า และ ID คอมโพเนนต์ “คำนวณค่าที่เกิดซ้ำ” ซึ่งทำการคำนวณ มีอยู่ในฮับ ตารางอินพุต ตัวอย่างของตารางอินพุตสำหรับองค์ประกอบ “คำนวณรายรับที่เกิดขึ้นประจำ” แสดงในรูปที่ 2 ตารางต้องมีสองคอลัมน์ที่กำหนดวันที่เริ่มต้นและสิ้นสุดของแต่ละงวดสัญญา หนึ่งคอลัมน์สำหรับมูลค่าสัญญา และหนึ่งคอลัมน์ สำหรับไอดี ตารางผลลัพธ์ ตารางผลลัพธ์ของส่วนประกอบจะแสดงแต่ละเดือนภายในระยะเวลาของสัญญา และค่าที่เกิดซ้ำในแต่ละเดือน ตัวอย่างเช่น หากเรามีแถวสำหรับสัญญาที่มีมูลค่า EUR 30,000 และระยะเวลาสัญญา 12 เดือน ตารางผลลัพธ์จะแสดง แถวสำหรับสัญญานี้ หนึ่งแถวสำหรับแต่ละเดือน และมูลค่าที่เกิดขึ้นประจำเป็น 2 ยูโรต่อเดือน 12 (รูปที่ 4) รูปที่ 4: ตัวอย่างข้อมูลอินพุตและเอาต์พุตขององค์ประกอบ “คำนวณค่าที่เกิดซ้ำ” ที่แปลงข้อมูลสัญญาเป็นข้อมูลอนุกรมเวลา: บันทึกตามระยะเวลาสัญญาและ ID จะถูกขยายเป็นค่าที่เกิดซ้ำรายเดือนโดยเดือนเดียวและ ID ตอนนี้ หลังจากจัดรูปแบบข้อมูลแล้ว เราก็พร้อมที่จะไปยังขั้นตอนถัดไป ซึ่งเราสร้างแผนภูมิกลุ่มประชากรตามรุ่น จากนั้นเราก็สามารถใช้แผนภูมิเพื่อตอบคำถามเกี่ยวกับสถานะธุรกิจของเราได้ ขั้นตอนที่ 2: ตรวจสอบรายรับและจำนวนลูกค้าตามเวลาและกลุ่มประชากรตามรุ่น ในขั้นตอนที่สองนี้ เราจะคำนวณเมตริกที่เลือกแยกกันสำหรับแต่ละเดือนและกลุ่มตามเวลา ตัวอย่างเช่น เราสามารถมีลูกค้าสองรายที่เริ่มต้นใน 2018 หนึ่งรายที่มีรายได้ประจำต่อเดือน 2 ยูโร และอื่นๆ ที่มีรายได้ประจำ 3 ยูโรต่อเดือน ลูกค้าทั้งสองนี้จะรวมกันเป็นกลุ่มตามเวลาที่เรียกว่า “เริ่มแล้ว 2018” รายได้ที่เกิดขึ้นประจำรายเดือนสำหรับกลุ่มประชากรตามรุ่นนี้คือ 5 ยูโร 000 จนกว่าลูกค้าอย่างน้อยหนึ่งในสองคนจะอัปเกรด ดาวน์เกรด หรือเลิกใช้งาน ข้อมูลอนุกรมเวลาอาจมาจากแหล่งอื่นได้เช่นกัน อาจเป็นยอดขายรายวันที่มาจากการสมัครรับข้อมูลหรือร้านขายของชำเป็นต้น ไม่ว่าข้อมูลจะแสดงอะไรก็ตาม โปรดทราบว่าในการดำเนินการวิเคราะห์ตามรุ่น แต่ละเร็กคอร์ดต้องมีการประทับเวลา ตัวระบุ และค่า เวิร์กโฟลว์ในรูปที่ 5 (ซึ่งคุณสามารถดาวน์โหลดได้จากฮับของเราที่นี่) แสดงสององค์ประกอบที่ช่วยให้คุณวิเคราะห์กลุ่มตามเวลาโดยใช้ตัวชี้วัดต่อไปนี้: รายได้ประจำรายปี/รายเดือน (ARR/MRR) รายได้ประจำรายปี/รายเดือนที่สัมพันธ์กับลูกค้า อัตราการนับลูกค้านับ รูปที่ 5: การวิเคราะห์กลุ่มตามเวลาที่มี ARR และ MRR โดยกลุ่มตามเวลาและจำนวนลูกค้าและส่วนประกอบตามกลุ่มตามเวลาที่มีอยู่ในฮับ ส่วนประกอบทั้งสองสร้างมุมมองแบบโต้ตอบที่แสดงให้เห็นว่าเมตริกที่เลือกพัฒนาขึ้นเมื่อเวลาผ่านไปอย่างไรสำหรับแต่ละกลุ่มประชากรตามรุ่น ตัวอย่างผลลัพธ์ของส่วนประกอบเหล่านี้แสดงในรูปที่ 6 พล็อตเส้นทางด้านซ้ายแสดง ARR สำหรับแต่ละกลุ่มตามช่วงเวลา แผนภูมิพื้นที่แบบเรียงซ้อนทางด้านขวาแสดงจำนวนลูกค้าสะสมของกลุ่มประชากรตามรุ่นต่างๆ เมื่อเวลาผ่านไป สามารถกำหนดเมตริก รายละเอียดของกลุ่มประชากรตามรุ่น และประเภทแผนภูมิได้ในกล่องโต้ตอบการกำหนดค่าของส่วนประกอบ รูปที่ 6: แผนภูมิกลุ่มประชากรตามรุ่นที่สร้างโดย ARR และ MRR โดยกลุ่มประชากรตามเวลาและจำนวนลูกค้าและอัตราการเลิกใช้งานตามส่วนประกอบตามกลุ่มตามเวลา พล็อตเส้นทางด้านซ้ายแสดง ARR สำหรับแต่ละกลุ่มตามช่วงเวลา แผนภูมิพื้นที่แบบเรียงซ้อนทางด้านขวาแสดงจำนวนลูกค้าสำหรับแต่ละกลุ่มและรวมเมื่อเวลาผ่านไป จากแผนภาพเส้นด้านซ้ายในรูปที่ 6 เราจะเห็นว่า ARR พัฒนาแตกต่างกันสำหรับกลุ่มประชากรตามเวลาสี่กลุ่ม: ลูกค้าที่เริ่มต้นใน 45 (เส้นสีน้ำเงิน ) เพิ่มค่า ARR ในปีแรก แต่แตะระดับต่ำสุดในครึ่งหลังของ 2016 ARR ของพวกเขาเริ่มเพิ่มขึ้นอีกครั้งใน 2017 และกลับสู่ค่าเดิมที่จุดเริ่มต้นของ 2018 ลูกค้าที่เริ่มต้นใน 2016 (เส้นสีส้ม) แสดงการเพิ่มขึ้นของ ARR ในตอนท้ายของ 2017 ARR ของพวกเขาเริ่มลดลงจนถึงจุดเริ่มต้นของ 2019 จากนั้นจึงตกลงสู่ค่าคงที่ ลูกค้าที่เริ่มสัญญาใน 2017 (เส้นสีเขียว) มีค่า ARR คงที่ตลอดระยะเวลาตั้งแต่ต้น 2017 ต่อท้าย 2017. ลูกค้าที่เริ่มต้นใน 2018 (เส้นสีแดง) เพิ่มรายได้จนกว่าจะตั้งค่าเป็นค่าคงที่ที่จุดเริ่มต้นของ 2019 จากแผนภูมิพื้นที่แบบเรียงซ้อนทางด้านขวาในรูปที่ 6 เราจะเห็นว่า ARR ที่ลดลงของกลุ่ม “เริ่มต้น 45” (พื้นที่สีน้ำเงิน) ทำให้เกิด ARR ทั้งหมดต่ำ ในตอนท้ายของ 2016 แต่เริ่มเพิ่มขึ้นอีกครั้งเนื่องจาก ARR เพิ่มเติมที่มาจาก “เริ่มต้น 2016” กลุ่มประชากรตามรุ่น (พื้นที่สีส้ม) และ ARR คงที่ที่มาจากกลุ่มประชากรตามรุ่น “เริ่มต้น 2017” (พื้นที่สีเขียว) ARR ที่ลดลงสำหรับกลุ่ม “เริ่มต้น 2016” ไม่สามารถชดเชยโดย ARR ที่มาจากกลุ่ม “เริ่มต้น 2018” (พื้นที่สีแดง). ซึ่งหมายความว่าถึง ARR รวมสูงสุดที่จุดเริ่มต้นของ 2018 ก่อนที่ ARR ของ “Started 2016” จะเริ่ม ปฏิเสธ. องค์ประกอบที่ใช้ร่วมกัน ตอนนี้ ถึงตาคุณแล้วที่จะวิเคราะห์ข้อมูลลูกค้าของคุณเองและสร้างแผนภูมิตามรุ่น ลากและวางส่วนประกอบจากฮับ และทำตามขั้นตอนตามที่อธิบายไว้ข้างต้น คุณสามารถใช้กล่องโต้ตอบการกำหนดค่าของส่วนประกอบเพื่อปรับแต่งการวิเคราะห์ตามรุ่นของคุณ: สร้างอนุกรมเวลาที่มีค่าที่เกิดซ้ำรายวัน แยกกลุ่มตามเดือนเริ่มต้น คำนวณอัตราการเลิกใช้งาน หรือตัวชี้วัดอื่นๆ ที่มีอยู่ หากต้องการ คุณยังสามารถเปลี่ยนฟังก์ชันการทำงานของส่วนประกอบเพื่อวัตถุประสงค์ของคุณได้ เช่น เพิ่มเมตริกและแผนภูมิใหม่ เป็นต้น ดูวิดีโอเหล่านี้ – ส่วนประกอบคืออะไร การกำหนดค่าส่วนประกอบ และการแชร์และลิงก์ส่วนประกอบ – สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับส่วนประกอบ การวิเคราะห์ตามการได้มาโดยสรุปช่วยให้เรามองเห็นสถานะธุรกิจของเราได้อย่างครอบคลุมและครอบคลุม นอกจากนี้ยังให้ข้อเสนอแนะเกี่ยวกับวัฏจักรธุรกิจที่ยาวนานอีกด้วย ทำให้ความผันผวนเป็นครั้งคราวเป็นไปอย่างราบรื่น ทำให้เรามีมุมมองเกี่ยวกับพฤติกรรมของลูกค้าในระยะยาว การวิเคราะห์ตามการได้มาสามารถเปิดเผยรูปแบบพฤติกรรมของลูกค้าที่มองเห็นได้เมื่อเราวิเคราะห์ลูกค้าตามกลุ่มเท่านั้น ตัวอย่างเช่น การเพิ่มจำนวนจริงยังคงหมายถึงความภักดีที่ลดลง ขั้นตอนในการสร้างแผนภูมิกลุ่มประชากรตามรุ่นจากข้อมูลสัญญาประกอบด้วยการรวมข้อมูล เติมช่องว่างในอนุกรมเวลา และตรวจสอบค่าศูนย์ การจัดเรียง และการหมุนกลับ พร้อมกับการดำเนินการก่อนการประมวลผลข้อมูลอื่นๆ ส่วนประกอบที่แนะนำในโพสต์บล็อกนี้ทำให้ขั้นตอนเหล่านี้เป็นไปโดยอัตโนมัติ แต่ช่วยให้เรากำหนดการตั้งค่าหลักได้ เช่น ความละเอียดของกลุ่มประชากรตามรุ่นและเมตริกที่จะวิเคราะห์ (โพสต์บล็อกนี้เผยแพร่ครั้งแรกในบล็อก KNIME)

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button