Как спрогнозировать следующую дату визита клиента?

Question

[Растишка]

Есть массив расстояний между датами посещения клиентом, вида, например:
пришел через 5 дней, потом через 5, через 10, 7, 20, 30 и т.д.

Надо на основании этого ряда спрогнозировать когда клиент может придти в следующий раз (надо отслеживать когда клиент не пришел в расчетное время - т.е. есть шанс что он станет потерянным клиентом и ему надо отправить СМС напоминалку.) Речь идет про салон красоты, куда клиенты ходят достаточно периодически.

Пробовал Медиану, среднее арифметическое.

Существуют ли другие методики или формулы? Хотелось бы чтобы методика игнорировала случаи когда и клиент уехал в отпуск или еще что то.

Upd: Хотелось бы решение попроще, без нейронных сетей.

Answer 1

[Константин Нагибович]

Я помогаю знакомому автоматизировать салон красоты. Так вот, для каждой услуги он установил время через которое необходимо позвонить клиенту и пригласить на повтор процедуры.
Просто и со вкусом.

Comments

[Растишка]

Отличная идея!
А за основу для автоматизации что взяли? Какую то коробочную систему? Или самописка?

[Константин Нагибович]

Илья Зенин: самописная система на базе 1С.

Answer 2

[thenno]

Как уже писал выше nirvimel - тут нужно или какое-то простое мат моделирование, или методы машинного обучения. Но есть одна загвоздка - вряд ли вы у Вас что-то получится предсказать, основываясь только временных рядах. Если к этому добавить еще набор известных признаков (например, из анкеты клиента) - можно получить какое-то вменяемое качество. Да и то вряд ли, на самом деле - выборки будут небольшие, а внешних факторов, которые вы никак не сможете учесть - очень много (болезни, командировки, выходы новых сериалов). Но я бы попробовал на вашем месте.

Уже выше писали про Воронцова, но я добавлю - у него есть достаточно хороший курс на Курсере - https://www.coursera.org/learn/vvedenie-mashinnoe-... Я о нем писал подробнее тут. Если лень смотреть курс - можно поразбираться с библиотеками для Python numpy, sklearn и pandas - но без какой-то нормальной вводной будет тяжело. Я бы остановился на курсе, а потом попробовал что-то сделать с имеющимися данными.

Comments

[Растишка]

Нужно что то простое. Точное предсказание не требуется, а особенно не хочется заморачиваться с машинным обучением и прочим из пушки по воробьям.

В качестве эксперимента только что в екселе попробовал такой алгоритм:
1) Вычисляем дисперсию
2) Убираем по ней пики
3) Считаем мат.ожидание, где вес линейно растет к более поздним.

Вроде выглядит неплохо. По крайней мере лучше чем медиана и среднее арифметическое. =)

[thenno]

Илья Зенин: если в Вашем случае работают простые мат модели, которые можно подобрать эмпирически (я про них в первой части писал) - это здорово) А какое качество получается, если не секрет?

[Растишка]

thenno: Я бы очень хотел ответить вам про качество, но не знаю как его оценить. =) Качество определяли на глаз, типа "если человек ходит так то и так то, то какое из чисел ближе к тому, когда пора волноваться что клиент потерялся." =)

Может есть где то алгоритмы для простой аналитики?

[thenno]

Илья Зенин: можно для этой задачи попробовать так:
берем ряд пользователя и делим на две группы: первые n - 1 элемента - это ряд, по которому будем предсказывать, а n-й элемент - эталонное значение. Предсказываем по n - 1 дату n-го посещения и сравниваем с истинной датой. Если отличается не больше чем на m дней - успех, если больше - неуспех. Проделываем так со всеми пользователями, а потом просто находим долю верных предсказаний. Это и будет измеряемым качеством алгоритма.

Посмотрите курс Воронцова - там много внимания уделено именно проблемам определения качества алгоритма, я привел самый простой способ, который подходит в Вашей ситуации:)

[thenno]

Да, можно еще попробовать брать не последний элемент как эталон, как какой-нибудь другой для интереса.
Ну и хорошо бы как-то разумно ограничить число людей, для которых можно предсказывать, на полной выборке могут быть странности (например, можно предсказывать только для людей, которые сделали больше k посещений). Но это лучше уже проводить после оценки качества.

[Растишка]

thenno: Да, интересный способ. На майских поразвлекаюсь с оценкой качества и поподбираю параметры.

Answer 3

[Владислав]

Юлия Бедросова дает нормальный совет для конкретного бизнеса.
Надо понимать суму суть поведения клиента, его предпочтения, сегмент рынка на котором работает салон. Да, простая статистика может быть интересна, на некоторых промежутках времени и особенно на больших рядах данных. Но для практики нужны предметные и чуть ли не персональные методики. Кстати, мне почему-то кажется, что мастера салона точнее предскажут поток посетителей (да ещё с учетом сезона), чем математическая модель учетной системы.

Comments

[Растишка]

Да, мастера салона скажут с какой периодичностью надо повторять услуги, но мы считаем что клиенты салонов красоты в основном ориентируются на свое настроение и месячный бюджет. Услуги салона красоты не являются обязательными, поэтому мотивация должна быть другой.

[Владислав]

Илья Зенин после Ваших комментариев, мне стало казаться, что у Вас задача не прогнозировать, а управлять клиентами. А это совсем другое и ни медиана, ни среднее здесь не помогут. Детальный качественный анализ клиентской базы, возможно даже персонифицированный (если количество клиентов позволяет).

[Растишка]

Владислав: Наверное недостаточно подробно описал суть задачи. Алгоритм предполагаю такой:
1) берем одного клиента.
2) высчитываем как часто он ходит, например 1 раз в неделю (avg = 7)
3) когда c последнего визита пройдет:
avg дней - шлем СМСку типа, "ждем вас к нам"
avg+5 дней - шлем СМСку типа, "давно вас не было, приходите"
avg+10 дней - менеджер голосом звонит и спрашивает "почему перестали ходить"

[Владислав]

Илья Зенин, алгоритм понятен. Попробую пояснить в чем разница подходов "простой статистики" от "предметного анализа".
1) для статистика - один клиент - это одна единица некоторого счета; для аналитика - один клиент - это объект с определенными характеристиками и предпочтениями, относящийся к некоторой категории, группе, классу с однотипным или схожим поведением (т.е. некий профиль клиента - сразу вспоминаем про CRM)
2) для статистика - как часто клиент ходит - это раз во столько-то дней; для аналитика - как часто клиент ходит - это периодичность, категория услуг, которыми он пользуется, мастер к которому он ходит, цикличность (сезонность или что-то аналогичное), средний чек с которым он приходит, один он ходит или с кем-то, насколько он охотно пользуется дополнительными услугами и т.п.
А дальше уже мы статистически или предметно думаем о том, в какой срок и о чем(!) направить СМСку клиенту, давать или не давать скидку, предлагать или нет программу лояльности и тому подобное.

Answer 4

[nirvimel]

• Обзор моделей прогнозирования временных рядов
  
• Воронцов К.В. "Прогнозирование временных рядов" (совсем свежий курс от гуру русскоязычного ML).
  
• Соответствующий раздел на machinelearning.ru
  
  

Хотелось бы чтобы методика игнорировала случаи когда и клиент уехал в отпуск или еще что то.

Модель сможет предсказывать вероятность того, что клиент вернется после продолжительного отсутствия (уехал в отпуск) только если это клиент раньше уже возвращался после продолжительного отсутствия или если этот клиент отнесен в группу клиентов, для которых прежде было характерно подобное поведение.