Kender du dine kunder? Er de loyale, eller churner de inden for et år - og hvordan forhindrer du dette? Er der gennemsigtighed med kundens købsmønstre og din virksomheds produktmix? Rammer din virksomhed plet i forudsigelsen af salg og lagerbeholdning? Data kan give dig svar på mange af dine spørgsmål – spørgsmålet er bare, hvordan du bedst muligt finder svarene i dine data? I dette blogindlæg kigger vi ind i supervised og unsupervised machine learning for at forstå forskellen og hvordan det kan hjælpe dig og din forretning til nye indsigter.
Supervised eller unsupervised machine learning
Når vi arbejder med supervised lærings-algoritmer, bygger vi en matematisk model ud fra en mængde data, som både indeholder input og det ønskede output. En given algoritme optimeres herefter på baggrund af mange iterationer, indtil den tilfredsstillende kan forudsige den delmængde data, der ikke er anvendt til at lave algoritmen. Hvorvidt en algoritme er tilfredsstillende i dens forudsigelses-præcision, afhænger af dine forretnings-specifikke krav. Eksempelvis kunne supervised learning optimere funktioner indenfor regression, klassificering og associering.
På den anden side har vi unsupervised learning, der kun arbejder med datainput, hvorfra en struktur findes, eksempelvis igennem gruppering eller clustering af datapunkter. Det vil sige, at den konstruerede algoritme er skabt på tværs af data, som hverken er kategoriseret eller klassificeret, og at den derimod finder fællestræk, eller mangel på samme, imellem datapunkterne. Eksempelvis kunne unsupervised learning bidrage til at finde segmenter i kundebasen.
Sådan skaber du værdi
Lad os konkretisere ovenstående og se på den værdi projekter med supervised og unsupervised learning kan tilføre en virksomhed indenfor retail.
- Forøg omsætningen ved at optimere produktmixet og mersalg. Skab indsigt og overblik over forretningens produktmix og deres bidrag til omsætningen og profit. Skub produkter, der typisk bliver solgt sammen, effektivt ud til kunden. Man har stødt på det i praksis inde på hjemmesider som Amazon og Saxo, hvor køb af et givent produkt genererer nogle forslag til andre produkter. Dette kan opnås ved hjælp af adaptiv associations-analyse, som er en transaktionsbaseret analyse, der går ind og beregner forholdet mellem produkter, og på baggrund af det giver en statistisk vurdering af sandsynligheden for, at kunden også køber skosværte, når vedkommende køber sko.
- Lær dine kunder at kende. Afdæk dine kunders fællestræk, eller mangel på samme, og skab et overblik over, hvilke segmenter virksomheden reelt set supporter. Hvor ofte de køber, hvornår de sidst købte og beløbet de brugte. Dette kan opnås vha. en R(ecency), F(requency) og M(onetary value) analyse. Denne klassificering kan optimere virksomhedens kunde-fokus ved at synliggøre de gode kunder.
- Forøg omsætningen igennem kundefastholdelse. Generer indsigt i, hvorfor og hvornår kunder vender sig i mod virksomheden og stop kunderne fra at churne igennem en adaptiv logistisk forudsigelsesmodel.
- Forsøg omsætningen igennem en optimering af salg og lagerbeholdnings-forudsigelse, eksempelvis ved daglige salgsanalyser for enkelte produkter i henhold til volumen og trend.
Disse er blot nogle af de eksempler på machine learning-projekter, der kan komme en virksomhed inden for eksempelvis retail til gavn.
Vi er klar, når du er
Hvis du har spørgsmål eller tænker, at tiden er inde til et uforpligtende kald eller møde, kan du kontakte os på info@inspari.dk eller +45 70 24 56 55. Vi ser frem til at høre fra dig.
Nyttige links til machine learning
Vi har samlet nogle nytte links om machine learning:
