Kontekst - jak grafowe bazy danych pomagają w zarządzaniu ścieżką klienta
Droga klienta nie jest prostą i skończoną serią kroków: to złożony i czasami sprzeczny zestaw interakcji w wielu kanałach. Mapa podróży klienta to wizualna reprezentacja podróży klienta - pomaga zorganizować procesy w firmie w taki sposób, aby klient mógł cieszyć się „płynnym doświadczeniem” Twojej marki we wszystkich punktach kontaktu.
To jest punkt, w którym często słyszymy o „doświadczeniu klienta”. Ale doświadczenie klienta nie jest synonimem podróży klienta - to jest jej część.
How graph databases help to manage customer journey
Customer’s journey isn’t a simple and finite series of steps: it’s a complex and sometimes contradictory set of interactions over multiple channels. A customer journey map is a visual representation of the customer journey - it helps to organize your company processes in the way customer will enjoy "seamless experience" with your brand across all touchpoints.
This is the point where we often hear about "customer experience". But customer experience is not a synonym of customer journey - this is a part of it.
Zastosowanie algorytmu asocjacji w uczeniu maszynowym
Asocjacja to metoda uczenia maszynowego oparta na regułach służąca do wykrywania interesujących relacji między zmiennymi w bazach danych.
Ma na celu zidentyfikowanie wyraźnich reguł w zbiorach danych. Algorytm apriori jest najczęściej używany w biznesie by znaleźć odpowiedź które produkty sa sprzedawane razem.
Spojrzenie na przedmioty często kupowane razem, może dać sprzedawcom wyobrażenie o zachowaniach zakupowych klientów. Wiedza ta, uzyskana z danych, może być wykorzystana do ustalania cen, promocji marketingowych, zarządzania zapasami i tak dalej.
Algorytm apriori ma swoje zalety ale ma też jedną wadę - jego zastosowanie na dużym zbiorze danych może być problematyczne z uwagi na powolność działania. Być może zainteresuje Cie także inny algorytm FP-Growth który działa znacznie szybciej lub użycie grafowej bazy danych Neo4j by osiągnąć podobne cele.
Zastosowanie algorytmu klasyfikacji w uczeniu maszynowym
W dzisiejszym artykule nauczymy się stosować algorytm klasyfikacji używany w technikach "data mining" lub "eksploracji danych". Algorytm ten jest często stosowany w obszarze "uczenia maszynowego" a ta z kolei jest podzbiorem tak zwanej, z dużą przesadą, "sztucznej inteligencji".
Uczenie maszynowe (ML) jest nauka o algorytmach komputerowych. W skrócie; to po prostu jeden z algorytmów stworzonych przez człowieka który dzięki zastosowaniu dzisiejszych, wydajnych komputerów może wykonać zadanie szybko (lub lepiej powiedzieć może je w ogóle wykonąć). Magia rozwiązywania skomplikowanych zadań poprzez zastosowanie łańcucha funkcji i algorytmów.
W wielu miejscach spotkacie się z przekazem że "algorytmy się uczą". Nic podobnego - algorytm nigdy niczego sie nie "uczy". Algorytm to zestaw instrukcji jak wykonać daną pracę. Pozostaje taki sam cały czas - chyba że twórca go zmieni. Algorytmy w wyniku swojej pracy tworzą często na podstawie wzorcowych danych szablon jak należy traktować dane które nie wiemy jak zinterpretować. To jest nazywane często "uczeniem". Patrz rodział "Weka i algorytm J48".