Çoğu kuruluş, müşterilerinin bir sonraki eylemini veya tutumunu tahmin etmeyi çok ister. Geleceği tahmin edebilmek için geçmiş verilere güvenmek zorundayız. Daha spesifik olarak, kalıpları ortaya çıkarmak için çeşitli müşteri analitiği türleri arasındaki korelasyonları araştırırız.
Örneğin, aşağıdakiler gibi korelasyonu açığa çıkaran soruları sorabilirsiniz:
- Bir web sitesinde daha uzun süre vakit harcamak, daha fazla satın almaya neden olur mu?
- Müşteriler, eğer daha az zaman alırsa, görevleri daha kolay olarak mı derecelendiriyor?
- A ürününü satın alan müşteri için başka hangi ürünleri alır?
- Kuponlar aynı mağazadaki satışları artıracak mı?
- İndirimli fiyat daha yüksek satışlar anlamına mı geliyor?
- Müşteri sadakati gelecekteki şirket büyümesine bağlı mı?
Çağrışımları Görselleştirme
İki sürekli değişkenle ilişki aramak için iyi bir ilk adım, bir dağılım grafiğinde çizmektir. Örneğin, (a) bir kullanıcının web tabanlı bir satış işlemini tamamlamak için yapması gereken tıklama veya tıklama sayısı ile (b) kullanıcının bu işlemi tamamlaması için geçen süre arasında güçlü bir ilişki olduğunu varsayabiliriz.
Şekil 1, bir e-ticaret mobil sitesinde 181 katılımcının kullanılabilirlik çalışmasından elde edilen verilerin bir dağılım grafiğidir. Her nokta bir katılımcının deneyimini temsil eder: işlemi tamamlamak için gereken dokunma sayısı (x veya yatay eksende) ve katılımcının işlemi tamamlaması için geçen saniye sayısı (y veya dikey eksende). Ok, işlemi 50 saniyede tamamlamak için 16 dokunuş kullanan bir müşteri için çizilen veri noktasını gösterir.
Bir İlişkinin Gücünü Belirleme
Gelir ve zaman gibi iki sürekli değişken arasındaki ilişkinin gücünü ölçmek için Pearson Ürün Moment Korelasyonu (daha yaygın olarak r, korelasyon katsayısı olarak bilinir) kullanın.
Korelasyon katsayısı -1 ile 1 arasında değişir
r = -1 mükemmel negatif korelasyon
r = 0 korelasyon yok
r = 1 mükemmel pozitif korelasyon
Pratikte, korelasyonlar zayıf ve güçlü arasında bir yere düşer. Örneğin:
r = .8 Boy ve kilo
r = .5 SAT puanı ve birinci sınıf GPA
r = .7 Kullanılabilirlik ve müşteri sadakati
Bir müşterinin boyunu biliyorsanız, kilosunu tahmin edebilirsiniz ve bunun tersi de geçerlidir. Ancak bunlar mükemmel korelasyonlar değildir; Bir korelasyon 0’a ne kadar yakınsa bir değişkenin diğerini tahmin etmesi o kadar düşüktür.
Bir korelasyon hesaplama
Korelasyon katsayısını el ile hesaplayabilirsiniz veya Excel gibi yazılımlar sizin için hesaplayabilir [örneğin, Pearson Correlation formülü: = PEARSON () veya = CORREL ()].
Bir korelasyonun gücünü yorumlama
Bir korelasyon hesapladığınızda, ilişkinin gücünü yorumlamak istersiniz. Üstteki dokunma ve zaman arasındaki ilişki r = .56’dır. Bu güçlü bir korelasyon mu? Değişir.
Bir korelasyonun gücü içeriğe bağlıdır. Bir korelasyon katsayısı bir bağlamda güçlü, diğerinde zayıf olarak kabul edilebilir. istatistiksel güven gibi, “güçlü” bir ilişki olarak kabul edilen şey, ne kadar hataya tahammül edebileceğinize ve yanlış olmanın sonuçlarına bağlıdır.
Dokunmalardan zamanı tahmin ederek kötü bir karar vermek muhtemelen can kaybına veya çok para kaybına yol açmayacak, bu yüzden faydalı olacak kadar güçlü.
İlişkiler içeriğe bağlı olsa da, müşteri analitiği verileriyle görebilecekleriniz hakkında rehberlik sağlamanıza yardımcı olabilir. Seminal Power analizi kitabının yazarı olan Jacob Cohen, davranış bilimlerindeki korelasyonları, müşteri davranışını ölçmeye benzer bir şeyi inceledi ve korelasyonların akranlarda ne kadar yaygın olarak rapor edildiğine dayanarak aşağıdaki kuralları sağladı. literatür taraması:
r = .10 küçük
r = .30 orta
r = .50 büyük
Bu ölçeğe dayanarak, r = .56’ın dokunma ve zaman arasındaki ilişkimiz büyük olacaktır.
R tayin katsayısı 2
r ‘nin kendisiyle çarpılması (onu kareleştirme), belirleme katsayısı olarak bilinen bir metrik üretir. Genellikle yüzde olarak ifade edilen R 2 olarak temsil edilir ve bir ilişkinin gücünü yorumlamanın daha iyi bir yolunu sağlar. Örneğin, kare olduğunda r = .5 korelasyonu .25 veya% 25 olur. Dokunma ve zaman arasındaki korelasyon için, R 2 % 31’dir: dokunma, zamandaki değişimin% 31’ini açıklar ve zaman, dokunuşlardaki değişimin% 31’ini açıklar. Gördüğünüz gibi, r = .5’e kadar olan güçlü bir korelasyon bile değişkenler arasındaki varyasyonun sadece azınlığını açıklar.
Örneğin, yükseklik, ağırlıktaki değişimin yaklaşık% 64’ünü açıklar. Bu, insanların yüksekliklerini bilmek, hepsini olmasa da çoğunluğunun belli bir ağırlığını tahmin etmek anlamına gelir. Diğer faktörler (belki de egzersiz, diyet ve genetik) varyasyonun% 36’sını açıklamaktadır. Kullanılabilirlik testi bağlamında, hataların görev süresiyle yaklaşık .5 korelasyonu vardır; bu nedenle, kullanıcıların görevleri denemede karşılaştıkları hataların sayısı, görev zamanlarındaki değişimin% 25’ini açıklar.
Herhangi bir müşteri ölçümünü ilişkilendirirken bu yaklaşımı kullanın. Korelasyonu bulun, kareleyin ve ardından R 2 değerini yorumlayın. Risk yüksek olduğunda, varyasyonun çoğunu açıklayan yüksek korelasyonlar istersiniz. Müşteri analitiği ile, genellikle diğerini öngören bir değişkenin örneklerini buluruz.
Korelasyon nedensellik değildir
Saatin ilerlemesi fazladan dokunmalara neden olmaz. Yüksek SAT puanları daha iyi notlara neden olmaz. Yüksek Net Promoter Skorları daha yüksek gelir elde etmez. Çağrışım var mı? Evet. Nedensellik? Hayır. Nedensellik kurmak, geçici bir ilişki ilişki kurmak (a, b’den önce gelir) ve genellikle randomize, kontrollü bir deney ile diğer açıklamaları reddetme anlamına gelir.
Uyi eğitimli araştırmacılar ve bilim insanları bile, korelasyon nedensellik fikri tuzağına yakalanabilirler. Nedensel bir ilişki olduğunu düşünürken daima alternatif açıklamalar aramalısınız.
- Yeni bir tasarım, web sitesi dönüşüm oranlarının artmasına neden olmuş olabilir ya da belki de bu ana rakip, tasarımın yayınlandığı tarihte bir ürünü satmayı bıraktığı içindi.
- Müşteri kuponları aynı mağaza satışlarındaki artışın artmasına neden olmuş olabilir veya belki de aynı mağaza satışları gelişmekte olan bir ekonomi veya endüstri nedeniyle artmaktadır
Sonuç
Müşteri verileri arasında bir ilişki kurmak, gelecekteki müşteri (veya kullanıcı) davranışını tahmin etmenin temel araçlarından biridir. Müşteri verileri arasındaki ilişkileri daha iyi anlamak için
- bir dağılım grafiğindeki ilişkiyi görselleştirin
- , korelasyon katsayısı r ile ilişkiyi ölçün
- korelasyonu kareler yaparak yorumlayın
Ve unutmayın, tek başına korelasyon nedensellik oluşturmak için yeterli değildir: her zaman alternatif açıklamalar arayın ve özellikle yanlış olmanın sonuçları yüksek olduğunda ilişkiyi çoğaltmaya bakın.
Measuring u sitesinden alınmıştır.