路径分析的力量

好的，我回来了！我发表了一年多来的第一篇博客文章，因为在过去的18个月里，我一直受到与我们出色的APJ地区首席数据科学家Tatiana Bokareva博士密切合作的启发，帮助我们的客户了解如何使用数据来实现更好的业务成果。在我们之间，我们涵盖了分析师和数据科学家的角色，并讨论了描述性、预测性和规范性分析系列的示例（在之前的博客文章中介绍过）。在这篇文章中，我们将探讨路径分析的强大功能。

对于分析师和数据科学家来说，识别数据中的路径和模式是识别数据中的路径和模式是深入了解导致任何感兴趣事件发生的一些列事件，或感兴趣事件发生后产生的一系列事件的宝贵方法。描述性分析使我们能够查看历史事件，例如，确定导致零件故障（或客户流失或客户呼叫）的常见事件模式，当今组织正试图做到这一点，经常在定制解决方案和专业咨询上花费大量资金。今天捕获的数据量让数据本身可用于释放路径分析的潜力，直到最精细的可用级别。您可以将一组复杂的事件转化为有价值的业务见解。

路径分析可以有效地洞察对积极事件（例如：抵押贷款申请）和消极事件（例如：账户关闭）所采取的步骤。分析积极路径的目标是确定如何鼓励客户坚持走这条路，而不是中途放弃。消极的路径恰恰相反，您希望识别路径上的客户，以便您可以阻止他们并防止负面结果的发生。

借助Vantage路径分析，业务用户只需在下拉菜单中指定几个参数并单击“Show Me”，即可深入了解其最重要的路径。无需编码。无需专业技能。只需几秒钟即可获得深入的见解。我们可以帮助您直观地识别转化前最常见的渠道中的少数事件，以及流程中存在裂缝的位置。

以下可视化是抵押贷款申请路径的示例，最常见的路径以青色突出显示。

可视化路径并识别“黄金”路径本身可以是可操作的，并且通常会发现感兴趣的区域以进行其它分析。例如，Banco Bradesco使用nPath（路径分析的基础Vantage函数）作为抵押倾向模型的输入。该团队不是运行简单的倾向模型，而是首先将nPath分析与人口统计变量等功能一起应用。nPath分析输出将作为附加变量添加到抵押倾向模型中，如线性回归模型、随机森林或XGBoost模型。

“这个案例的美妙之处在于，我们正在谈论两件不同的事情，但结合起来它们会产生更好的结果。其中一是我们现在能够在Teradata中使用更复杂的工具进行分析。二是使用Python和R与不同的技术，在我们的新Python模型中包含一个来自nPath的新变量。这两件事的结合是我们真正看到我们可以产生的积极影响的地方，”Banco Bradesco的CRM主管Gian Cantarella说。

所有行业都可以从路径分析的强大功能中受益。让我们来看看一些应用基于路径的行为细分来改善营销的方法，在此采用与移动相关的用例。

• 零售：谁打开我的应用并直接转到折扣优惠？我是否应该根据某人是有折扣才购买的应用用户、或是只想浏览的用户来更改应用显示各种优惠和折扣的顺序？

• 金融服务：谁在使用移动应用程序后不久就走进我的银行分行？有没有办法在移动渠道中更好地为这种基于行为的细分提供服务，以减少昂贵的分行访问量？我是否可以向分行内的此细分市场推广优惠，以使他们的访问对我更有利可图，并为他们带来更好的长期价值？

• 电信：最常见的流失途径是什么？我是否应该为本月有三次或更多次掉线的细分受众群提供与上个月取消服务的家庭成员的细分受众群相同的折扣？或者，这些不同路径上基于行为的不同细分是否需要独特的方法来保留其帐户？

根据我们在数据科学团队方面的经验，我们知道路径可以预测未来的行动或不行动，特别是当与其他一些高级分析技术结合使用时。但是，对于希望防止客户流失的商务人士来说，只需知道哪些客户处于这些常见的流失路径上，就具有巨大的价值。