fbpx

[閱讀筆記]-用機器學習提升銷售量

Contents

文章摘要

這篇文章在介紹一家平台公司 Xeneta ,專門在幫需要貨櫃運輸的客戶提供價錢比較便宜的海運情報,如果一家公司一年有超過 500 個以上的貨櫃需要運送,Xeneta 所提供的服務可以幫你省下不少運送成本,但是問題來了,業務發展代表要如何去找潛在的客戶?  或是說業務要先去聯絡那些公司,讓他們知道有這樣的服務? 也許我們的直覺不外乎

  1. 提升 SEO 關鍵字搜尋,讓客戶自己找上門
  2. 線上廣告
  3. 媒體廣告

但是這篇文章給了一個有趣的想法,設定潛在客戶的條件,然後去收集符合這些條件的客戶,他們的目標客戶的營業項目有非常大的差異,但是唯一的特徵就是需要海運,於是作者列出了一些潛在的客戶分類

  1. Automotive 汽車
  2. Freight forwarding 貨運代理
  3. Chemicals 化學品
  4. Consumer & Retail 消費者和零售業
  5. Low paying commodities 低價商品

假設

給定一個公司描述,我們可以訓練一個演算法來預測它是否是潛在的Xeneta客戶?

然後靠這個演算法,將潛在客戶做成 excel 表格就可以讓業務方便去聯絡,以下是文章中分享的步驟

收集客戶資料

接下來要如何去收集每一家公司的描述? 我想你應該也想到了,寫一隻爬蟲,將全世界的網頁中有 About us 的網頁內容存到資料庫然後再來分析,但是 Xeneta 覺得這太耗時了,而且有許多不可預測因素,他們在找事不是有專門的公司有提供 API 可以來做這件事,後來他們找到一家公司-FullContact ,但是 FullContact 的 API 只接受 URL 然後得到公司的 About us ,於是他們只好利用 Google API ,去 Google 公司的名稱然後取得公司的 URL ,這樣就可以用這個 URL 傳給 FullContact 的 API 取得公司的 About us 網頁內容。( 這邊讓我想到一個問題,Xeneta 應該還是有先用某種方法先收集一堆公司的名稱,這個方法是否有設一些條件,文中就沒有說了 )

建立訓練資料集

這個訓練資料集應該就是要給機器學習用的,作者指出至少包含 1000 家合格公司與 1000 家不合格公司的資料,文中指出 1000 家合格公司是從 SalesForce 導出來的,不合格公司比較困難一些是由業務手動去做出來的,因為他們之前沒有去追蹤那些公司是不合格的

資料清理

這個步驟主要將一些大量不相關的訊息清理掉,文章中有列出 Xeneta 有使用哪些方法,例如 RegExp,Stemmer ,Stop words ,使用 Natural Language Toolkit將內文概念理解無關的話例如 as is, to, for , at, I , it 等去除

轉換資料

將公司描述轉換成機器可以理解的格式-數字,文章是使用 Bag of Words 演算法將字句轉換成向量,使用 Scikit learn 就可以做到( Scikit-learn 是蠻實用的機器學習程式庫),最後使用 tf-idf 轉換強調 Abut us 的描述中最頻繁出現的字彙,將這個模型套用到你準備好的訓練資料集並進行轉換

演算法

經過以上的資料清理,準備後,就可以開始進行機器學習,也是使用 scikit learn 中的演算法 – Random Forest ( RF ) 和 K Nearest Neighbors ( KNN ) ,最後可以在測試的資料集中達到 86.4% 的準確度

這篇文章的作者有將他的程式碼分享到 github , 有興趣可以去下載來看

感想

目前我還算是個資料分析與機器學習的門外漢,但是這篇文章給我了一個基本視野,觀摩一下機器學習與資料處理在真實的商業需求是如何被應用的,還有這中間要做哪些流程?多看一些真實案例,在學習時會比較能理解那些抽象名詞背後的用意與應用。這篇文章沒有提到 overfit 的狀況,最近在看一本書精準預測,裡面就有提到 overfit,機器學習應該會常遇到 overfit , overfit 可視為一種「噪音」,機器學習要如何過濾掉這些噪音,而不是誤將「噪音」當作訊號? 這應該是很多機器學習專家都要去面對的問題。

最近看了人類大命運這本書,讓我對未來又有不一樣的認知,作者從人類發展的演化,從智人,人類群體合作,宗教,哲學,自由主義,科技人文主義,一直討論到最近最熱門的話題-大數據與人工智慧是否會取代人類,與未來的宗教,我的感想跟前些日子看到一句文案說法一樣,「如果不想被機器學習給取代,就好好學習機器學習吧!」,初步先從如何應用開始吧

原文網址 :

 Boosting Sales With Machine Learning

不受 FB 演算法影響,歡迎透過 e-mail 訂閱網站更新

支持 Soft & Share

❤️您應該有留意到,我們的網頁並不會出現干擾人的跳出煩人的廣告或是在內容中嵌入廣告,因為我們發現這樣對閱讀網頁的內容體驗真的是不好!

如果您覺得我們提供的內容服務還不錯,歡迎透過對以下產品/服務的購買投資來支持本站的營運走得更遠

如果暫時還不需要以下的付費服務,幫我們把這個網站分享給有需要的朋友,您的小小舉動會對 Soft & Share 有莫大的幫助!感謝您的支持!

🎈如果您點選優惠連結後,還是沒有看到優惠價格,請將瀏覽器的 cookie 清除 ( 清除 udemy 網站的就可以了 ),然後重新點選優惠連結並登入 Udemy 就可以了

也許你會有興趣

不受 FB 演算法影響,歡迎透過 e-mail 訂閱網站更新

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: