Les data scientists produit construisent généralement des modèles à partir de données comportementales telles que les connexions, l'historique de facturation et l'usage des fonctionnalités. Pourtant, les signaux cachés dans les tickets de support, les avis et les réponses aux enquêtes apportent souvent un contexte que ces tableaux ne capturent jamais. Cet article explique comment le traitement automatique du langage (TAL) peut combler ce manque et renforcer les modèles produit traditionnels.
Les data scientists produit se concentrent sur l'analyse du comportement des utilisateurs, l'optimisation des fonctionnalités et la croissance de l'entreprise grâce à la modélisation, à l'expérimentation et à la conception de métriques. Les problèmes courants incluent la modélisation du churn client et de la valeur vie client (CLV). Ces problèmes ne sont pas à la mode, mais ils restent au cœur des entreprises et nécessitent l'implication des parties prenantes des ventes, du marketing et d'autres équipes.
L'article décrit trois familles de techniques de TAL qui reviennent dans les cas d'usage produit : la classification, l'analyse de thèmes et de clusters, et la recherche ou la similarité fondée sur les embeddings. La reconnaissance d'entités nommées et la détection d'anomalies par embeddings s'y rattachent indirectement.
Les cas d'usage abordés comprennent la prédiction du churn, la CLV, la segmentation client, les systèmes de recommandation, la tarification et l'élasticité, la prévision de la demande, la détection d'anomalies et le scoring de leads. L'auteur soutient que le texte fournit souvent un signal plus précoce que le comportement, aide à combler les lacunes lorsque les données comportementales sont minces et explique le « pourquoi » derrière le « quoi ». Du code de base et des liens vers des ressources sont fournis pour aider les lecteurs à démarrer.
Source: Towards Data Science · Résumé par HeadlinesBriefing