Product data scientist biasanya membangun model berdasarkan data perilaku seperti login, riwayat tagihan, dan penggunaan fitur. Namun, sinyal yang tersembunyi dalam tiket dukungan, ulasan, dan jawaban survei sering kali membawa konteks yang tidak pernah ditangkap oleh tabel-tabel tersebut. Artikel ini menjelaskan bagaimana natural language processing (NLP) dapat mengisi celah tersebut dan memperkuat model produk tradisional.
Product data scientist berfokus pada analisis perilaku pengguna, pengoptimalan fitur, dan pertumbuhan bisnis melalui pemodelan, eksperimen, dan desain metrik. Masalah umum meliputi pemodelan churn pelanggan dan customer lifetime value (CLV). Masalah ini mungkin tidak sedang tren, tetapi tetap menjadi inti bagi bisnis dan memerlukan keterlibatan pemangku kepentingan dari penjualan, pemasaran, dan tim lainnya.
Artikel ini menguraikan tiga keluarga teknik NLP yang berulang dalam berbagai kasus penggunaan produk: klasifikasi, analisis topik dan klaster, serta pencarian atau kemiripan berbasis embedding. Named entity recognition dan deteksi anomali berbasis embedding termasuk dalam keluarga-keluarga ini secara tidak langsung.
Kasus penggunaan yang dibahas meliputi prediksi churn pelanggan, CLV, segmentasi pelanggan, sistem rekomendasi, penetapan harga dan elastisitas, peramalan permintaan, deteksi anomali, dan penilaian prospek. Penulis berpendapat bahwa teks sering kali memberikan sinyal yang lebih awal daripada perilaku, membantu mengisi celah ketika data perilaku terbatas, serta menjelaskan "mengapa" di balik "apa". Kode dasar dan tautan ke sumber daya juga disediakan untuk membantu pembaca memulai.
Sumber: Towards Data Science · Diringkas oleh HeadlinesBriefing