Cientistas de dados de produto normalmente constroem modelos com base em dados comportamentais, como logins, histórico de cobrança e uso de funcionalidades. No entanto, sinais escondidos em tickets de suporte, avaliações e respostas de pesquisas frequentemente trazem um contexto que essas tabelas nunca capturam. Este artigo explica como o processamento de linguagem natural (PLN) pode preencher essa lacuna e fortalecer os modelos tradicionais de produto.
Cientistas de dados de produto concentram-se em analisar o comportamento dos usuários, otimizar funcionalidades e fazer o negócio crescer por meio de modelagem, experimentação e design de métricas. Problemas comuns incluem a modelagem de churn de clientes e do valor do tempo de vida do cliente (CLV). Esses problemas não são modismos, mas continuam centrais para os negócios e exigem o envolvimento de partes interessadas de vendas, marketing e outras equipes.
O artigo descreve três famílias de técnicas de PLN que se repetem em casos de uso de produto: classificação, análise de tópicos e agrupamentos, e recuperação ou similaridade baseada em embeddings. Reconhecimento de entidades nomeadas e detecção de anomalias baseada em embeddings se encaixam nessas famílias de forma indireta.
Os casos de uso abordados incluem previsão de churn de clientes, CLV, segmentação de clientes, sistemas de recomendação, precificação e elasticidade, previsão de demanda, detecção de anomalias e pontuação de leads. O autor argumenta que o texto frequentemente oferece um sinal mais antecipado do que o comportamento, ajuda a preencher lacunas onde os dados comportamentais são escassos e explica o "porquê" por trás do "o quê". Código de base e links para recursos são fornecidos para ajudar os leitores a começar.
Fonte: Towards Data Science · Resumido por HeadlinesBriefing