Продуктовые аналитики данных обычно строят модели на основе поведенческих данных, таких как входы в систему, история платежей и использование функций. Однако сигналы, скрытые в обращениях в поддержку, отзывах и ответах на опросы, часто содержат контекст, который эти таблицы никогда не фиксируют. В этой статье объясняется, как обработка естественного языка (NLP) может восполнить этот пробел и усилить традиционные продуктовые модели.
Продуктовые аналитики данных сосредоточены на анализе поведения пользователей, оптимизации функций и росте бизнеса с помощью моделирования, экспериментов и проектирования метрик. Распространенные задачи включают моделирование оттока клиентов и пожизненной ценности клиента (CLV). Эти задачи не модны, но остаются центральными для бизнеса и требуют участия заинтересованных сторон из отделов продаж, маркетинга и других команд.
В статье описаны три семейства методов NLP, которые часто встречаются в продуктовых сценариях: классификация, анализ тем и кластеров, а также поиск и сходство на основе эмбеддингов. Распознавание именованных сущностей и обнаружение аномалий на основе эмбеддингов косвенно относятся к этим семействам.
Рассмотренные сценарии использования включают прогнозирование оттока клиентов, CLV, сегментацию клиентов, системы рекомендаций, ценообразование и эластичность, прогнозирование спроса, обнаружение аномалий и скоринг лидов. Автор утверждает, что текст часто дает более ранний сигнал, чем поведение, помогает восполнить пробелы там, где поведенческих данных мало, и объясняет «почему» за «что». Для начала работы читателям предоставлены шаблонный код и ссылки на ресурсы.
Источник: Towards Data Science · Сводку подготовил HeadlinesBriefing