通过将无监督学习应用于位置数据来发现数据驱动的细分

阿里 · 罗西数据峰会波士顿 2024 年 5 月 9 日 阿里 · 罗西 / Foursquare 高级数据科学家 ●与Foursquare的千万级设备人流量面板合作，以获取 actionable 的业务洞察解答客户问题 ● 消费者行为数据的背景 ● 在数据科学之前 ， 曾在 Foursquare 、亚马逊和尼尔森从事产品管理 ● 在佐治亚理工学院攻读计算机科学 / 机器学习硕士学位 Objectives 了解见解围绕 real -01世界访问可以从位置数据得出。 检查真实世界的例子无监督学习如何产生更多03指导业务决策的可行见解。请参阅一个实例 ， 其中培育02创新文化推动合作 ，为我们的受众产品带来有影响力的基于见解的解决方案。 位置数据& 它是如何收集 Places Movement多传感器停止检测技术评价9B 访问每月从500M 独特的设备全球 AI / ML 模型维护数据120M + 场馆,使用多个来源和第一方人工验证作为地面实况 核心技术 我们深入了解物理世界以及消费者如何在其中互动和移动 翻译原始信号into有意义的数据关于地点和运动他们之间 洞察力位置使用data 位置数据通知 a品种见解 使用位置数据的受众 基于位置的受众 ● 使用位置数据创建目标受众细分基于真实的消费者行为 ● 通过分析运动模式和访问趋势 ，营销人员可以达到他们的理想客户跨各种渠道 Audiences in行动 赢回失效的客户 联系购物者 免费服务联系最近的竞争对手购物者 构建自定义受众 可定制的选项是梦幻般的... 但是如果客户不确定什么是真正重要的呢？ 交叉授粉见解 + 受众 数据驱动的假日购物细分市场 概念 ： 用于行为分割的无监督学习 ● Identifying没有明确指导的数据模式或目标变量的标签 ● 基于共同特征或行为模式创建段 ● 营销人员可以洞察不同客户群的行为 ， 并更好的目标营销努力 方法论:从原始数据可采取行动段 Overview 特征工程 Bucketing ● 使所有功能都能平等地做出贡献● 减少异常值和噪音的影响● 更紧密地匹配受众团队创建细分的方式 降维 ● 避免 “维度诅咒 ”● 使用主成分分析(PCA) 来减少解释最大方差的特征 ● 然而 ， 可解释性受到影响 PCA + K 均值聚类结果 (k = 6) 在我们的原始功能 ？ 为可解释性创建群集名称 Results Results ● 6 个不同的假日购物者观众● 与受众团队合作 ， 使用 beta 客户端测试数据驱动的细分市场● 分析行为和亲和力 ， 使每个观众变得生动 数据驱动的受众 ：/ 专家购物者 ● 假期期间最高的零售访问频率 ● 拥有最高的停留时间在零售店 ， 但是现在被农村折扣购物者击败 ●黑色星期五占假日购物总数的 6% ● 多数女性(61%) 和 18 - 34 岁(57%) ● 访问 Nordstrom ， H ＆ M ， Westfield 购物中心 ， Apple Store ， Target 的可能性增加 50 ％ 以上 ●2023 年 ， 拜访更多低价零售商 ：Ross,伯灵顿和 T. J. Maxx 和奥特莱斯购物中心 ● 更可能访问Panera、Panda Express和Starbucks，同时也包括茶饮店以及越南、印度和韩国餐馆。 数据驱动的受众 ：/ 周末司机 ● 年龄较大(74% 45 +) ， 男性占多数(57%) ● 更富有(27% 100K +) ， 尽管我自 2021 年以来， 收入一直在下降 ● 从家到零售店的距离更长 ● 周末假日购物的份额最大(52%) ● 假期旅行 ： 更有可能去机场(+ 65%) ， 以及自2021 年以来 ， 更有可能进行公路旅行 ：Love 'sTravel Stops (+ 163%), BP (+ 42%), 租车地点 (44%) ● 更有可能去牛排馆 ， 海鲜和意大利餐厅和高尔夫球场 ， 尽管所有这些自 2021 年以来有所下降赞成体育酒吧 ，葡萄酒商店 ， 露营地和湖泊 数据驱动的受众 ：/ Suburban Spender ● 最富裕的购物者(收入超过 10 万美元的可能性高出 51%) ， 但自 2021 年以来 ， 收入一直在下降 ● 10% 更有可能居住在郊区 ， 尽管自 2021 年以来 ， 一些人现在在农村地区 ● 比大多数人旅行到零售店 ● 在专家购物者的背后 ， 大多数零售类别的渗透率最高， 尽管服装和百货商店自 2021 年以来减少 ● 访问 Home Goods 和 Lowes 的可能性增加 40 - 60%， 但自 2021 年以来现在喜欢 JCPenney ， Hobby Lobby 和 Macy 's ● 34% 的人更有可能在假期访问迪士尼 ， 但不像 2021 年那么高的亲和力 数据驱动的受众 ：/ Urban Light Shopper ● 居住在城市地区的可能性增加 2.2 倍 ， 大多数年龄在 18 - 34 岁之间 ● 更有可能频繁的地铁站 ， 洗衣服务 ， CVS和学院 / 大学 ●自 2021 年以来 ， 更有可能访问办公室和共同工作空间 ● 当天晚些时候的假日购物(下午 2 点后占 58 ％) ●自 2021 年以来 ， 访问更多的杂货店 l比如全食超市、 Safeway 和交易员 Joe 's和更少的便利店 ● Also参观更多的 Big Box 商店 ， 例如 Target 和更少的百货商店 ● Have自 2021 年以来 ， 对 Chipotle ， Dunkin '，星巴克的亲和力增加 数据驱动的受众 ：/ 农村价值购物者 ● 62% 的人更有可能生活在农村地区 ， 可支配收入往往较少(39% 的人更有可能赚到 < 25K 美元) ● 2 倍更可能频繁的折扣店和大盒子店 ，甚至比 2021 年还要多 ● 折扣店访问频率上升 19% ， 而服装和百货商店频率下降15% ， 18% 分别 ● 在零售店花费最多的时间(21 分钟) ● 更有可能参观赛马场、工艺品商店和便利店 ● 户外 ： 更有可能参观露营地 ， 湖泊 ， 州立公园 ●参观自助餐 ， 古董店 ， 旧货店 ， 跳蚤市场 数据驱动的受众 ：/ Weekday 浏览器 ● 工作日假日零售总流量的 84% ● 当天早些时候购物(下午 2 点前 50% 以上) ● 在折扣店购物更多 ， 有 l自 2021 年以来 ， 服装和百货商店的渗透率 ● 在最拥挤的时候避开商店(黑色星期五和圣诞节前星期六的假日购物比例 < 5 ％) ● 更有可能访问 Arby 's ， Dairy Queen 和 Sonic Drive -In ， 尽管他们的快餐店的访问量有所减少 ， 并且正在访问更多的便利店就像 Love 's ， Pilot 和 Kwik Trip ● 访问自 2021 年以来 ， 更多的酒吧和啤酒厂 ， 更少的高尔夫球场 ● 无监督学习可以成为获得数据驱动的见解并实现行动的强大工具 学习与结论 ● 鼓励组织中的创造力 ， 所有权和协作可以导致强大的异花授粉 ● 考虑最终用户 / 用例 ， 通常在专家的帮助下 ， 是将想法从概念到产品的关键 阿里 · 罗西 / Foursquare 高级数据科学家/ MS 计算机科学学生 ， 佐治亚理工学院