수업 1할인 응답을 위한 파생 피처: 과거 쿠폰 사용률, 과거 프로모션 업리프트, 가격 민감도 프록시, 주문당 마진할인 응답을 예측하는 엔지니어링된 피처에 중점을 둡니다. 쿠폰 사용, 프로모션 업리프트, 가격 민감도를 정량화하는 방법과 마진 제약을 존중하는 방법을 설명하며, 더 스마트한 제안 타겟팅과 제어된 실험을 가능하게 합니다.
Coupon redemption history featuresPromotion lift and incremental revenuePrice sensitivity and elasticity proxiesMargin per order and unit economicsOffer fatigue and discount dependency수업 2고객 서비스 및 피드백: 지원 티켓, 반품, 리뷰, NPS, 감정 신호고객 서비스 및 피드백 데이터를 만족도와 위험 신호로 탐구합니다. 티켓, 반품, 리뷰, NPS를 구조화하고, 감정 및 해결 피처를 도출하여 이탈, 충성도, 품질 모델에 공급하는 방법을 보여줍니다.
Support ticket schemas and taggingReturn and refund behavior featuresReview scores and text sentimentNPS, CSAT, and survey response dataResolution time and service quality수업 3거래 데이터: 주문 내역, 최근성, 빈도, 금전 (RFM) 및 라이프사이클 피처거래 데이터 구조와 RFM 스타일 피처를 다룹니다. 주문을 최근성, 빈도, 금전 지표로 집계하고, 라이프사이클 단계를 도출하며, 예측 및 고객 가치 모델을 위한 수익 피처를 준비하는 방법을 설명합니다.
Order line items and invoice structureComputing RFM metrics from ordersCustomer lifetime value input featuresLifecycle stage from purchase historyHandling refunds, chargebacks, and taxes수업 4마케팅 및 캠페인 데이터: 제공된 할인, 채널 노출, A/B 테스트 할당, 쿠폰 사용ML을 위한 마케팅 및 캠페인 데이터(할인, 노출, 실험 포함)를 설명합니다. 처치, 대조군, 쿠폰 사용을 인코딩하여 업리프트 모델링 및 예산 최적화를 지원하는 방법을 보여줍니다.
Campaign hierarchy and metadataChannel exposures and impressionsDiscount and incentive assignment dataA/B and multivariate test encodingCoupon usage and leakage tracking수업 5핵심 고객 수준 데이터: 인구통계, 가입 날짜, 획득 채널, 세그먼테이션 속성ML에 필요한 핵심 고객 수준 데이터를 정의합니다. 인구통계, 라이프사이클 속성, 획득 세부 정보를 포함합니다. 표준화, 풍부화, 세그먼테이션을 통해 타겟팅, 개인화, 성과 분석을 지원하는 방법을 설명합니다.
Key customer identifiers and IDsStandardizing demographic attributesTracking signup date and lifecycle stageAcquisition source and campaign taggingBuilding and maintaining segments수업 6행동 데이터: 사이트 세션, 제품 뷰, 카트 이벤트, 이메일 열기/클릭, 모바일 앱 활동웹 및 모바일에서 행동 이벤트 데이터(세션, 뷰, 카트, 참여 포함)를 다룹니다. 이벤트 스키마, 사용자 ID 스티칭, 의도, 관심, 퍼널 진행을 포착하는 피처로 변환하는 데 중점을 둡니다.
Event tracking plans and taxonomiesSessionization and visit definitionsProduct view and browse behavior featuresCart and checkout funnel event featuresEmail and push engagement signals수업 7데이터 품질 검사 및 전처리: 누락, 중복 제거, 이벤트 시간 정렬, 귀속 기간, 개인정보/컴플라이언스 고려ML을 위한 필수 데이터 품질 검사 및 전처리를 설명합니다. 누락 데이터 처리, 중복 제거, 이벤트 시간 정렬, 귀속 기간, 개인정보 보호를 다루어 신뢰할 수 있고 컴플라이언트한 훈련 데이터셋 및 피처를 보장합니다.
Detecting and handling missing dataRecord linkage and deduplication rulesEvent-time alignment across sourcesAttribution windows and lookback logicPrivacy, consent, and compliance filters수업 8이탈 예측에 흔히 사용되는 파생 피처: 최근성, 빈도, 마지막 구매 후 시간, 평균 주문 가치, 반품률이탈 예측에 널리 사용되는 파생 피처(최근성, 빈도, 마지막 구매 후 시간, 평균 주문 가치, 반품률 등)를 상세히 설명합니다. 이탈 정의, RFM 지표 계산, 반품 및 참여 통합으로 견고한 유지 위험 신호를 구축합니다.
Defining churn and observation windowsRecency and time since last activityFrequency and engagement intensityAverage order value and revenue mixReturn rate and dissatisfaction signals
