Análisis de datos - DA SQL

Как можно проанализировать датасет и какие выводы сделать На примере датасета с банковскими транзакциями можно попытаться провести анализ для выявления тенденций, которые могут быть использованы банком для улучшения пользовательского опыта. Напомню, что мы имеем такие поля, как: ▶️Id транзакции ▶️Id клиента ▶️Дата рождения клиента ▶️Пол клиента ▶️Локация ▶️Дата транзакции ▶️Время транзакции ▶️Баланс счета клиента ▶️Сумма транзакции И еще в прошлый раз провели классификацию клиентов по признаку возраста, пола и локации, рассчитав по каждой группе агрегатные метрики. 🟠Что даст проведенная классификация? Мы сможем выявить, какие сегменты клиентов самые многочисленные, активные, богатые и т.п., всё это ранжировать, и возможно даже придумать правила по типу "высокая активность + высокий баланс = премиальные клиенты" и т.д.. Но это будет верно лишь в среднем для сегмента, даже если их будет порядка 100-150 (а нам все-таки в конечном итоге нужно будет взаимодействовать с каждым клиентом отдельно). В таком подходе есть риск: ▶️Потерять хорошего клиента в плохом сегменте ▶️Захватить плохого клиента из хорошего сегмента ▶️Или даже получить искаженные показатели для сегмента из-за нескольких аномальных клиентов внутри Если мы хотим сохранить демографические характеристики и внутри каждого демографического сегмента выделять уже другие сегменты, основываясь не на возрасте/поле/регионе, а на фин. показателях, то нужно будет проводить классификацию 2 уровня (строить иерархию), но уже чисто по финансовым критериям (кол-во транзакций, баланс, сумма транзакций и т.д.) Разновидностей тут много: можно при классификации учитывать и средний баланс, и максимальный, и оборот за период, и кол-во транзакций, можно сравнивать клиентов внутри демографической группы или даже придумать собственную скоринговую модель - всё зависит от бизнесовых потребностей. Главное, что нужно понимать: такая двухуровневая классификация даст понимание того, КАК общаться с клиентом (на основе демографии) и ЧТО предлагать клиенту (на основе финансовых активностей) 🟠Что еще можно выявить помимо сегментации? Например, начать определять динамику. Можно выявлять это всё как и в рамках датасета, так и в рамках отдельных сегментов. Можно наблюдать очень много за чем: ▶️Кол-во новых клиентов за периоды ▶️Изменение численности сегмента (может указывать как и на отток/приток клиентов в целом, так и на их миграцию из одного сегмента в другой) ▶️Изменение кол-ва транзакций, средней суммы транзакций, среднего размера баланса (как правило, снижение этих показателей может предсказать отток клиентов, увеличение - возможность для создания премиум продуктов) ▶️Изменение временных паттернов поведения - т.е. наблюдаем за временем, когда наибольшая / наименьшая активность (может показывать разные технические сбои, изменение потреб. привычек и т.п.) 🟠Можно также выявить временные паттерны, посчитав: ▶️Кол-во транзакций по часам (распределение активности в течение дня) ▶️Кол-во транзакций по дням недели ▶️Сезонность по месяцам/кварталам ▶️Среднее время между транзакциями для каждого клиента ▶️Пиковые часы/дни нагрузки на систему Считать всё это можно и в целом в рамках всего датасета, и в рамках отдельных клиентских сегментов, зависит опять же от целей. Но в целом это даст нам понимание, когда лучшее время для коммуникации с клиентами и когда, например, лучше всего проводить техобслуживание и прочие технические аспекты. 🟠Еще, как идея, можно попробовать провести корреляционный анализ и найти какие-нибудь взаимосвязи, например, зависимость размера/частоты транзакции от баланса, и на основании этого делать определенные выводы. Условно, если есть связь, что чем больше баланс, тем активнее клиент тратит (особенно если сравнивать не разных клиентов, а временную динамику у 1 клиента), то можно побуждать его активнее пользоваться накопительными счетами; если связь обратная (частые транзакции увеличивают в итоге баланс), то можно предлагать выгодный кэшбек. 🟠Ну и, конечно, куда же без поиска аномалий. На эту тему у меня были посты тут и тут (тоже про транзакции)