Деревья решений позволяют классифицировать данные и в дальнейшем определять, какие параметры влияют на то или иное событие. В нашем случае так можно узнать, кто чаще пользуется кодами: мужчины или женщины, какого возраста, есть ли у них дети, подписаны ли они на рассылку и подключены ли к программе лояльности. Основываясь на уже имеющейся информации, можно обоснованно предполагать, кому код пригодится, а кто его, скорее всего, проигнорирует.
Как "работающий в полях", могу озвучить, что предиктив пока невозможен.
Математическая модель - это сферический конь в вакууме. Очень много факторов влияют и на продажи, и на эффективность РК. "Плюс-минус" я могу предсказать и без модели - на экспертном уровне. А дальше начинается гадание на кофейное гуще - поставщик не привёз товар, кладовщики заболели, конкуренты начали "слив" стока и проч. Таких факторов достаточно много и они постоянно друг на друга накладываются. Это если кратко.
А статья - без примеров, общие слова, набор моделей - не даёт ничего.
Andrew, здравствуйте.
Спасибо за комментарий.
Наша статья обзорного формата про прогнозирование в digital. Поэтому мы упоминаем в качестве примеров интернет-магазин, активность пользователей на сайте и т.п.
В полях действительно другая специфика.
Комментарий удалён модератором
Павел, здравствуйте.
Спасибо за коментарий и за ссылки на ваш блог.
Мы пишем про использование методов прогнозной аналитики в digital, где отсутствие анализа данных и прогнозирования - трата бюджета.
Возможно, то что вы пишите релевантно для другой сферы.
Так, коронавирус по многим бизнесам ударил, даже вот по перевозкам и каршерингу. Особенно по-последнему. Если в такси, хотя бы доставку добавили, то каршерингу было очень туго все это время, учитывая что большая часть народа сидела дома. Не все конечно это пережили, но многие до сих пор работают и про это, как раз тут сейчас почитать можно. https://transforma1.ru/kak-vyzhivajut-taksi-i-karshering-v-krizis-republic/ Вдруг кому интересно будет, там про выживание как раз подробно расписано.