मार्केटिंग में डेटा साइंस के 5 तरीके

मार्केटिंग में डेटा साइंस का परिचय

क्या आपने कभी किसी ऑनलाइन शॉपिंग प्लेटफ़ॉर्म से सामान खरीदा है और उसके बाद जब भी आप वेब ब्राउज़ करते हैं तो आपको मिलते-जुलते उत्पादों के विज्ञापनों से भर दिया जाता है? यही मार्केटिंग में डेटा साइंस का एक प्रयोग है।

दुनिया के अधिकांश डेटा का सृजन केवल पिछले दो वर्षों में ही हुआ है, और अब कंपनियों के पास पहले से कहीं बड़े पैमाने पर ग्राहक डेटा एकत्र करने और संग्रहीत करने की क्षमता है। जब भी उपयोगकर्ता किसी संगठन की वेबसाइट, सोशल मीडिया पेज, या POS सिस्टम से इंटरैक्ट करते हैं, नए डेटा पॉइंट्स बनते हैं।

फिर इस डेटा का उपयोग उपयोगकर्ता व्यवहार के आसपास अंतर्दृष्टि बनाने और उन्हें चयनित विज्ञापन, निजीकरण की गई उत्पाद सिफारिशें, और विशेष प्रमोशन्स भेजने के लिए किया जाता है।

हममें से अधिकांश लोग रोज़मर्रा की ज़िंदगी में मार्केटिंग डेटा साइंस एप्लिकेशंस के संपर्क में आते हैं और अनजाने में उनके आधार पर निर्णय लेते हैं। 

इस लेख में, हम मार्केटिंग में डेटा साइंस के 5 उपयोग-केस देखेंगे। फिर, हर उपयोग-केस के लिए एक व्यक्तिगत प्रोजेक्ट पर नज़र डालेंगे जिसे आप अपने डेटा साइंस पोर्टफ़ोलियो में जोड़ सकते हैं। अंत में, हम यह भी समझेंगे कि आपको मार्केटिंग डेटा साइंटिस्ट क्यों बनना चाहिए और इस भूमिका में नौकरी कैसे पाएँ।

मार्केटिंग में डेटा साइंस के 5 उपयोग-केस

1. रिकमेंडेशन सिस्टम

Netflix, Spotify, और Amazon जैसी कंपनियाँ रिकमेंडेशन सिस्टम का उपयोग करती हैं ताकि प्लेटफ़ॉर्म पर उपयोगकर्ता की इंटरैक्शन के आधार पर उन्हें व्यक्तिगत कंटेंट सुझाव दिए जा सकें।

उदाहरण के लिए, यदि आप Netflix पर कोई फ़िल्म देखते हैं और उसे सकारात्मक रेटिंग देते हैं, तो अगली बार ऐप खोलने पर आपको उसी जॉनर, कंटेंट और कास्ट वाली फ़िल्में सुझाई जाएँगी। 

यह इस बात का सरल उदाहरण है कि हम रोज़मर्रा में रिकमेंडेशन इंजन के साथ कैसे इंटरैक्ट करते हैं।

जैसे-जैसे उपयोगकर्ता इनके साथ इंटरैक्ट करते रहते हैं, रिकमेंडेशन सिस्टम समय के साथ और अधिक शक्तिशाली होते जाते हैं। 

उदाहरण के लिए, यदि आप Spotify पर नए हैं, तो आपकी शुरुआती म्यूज़िक सिफारिशें सामान्य होंगी। चूँकि एल्गोरिथ्म के पास आपकी पसंद के बारे में पर्याप्त डेटा नहीं होता, ऐप मुख्यधारा के दर्शकों को लुभाने वाले कई तरह के जॉनर सुझाएगा।

जैसे-जैसे आप प्लेटफ़ॉर्म पर अधिक समय बिताते हैं, रिकमेंडेशन इंजन आपकी पसंद-नापसंद के बारे में अधिक सीखता है और आपकी म्यूज़िक सिफारिशें आपके स्वाद के अनुसार क्यूरेट हो जाती हैं। एल्गोरिथ्म यहाँ तक अनुमान लगा सकता है कि अलग-अलग मौसमों या दिन के अलग-अलग समय में आपको किस तरह का संगीत पसंद आ सकता है।

रिकमेंडेशन सिस्टम के प्रकार

रिकमेंडेशन सिस्टम को व्यापक रूप से दो प्रकारों में बाँटा जा सकता है - कंटेंट-आधारित रिकमेंडेशन सिस्टम और कोलैबरेटिव-फ़िल्टरिंग आधारित रिकमेंडेशन सिस्टम।

1. कंटेंट-आधारित रिकमेंडेशन सिस्टम:

छवि: लेखक द्वारा

कंटेंट-आधारित रिकमेंडेशन सिस्टम केवल उत्पाद के कंटेंट के आधार पर सुझाव देते हैं। 

उदाहरण के लिए, यदि आपको Percy Jackson सीरीज़ के उपन्यास पढ़ना पसंद आया, तो आपको Heroes of Olympus सुझाया जा सकता है, जो उसी लेखक की रचना है और समान जॉनर का है।

हालाँकि, ऐसे एल्गोरिथ्म की एक कमी यह है कि आपको उन किताबों की सिफारिश नहीं मिलेगी जो आपकी पहले से पढ़ी किताबों से अलग हैं। यदि आपको Percy Jackson पसंद आया, तो आपको केवल एडवेंचर और फैंटेसी किताबें ही सुझाई जाएँगी, भले ही आपको नॉन-फ़िक्शन या सस्पेंस उपन्यास भी पसंद आ सकता हो।

कंटेंट-आधारित रिकमेंडेशन सिस्टम की इस कमी को आप कोलैबरेटिव-फ़िल्टरिंग आधारित रिकमेंडेशन सिस्टम का उपयोग करके दूर कर सकते हैं, जिसकी हम इस लेख में आगे व्याख्या करेंगे।

कंटेंट-आधारित रिकमेंडेशन सिस्टम प्रोजेक्ट आइडिया

यदि आप रिकमेंडेशन सिस्टम बनाने में नए हैं या अनुभव कम है, तो Kaggle Movie Dataset एक बेहतरीन शुरुआती बिंदु है। इस डेटासेट में 45,000 फ़िल्मों का मेटाडेटा है, जिसमें उनके पोस्टर, रिलीज़ तिथि, जॉनर और राजस्व शामिल हैं।

आप Datacamp के Recommender Systems in Python ट्यूटोरियल के साथ कोड करते हुए, डेटासेट में उपलब्ध फ़िल्म विवरण का उपयोग करके एक कंटेंट-आधारित रिकमेंडेशन सिस्टम बना सकते हैं।

यदि आप फ़िल्म रिकमेंडेशन सिस्टम बनाने पर और मार्गदर्शन चाहते हैं, तो Datacamp पर लाइव कोड-अलॉन्ग ट्रेनिंग सेशन के लिए रजिस्टर करें। यह विशेषज्ञ द्वारा संचालित एक गाइडेड वर्कशॉप है जिसमें आपको 1.5 घंटे में R में रिकमेंडर सिस्टम बनाना सिखाया जाएगा, और रास्ते में किसी चुनौती का सामना होने पर आप प्रशिक्षक से सवाल पूछ सकते हैं।

2. कोलैबरेटिव-फ़िल्टरिंग आधारित रिकमेंडेशन सिस्टम

कोलैबरेटिव-फ़िल्टरिंग आधारित मॉडल पिछली उपयोगकर्ता गतिविधि के आधार पर सुझाव जनरेट करते हैं। इन्हें आगे यूज़र-आधारित और आइटम-आधारित कोलैबरेटिव फ़िल्टरिंग में वर्गीकृत किया जा सकता है।

जैसा कि नाम से स्पष्ट है, यूज़र-आधारित कोलैबरेटिव फ़िल्टरिंग समान व्यवहार वाले ग्राहकों को एक साथ समूहित करती है। 

इसके बाद यह एल्गोरिथ्म नीचे दिए गए चित्र में दर्शाए अनुसार, इन ग्राहक समूहों की साझा प्राथमिकताओं के आधार पर उत्पाद सिफारिशें प्रदान करता है:

छवि: लेखक द्वारा

दूसरी ओर, आइटम-आधारित कोलैबरेटिव फ़िल्टरिंग उपयोगकर्ता प्राथमिकताओं के आधार पर समान आइटमों को एक साथ समूहित करती है, जैसा कि इस चित्र में दिखाया गया है:

छवि: लेखक द्वारा

रिकमेंडेशन सिस्टम के विभिन्न प्रकारों और उनके इम्प्लीमेंटेशन के बारे में अधिक जानने के लिए Datacamp का Build Recommendation Engines in Python कोर्स करें।

कोलैबरेटिव-फ़िल्टरिंग प्रोजेक्ट आइडिया

आप Kaggle पर उपलब्ध Book Recommender System Dataset का उपयोग करके कोलैबरेटिव-फ़िल्टरिंग आधारित रिकमेंडेशन सिस्टम बना सकते हैं। इस डेटासेट में केवल तीन वेरिएबल हैं - यूज़र ID, किताब का ISBN कोड, और हर किताब के लिए यूज़र रेटिंग।

यदि आप कोलैबरेटिव फ़िल्टरिंग कैसे काम करती है से परिचित नहीं हैं, तो यह रिकमेंडेशन सिस्टम ट्यूटोरियल आपके प्रोजेक्ट की शुरुआत में मदद कर सकता है।

2. सेंटिमेंट एनालिसिस

छवि स्रोत: KDNuggets

सेंटिमेंट एनालिसिस, जिसे ओपिनियन माइनिंग भी कहा जाता है, किसी टेक्स्ट के पीछे छिपी भावना का निर्धारण करने की प्रक्रिया है, और यह मार्केटिंग में डेटा साइंस का एक और लोकप्रिय अनुप्रयोग है। 

यहाँ एक उदाहरण है कि सेंटिमेंट एनालिसिस संगठनों के लिए कैसे व्यावसायिक मूल्य जोड़ती है:

दक्षिण अफ्रीका के एक बैंक में सामान्य से अधिक ग्राहक छोड़कर जा रहे थे। कई उपयोगकर्ता प्रतियोगी संस्थानों की ओर जाने लगे और वे अब उनके साथ कारोबार नहीं करना चाहते थे। बैंक ने सेंटिमेंट एनालिसिस की मदद से समस्या की पहचान करने की कोशिश की।

उन्होंने सोशल मीडिया पर 20 लाख से अधिक डेटा पॉइंट्स एकत्र किए ताकि यह विश्लेषण किया जा सके कि ग्राहक उनके बारे में क्या कह रहे हैं, और इस डेटा पर एक सेंटिमेंट एनालिसिस मॉडल प्रशिक्षित किया।

इस विश्लेषण के आधार पर, संस्था को एहसास हुआ कि अधिकांश नकारात्मक टिप्पणियाँ उन उपयोगकर्ताओं से आ रही थीं जो लंच आवर के दौरान काउंटर पर पर्याप्त टेलर्स न होने से नाखुश थे, जिससे लंबा इंतज़ार करना पड़ता था।

इसके बाद बैंक ने उच्च वॉल्यूम घंटों में अधिक टेलर्स तैनात करके स्थिति को सुधारा, जिससे यूज़र एट्रिशन में कमी आई।

उपरोक्त उदाहरण दर्शाता है कि सेंटिमेंट एनालिसिस कंपनियों को अपने उत्पाद प्रसाद में सुधार करने और प्रतिस्पर्धियों से आगे निकलने में कितनी उपयोगी हो सकती है। सेंटिमेंट एनालिसिस के अन्य उपयोगों में प्रोडक्ट एनालिसिस, मार्केट रिसर्च, और यूज़र रिव्यू माइनिंग शामिल हैं।

सेंटिमेंट एनालिसिस मॉडल्स और उन्हें स्क्रैच से बनाना सीखने के लिए Datacamp पर Sentiment Analysis in Python कोर्स करें।

सेंटिमेंट एनालिसिस प्रोजेक्ट आइडिया

आप NLTK लाइब्रेरी में उपलब्ध डेटासेट का उपयोग करके मूवी रिव्यू सेंटिमेंट एनालिसिस मॉडल बनाकर शुरुआत कर सकते हैं। NLTK एक Python पैकेज है जो नैचुरल लैंग्वेज प्रोसेसिंग के लिए विविध एल्गोरिथ्म उपलब्ध कराता है। 

इस प्रोजेक्ट में, आप लाइब्रेरी में बिल्ट-इन मूवी रिव्यू डेटासेट का उपयोग कर सकते हैं, जिसे एक पंक्ति के कोड से इम्पोर्ट किया जा सकता है। इसके बाद आपको एक ऐसा एल्गोरिथ्म बनाना होगा जो मूवी रिव्यू डेटा को पॉज़िटिव और नेगेटिव सेंटिमेंट में वर्गीकृत करे।

शुरुआत के लिए मार्गदर्शन चाहिए हो, तो Datacamp का Python Sentiment Analysis ट्यूटोरियल देखें।

3. कस्टमर चर्न प्रेडिक्शन

छवि स्रोत: DeepNote

कस्टमर चर्न वह घटना है जब कोई उपयोगकर्ता किसी इकाई के साथ कारोबार करना बंद कर देता है। उदाहरण के लिए, यदि आप Netflix उपयोगकर्ता हैं और प्लेटफ़ॉर्म पर अपनी सदस्यता समाप्त करने का निर्णय लेते हैं, तो आप चर्न किया हुआ ग्राहक हैं।

कंपनियों के लिए चर्न किए हुए ग्राहक को बदलना, मौजूदा ग्राहक को बनाए रखने की तुलना में अधिक महँगा होता है। इसी कारण, कई संगठन ऐसे उपयोगकर्ताओं की पहचान करने के लिए डेटा साइंटिस्ट्स को नियुक्त करते हैं जो चर्न करने वाले हैं, ताकि वे इसे होने से रोक सकें।

यहाँ एक उदाहरण है कि कस्टमर चर्न प्रेडिक्शन मॉडल कंपनियों को उपयोगकर्ता बनाए रखने में कैसे मदद कर सकता है:

आप किसी इंटरनेट सर्विस प्रोवाइडर के सब्सक्राइबर हैं और हाल ही में आपको धीमी कनेक्शन स्पीड का सामना करना पड़ रहा है। आपने कुछ शिकायतें दर्ज कराईं और कस्टमर सपोर्ट टीम से संपर्क करने की कोशिश की, लेकिन समस्या बनी रही। इस कारण, आपने राउटर को कई बार ऑन-ऑफ किया और नेटवर्क से दोबारा कनेक्ट भी किया।

आख़िरकार, आपने प्रतिस्पर्धी ब्रांड पर स्विच करने का निर्णय लिया क्योंकि इस ISP के साथ आपका उपयोगकर्ता अनुभव खराब था।

ISP की डेटा साइंस टीम ग्राहक व्यवहार डेटा एकत्र करती है, उपयोगकर्ताओं की नेटवर्क से कनेक्ट रहते समय की गतिविधि ट्रैक करती है, और शिकायत संबंधी जानकारी जुटाती है। यह सारा डेटा समेकित करने के बाद, टीम को एहसास होता है कि आपके चर्न करने का जोखिम अधिक है।

वे तुरंत मार्केटिंग और प्रोडक्ट टीमों को अलर्ट करते हैं कि आपके उनके साथ कारोबार बंद करने की संभावना है।

कंपनी की मार्केटिंग टीम फिर आपको व्यक्तिगत प्रमोशन्स और रियायती वाई-फ़ाई प्लान भेजती है और यहाँ तक कि आपकी मौजूदा सदस्यता को मुफ़्त में अपग्रेड करने की पेशकश भी करती है। अपग्रेड के बाद, आप पाते हैं कि कनेक्शन स्पीड काफ़ी तेज़ है और ISP के साथ आपका समग्र अनुभव बेहतर है। फिर आप प्रतिस्पर्धी ब्रांड पर स्विच करने के बजाय उन्हीं की सदस्यता जारी रखने का निर्णय लेते हैं।

उपरोक्त उदाहरण दर्शाता है कि किसी संगठन के मौजूदा उपयोगकर्ताओं को बनाए रखने में कस्टमर चर्न मॉडल कितने उपयोगी हो सकते हैं। यह उपयोग-केस कंपनियों को प्रत्यक्ष व्यावसायिक मूल्य देता है और अक्सर Netflix और Spotify जैसी सब्सक्रिप्शन-आधारित प्लेटफ़ॉर्म द्वारा उपयोग किया जाता है जिनकी आय का मुख्य स्रोत उपयोगकर्ता नवीनीकरण है।

कस्टमर चर्न प्रेडिक्शन प्रोजेक्ट आइडिया

आप अपना पहला चर्न प्रेडिक्शन प्रोजेक्ट बनाने के लिए DataCamp का Telecom Customer Churn डेटासेट उपयोग कर सकते हैं। 

इस डेटासेट में एक ईरानी टेलीकॉम कंपनी के सब्सक्राइबर उपयोगकर्ताओं की आयु, उपयोग व्यवहार, सदस्यता अवधि, और शिकायतों जैसी जानकारी है। इस डेटा का उपयोग करके यह अनुमान लगाएँ कि कोई ग्राहक चर्न करने की संभावना रखता है या नहीं।

यदि आप सुनिश्चित नहीं हैं कि शुरुआत कहाँ से करें, तो Customer Churn Rate Prediction ट्यूटोरियल के साथ कोड करते हुए यह मॉडल बनाएँ। आप हमारा Predicting Customer Churn in Python कोर्स भी देख सकते हैं।

4. कस्टमर सेगमेंटेशन

छवि स्रोत: Madlytics

कस्टमर सेगमेंटेशन साझा विशेषताओं के आधार पर उपयोगकर्ताओं को अलग-अलग ग्राहक उप-समूहों में विभाजित करने की प्रक्रिया है। फिर प्रत्येक सेगमेंट को उनके व्यवहार के अनुसार अलग-अलग प्रमोशन्स और उत्पाद पेशकशों के साथ टार्गेट किया जाता है।

यहाँ एक उदाहरण है कि कस्टमर सेगमेंटेशन संगठनों को कैसे व्यावसायिक मूल्य दे सकता है:

एक ई-कॉमर्स कंपनी विभिन्न उपयोगकर्ताओं को व्यक्तिगत प्रमोशन्स के साथ टार्गेट करने के लिए कस्टमर सेगमेंटेशन मॉडल तैयार करती है। 

यदि कोई उपयोगकर्ता प्लेटफ़ॉर्म पर अक्सर ब्राउज़ करता है लेकिन केवल तब खरीदता है जब छूट मिलती है, तो उसे “Promotion Hunter” के रूप में वर्गीकृत किया जाता है। इस सेगमेंट के सभी ग्राहकों को हर बार चल रहे डिस्काउंट के दौरान तुरंत ईमेल नोटिफिकेशन भेजे जाते हैं, क्योंकि वे इस समय अधिक ख़रीदारी करने की संभावना रखते हैं।

दूसरी ओर, कुछ उपयोगकर्ता विशिष्ट आइटम्स के लिए शॉपिंग करते हैं और कीमत की परवाह किए बिना खरीदते हैं क्योंकि वे वहनीयता के बजाय गुणवत्ता को महत्व देते हैं। इन ग्राहकों को अलग तरीके से टार्गेट किया जाता है, और कंपनी की मार्केटिंग टीम इस समूह को केवल हाई-एंड आइटम्स का विज्ञापन करती है, जो उन उत्पादों पर आधारित होते हैं जिनमें उन्होंने पहले से रुचि दिखाई है।

इस तरह, उच्च क्रय शक्ति वाले ग्राहकों को उनकी रुचि के अनुरूप अधिक महँगे उत्पाद दिखाए जाते हैं, जिससे वे अधिक खर्च करने के लिए प्रेरित होते हैं। जो उपयोगकर्ता वहनीयता को महत्व देते हैं, उन्हें प्रमोशन अवधि के दौरान सस्ते उत्पादों से आकर्षित किया जाता है।

उपरोक्त उदाहरण सरल है, लेकिन यह दर्शाता है कि कस्टमर सेगमेंटेशन कंपनियों को प्रत्येक उपयोगकर्ता से प्राप्त होने वाले लाभ को अधिकतम करने में कैसे सक्षम बनाता है। 

कस्टमर सेगमेंटेशन मॉडलों के सबसे आम उपयोगों में से एक मार्केटिंग कैंपेन में ऐड ग्रुप्स बनाना है।

उदाहरण के लिए, Facebook अपने उपयोगकर्ताओं का जनसांख्यिकीय और व्यवहारगत डेटा एकत्र करता है और कंपनियों को इस जानकारी के आधार पर कस्टम ऑडियंस ग्रुप्स को लक्षित करने वाले विज्ञापन चलाने की अनुमति देता है। उपयोगकर्ताओं को उनके स्थान, आयु, लिंग, पसंदीदा ब्रांड, और जिन लोगों से वे जुड़े हैं जैसी विशिष्ट विशेषताओं के आधार पर सेगमेंट किया जा सकता है। 

कस्टमर सेगमेंटेशन आमतौर पर K-Means क्लस्टरिंग जैसे अनसुपरवाइज़्ड मशीन लर्निंग मॉडल बनाकर हासिल किया जाता है। 

यदि आप कस्टमर सेगमेंटेशन और K-Means क्लस्टरिंग जैसे एल्गोरिथ्म बनाना सीखना चाहते हैं, तो हमारा Customer Segmentation in Python कोर्स करें।

कस्टमर सेगमेंटेशन प्रोजेक्ट आइडिया

आप Datacamp के E-Commerce Dataset का उपयोग करके कस्टमर सेगमेंटेशन पोर्टफ़ोलियो प्रोजेक्ट बना सकते हैं।  

यह डेटासेट UK-आधारित एक ई-कॉमर्स प्लेटफ़ॉर्म पर किए गए ऑर्डर विवरणों से बना है। 

ग्राहक की ख़रीद संबंधी जानकारी जैसे ऑर्डर किए गए आइटम्स, उत्पाद मूल्य, और इनवॉइस तिथि दर्ज की गई है, और आप इस डेटा का उपयोग प्लेटफ़ॉर्म पर उनकी गतिविधि के आधार पर उपयोगकर्ताओं को सेगमेंट करने के लिए कर सकते हैं।

5. मार्केट बास्केट एनालिसिस

छवि स्रोत: Analytics Vidhya

मार्केट बास्केट एनालिसिस, जिसे एसोसिएशन माइनिंग भी कहा जाता है, उन आइटम्स का विश्लेषण करने की तकनीक है जो अक्सर साथ खरीदे जाते हैं। यह ऐतिहासिक खरीद डेटा को प्रोसेस करके किया जाता है ताकि उन उत्पाद संयोजनों की पहचान की जा सके जो लेन-देन में अक्सर साथ दिखाई देते हैं।

खुदरा विक्रेता इस विश्लेषण के निष्कर्षों का उपयोग स्टोर डिज़ाइन को बेहतर बनाने और ग्राहकों को एक ही लेन-देन में अधिक आइटम खरीदने के लिए प्रोत्साहित करने में कर सकते हैं।

उदाहरण के लिए, जो व्यक्ति बेबी फ़ॉर्मूला खरीदता है, उसके डायपर खरीदने की भी संभावना होती है, इसलिए स्टोर्स आमतौर पर इन वस्तुओं को एक-दूसरे के पास रखते हैं ताकि उपयोगकर्ताओं के लिए वे आसानी से सुलभ हों। 

हालाँकि, ख़रीद पैटर्न हमेशा इतने स्पष्ट नहीं होते। क्षेत्र, सांस्कृतिक प्रभाव, और जनसांख्यिकीय कारकों के आधार पर, ग्राहक अक्सर ऐसे आइटम्स साथ खरीदते हैं जो एक ही श्रेणी से संबंधित नहीं होते। इनमें से कई सहसंबंध मानव आँख से पकड़ में नहीं आते, इसलिए संगठन मार्केट बास्केट एनालिसिस जैसी डेटा साइंस तकनीकों पर निर्भर करते हैं।

यहाँ एक उदाहरण है कि मार्केट बास्केट एनालिसिस कैसे ऐसे एसोसिएशन्स की पहचान कर सकता है जो लोगों से छूट जाते हैं:

मार्केट बास्केट एनालिसिस का सबसे आम तौर पर उद्धृत उदाहरण “बीयर और डायपर” केस स्टडी है। इस अध्ययन के अनुसार, मिडवेस्ट की एक ग्रॉसरी चेन ने साथ खरीदे जाने वाले आइटम्स की पहचान करने के लिए डेटा माइनिंग तकनीकों का उपयोग किया।

उनके विश्लेषण से पता चला कि ग्राहक आमतौर पर शुक्रवार की शाम को बीयर और डायपर साथ खरीदते थे। यह सहसंबंध महज़ संयोग-सा लग सकता है, लेकिन यहाँ एक परिदृश्य है जो इसे समझा सकता है:

एक युवा पिता दफ़्तर में लंबा हफ्ता बीतने के बाद शुक्रवार रात को कुछ बीयर लेने ग्रॉसरी स्टोर रुकता है। उसकी पत्नी को इसकी जानकारी है और वह उससे उनके नवजात के लिए डायपर भी लाने को कहती है। यह व्यवहार एक आदत बन जाता है, और कामकाजी पिता शुक्रवार को घर लौटने से पहले बीयर और डायपर साथ खरीदने लगते हैं।

इस खोज के बाद, स्टोर ने बीयर और डायपर को एक ही आइल में रखना शुरू किया और तुरंत बिक्री में वृद्धि देखी।

यह कहानी पहली बार 90 के दशक के मध्य में रिपोर्ट की गई थी और वर्षों में इसकी प्रामाणिकता पर सवाल उठते रहे हैं। सच हो या न हो, यह उपयोग-केस याद दिलाता है कि आँकड़े मानव आँख से छूट जाने वाले छिपे सहसंबंधों को उजागर करने में कितने शक्तिशाली हो सकते हैं।

मार्केट बास्केट एनालिसिस केवल फिज़िकल रिटेल स्टोर्स तक सीमित नहीं है। ई-कॉमर्स प्लेटफ़ॉर्म भी अत्यधिक सहसंबद्ध उत्पादों को एक ही पेज पर प्रदर्शित करते हैं, ताकि वे उपयोगकर्ताओं की नज़र में बने रहें। 

उदाहरण के लिए, यदि आप ऑनलाइन काली जींस ढूँढते हैं, तो पेज के नीचे आपको उससे मिलते-जुलते जूते दिख सकते हैं, जो आपको एक आइटम की बजाय उत्पादों का बंडल खरीदने के लिए प्रेरित करते हैं। फिर से, इससे कंपनी की बिक्री में प्रत्यक्ष वृद्धि होती है क्योंकि ग्राहक अपनी अपेक्षा से अधिक उत्पाद खरीद लेते हैं।

मार्केट बास्केट एनालिसिस और मशीन लर्निंग तकनीकों से इसे कैसे किया जाए, यह सीखने के लिए Market Basket Analysis in Python लर्निंग ट्रैक करें। यदि आप R का उपयोग करना पसंद करते हैं, तो Market Basket Analysis in R कोर्स करें। 

मार्केट बास्केट एनालिसिस प्रोजेक्ट आइडिया

मार्केट बास्केट एनालिसिस शुरू करने के लिए, आप ऊपर कस्टमर सेगमेंटेशन सेक्शन में बताए गए उसी E-Commerce Dataset का उपयोग कर सकते हैं। ध्यान रखें कि यह UCI Machine Learning Repository पर उपलब्ध डेटासेट का एक ट्रंकेटेड संस्करण है और इसमें केवल 2,500 पंक्तियाँ हैं। यदि आप अधिक डेटा के साथ काम करना चाहते हैं तो बड़ा डेटासेट डाउनलोड कर सकते हैं।

जैसा कि पिछले सेक्शन में समझाया गया, E-Commerce Dataset में ग्राहक लेन-देन डेटा है जैसे इनवॉइस नंबर और खरीदे गए उत्पाद। आप इस जानकारी का उपयोग यह पहचानने के लिए कर सकते हैं कि ग्राहक एक ही लेन-देन में अक्सर कौन-से आइटम साथ खरीदते हैं।

इस प्रोजेक्ट को लागू करने के लिए मार्गदर्शन के रूप में आप Market Basket Analysis in R ट्यूटोरियल का उपयोग कर सकते हैं। यदि आपकी भाषा की पसंद Python है, तो हमारा Market Basket Analysis in Python कोर्स उपलब्ध है।

मार्केटिंग में डेटा साइंस - आगे के कदम:

आपको मार्केटिंग डेटा साइंटिस्ट बनने पर विचार क्यों करना चाहिए?

डेटा साइंस के मार्केटिंग क्षेत्र में विविध अनुप्रयोग हैं, जिनमें से कई पर हमने ऊपर चर्चा की। ये उपयोग-केस बिक्री बढ़ाकर, ग्राहकों की समस्याएँ सुलझाकर, और ख़रीदारों को अधिक उपभोग के लिए प्रोत्साहित करके संगठनों को प्रत्यक्ष मूल्य देते हैं।

अतीत में, जब संगठनों के पास बड़ी मात्रा में ग्राहक डेटा तक पहुँच नहीं थी, तब मार्केटिंग विशेषज्ञ उपर्युक्त कई कार्य स्वयं करते थे। सेंटिमेंट एनालिसिस और मार्केट रिसर्च सर्वे भेजकर की जाती थी। मार्केटर्स उपयोगकर्ता व्यवहार की अपनी समझ के आधार पर लक्षित विज्ञापन भेजते थे, और यह प्रक्रिया डेटा-चालित की बजाय अधिक अंतर्ज्ञान-आधारित होती थी।

आजकल, जैसे-जैसे संगठनों द्वारा एकत्र और संग्रहीत डेटा की मात्रा में भारी उछाल आया है, कंपनियों ने मार्केटिंग में डेटा-चालित दृष्टिकोण अपनाना शुरू कर दिया है। 

हालाँकि, केवल मार्केटिंग उपयोग-केस पर काम करने के लिए डेटा साइंटिस्ट्स को नियुक्त करना पर्याप्त नहीं है।

डेटा साइंटिस्ट जटिल डेटासेट्स को संभाल सकते हैं, अत्यधिक सटीक प्रेडिक्टिव मॉडल बना सकते हैं, और सांख्यिकीय विश्लेषण कर सकते हैं, लेकिन केवल ये कौशल डेटा से मूल्यवान अंतर्दृष्टि प्राप्त करने के लिए पर्याप्त नहीं हैं। उनके पास मार्केटिंग का डोमेन नॉलेज नहीं होता और वे अक्सर मौजूदा डेटा को व्यावसायिक समस्याओं से जोड़ने में असमर्थ होते हैं।

दूसरी ओर, मार्केटिंग विशेषज्ञ ग्राहक व्यवहार को समझते हैं, समस्या कथन गढ़ना जानते हैं, और मार्केटिंग निर्णयों का मार्गदर्शन कर सकते हैं। उनके पास बड़े डेटासेट्स को संभालने की तकनीकी विशेषज्ञता नहीं होती।

मार्केटिंग डोमेन में विशेषज्ञता रखने वाला डेटा साइंटिस्ट इन दोनों भूमिकाओं के संयुक्त कौशल-सेट से लैस होता है, जो संगठनों के लिए अमूल्य है। ये व्यक्ति डेटा साइंस और मार्केटिंग के बीच की खाई पाट सकते हैं और कंपनियों के लिए लाभकारी डेटा-चालित निर्णय ले सकते हैं।

मार्केटिंग डेटा साइंटिस्ट कैसे बनें

मार्केटिंग डेटा साइंटिस्ट बनने के लिए आपके पास मज़बूत तकनीकी और विश्लेषणात्मक क्षमताएँ, मार्केटिंग डोमेन नॉलेज, और सॉफ्ट स्किल्स होने चाहिए:

1. तकनीकी कौशल

• SQL ताकि डेटाबेस में डेटा निकालने, साफ़ करने, और संसाधित करने में सक्षम हों। डेटाबेस मैनिप्युलेशन की बुनियाद सीखने के लिए Introduction to SQL कोर्स करें।
• सांख्यिकी में विशेषज्ञता और सुपरवाइज़्ड व अनसुपरवाइज़्ड मशीन लर्निंग तकनीकों का ज्ञान। सांख्यिकीय विश्लेषण की मूल बातें सीखने के लिए Introduction to Statistics कोर्स करें।
• कम से कम एक प्रोग्रामिंग भाषा (R, Python, Java, आदि) का ज्ञान। यदि आप कोड नहीं जानते, तो Datacamp का Python Programming स्किल ट्रैक या उसका R विकल्प करें।
• A/B टेस्ट करने की क्षमता। 
• Tableau, PowerBI, और Excel जैसे टूल्स से डेटा विज़ुअलाइज़ेशन करने और डैशबोर्ड बनाने की क्षमता।
• Facebook और Google Display Network जैसे प्लेटफ़ॉर्म पर ऐड कैंपेन कैसे चलाए और ऑप्टिमाइज़ किए जाते हैं, इसकी समझ।
• एक्सपेरिमेंट डिज़ाइन और एट्रिब्यूशन मॉडेलिंग करने की क्षमता।

ध्यान रखें कि उपरोक्त आवश्यकताएँ उस संगठन और टीम के अनुसार बदलेंगी जिसमें आप शामिल होते हैं। उदाहरण के लिए, जो टीम उपयोगकर्ताओं को उत्पाद सिफारिशें दिखाने पर केंद्रित है, वह ऐड्स के ऑप्टिमाइज़ेशन पर काम नहीं करेगी और न ही एट्रिब्यूशन मॉडेलिंग जैसे कार्य करेगी।

यदि आपके पास मार्केटिंग डोमेन नॉलेज नहीं है और आप A/B टेस्ट करना, मार्केटिंग मेट्रिक्स को विज़ुअलाइज़ करना, और कन्वर्ज़न्स का विश्लेषण करना सीखना चाहते हैं, तो Datacamp पर Introduction to Pandas for Marketing कोर्स करें।

2. सॉफ्ट स्किल्स

• मज़बूत संचार कौशल।
• सीनियर मैनेजमेंट को जटिल, तकनीकी अवधारणाओं को सरल बनाकर समझाने और निर्णय लेने में सहायता करने की क्षमता।
• व्यावसायिक समस्याओं से निपटने के लिए डेटा-चालित समाधान तैयार करने की क्षमता।

यह समझने के लिए कि कंपनियाँ मार्केटिंग डेटा साइंटिस्ट में क्या ढूँढ़ती हैं, यहाँ Uber की इस भूमिका के लिए आवश्यकताएँ हैं:

यदि आपके पास मार्केटिंग डेटा साइंस के क्षेत्र में अनुभव नहीं है, तो इस डोमेन में अपनी स्किल्स दिखाने का सबसे अच्छा तरीका ऐसे प्रोजेक्ट्स बनाना है जो वास्तविक व्यावसायिक समस्याओं का समाधान करें। 

हमने इस लेख में बताए हर अनुप्रयोग के लिए प्रासंगिक प्रोजेक्ट्स सूचीबद्ध किए हैं, और कुछ को अपने रिज्यूमे पर दिखाना एक अच्छा विचार है ताकि हायरिंग मैनेजर्स को यह दिखाया जा सके कि आप डेटा साइंस तकनीकों का उपयोग करके व्यावसायिक मूल्य पैदा कर सकते हैं।

अंत में, यदि आप अपने ज्ञान में मौजूद अंतर को पाटना चाहते हैं और सीखना चाहते हैं कि मार्केटिंग में डेटा साइंस अप्रोचेस कैसे लागू करें, तो Datacamp का Machine Learning for Marketing in Python कोर्स, या उसका R समकक्ष करें।