Customer Analytics — Phân tích khách hàng
Hồi quy bội chạy thật trên dữ liệu bạn tải lên, kèm t-stat và p-value cho từng hệ số. Giải bằng phương trình chuẩn với khử Gauss, không cần thư viện ngoài.
Điểm nằm quanh một đường thẳng là dấu hiệu tốt. Điểm uốn cong nghĩa là quan hệ thật không tuyến tính và R² đang che mất điều đó.
Mô hình giải thích 99.9% phương sai của biến phụ thuộc, đã phạt cho số biến. Dùng bản hiệu chỉnh vì R² thường luôn tăng khi thêm biến, kể cả biến vô nghĩa.
Quy tắc kinh nghiệm là ít nhất 10–20 quan sát mỗi biến. Ít hơn thì mô hình học nhiễu và R² trong mẫu trở nên vô nghĩa.
|t| > 1,96. Biến không có ý nghĩa không chứng minh là không ảnh hưởng — chỉ là dữ liệu này chưa đủ để kết luận.
Đây là giới hạn của phương pháp, không phải của dữ liệu. Chỉ thí nghiệm có can thiệp mới cho kết luận nhân quả.
| hằng số | +20.0714 (t=+28.54, p=0.0000)*** |
| x1 | +2.0215 (t=+17.03, p=0.0000)*** |
| x2 | +0.641702 (t=+2.83, p=0.0047)** |
| Sai số chuẩn phần dư | 0.452433 |
| Ý nghĩa dấu sao | * p<0.05 · ** p<0.01 · *** p<0.001 |
| Cảnh báo | R² cao chưa chắc dự báo tốt ngoài mẫu — hãy giữ lại một phần dữ liệu chưa dùng để kiểm tra |
Điểm nằm quanh một đường thẳng là dấu hiệu tốt. Điểm uốn cong nghĩa là quan hệ thật không tuyến tính và R² đang che mất điều đó.
Phần dư phải rải đều quanh 0 với độ phân tán không đổi. Hình phễu (loe dần) nghĩa là phương sai thay đổi, và khi đó mọi t-statistic ở trên đều sai.
Độ lớn chỉ so sánh được giữa các biến khi chúng cùng đơn vị đo — nếu không, hãy đọc t-statistic thay vì chiều cao cột.
| hằng số | +20.0714 (t=+28.54, p=0.0000)*** |
| x1 | +2.0215 (t=+17.03, p=0.0000)*** |
| x2 | +0.641702 (t=+2.83, p=0.0047)** |
| Sai số chuẩn phần dư | 0.452433 |
| Ý nghĩa dấu sao | * p<0.05 · ** p<0.01 · *** p<0.001 |
| Cảnh báo | R² cao chưa chắc dự báo tốt ngoài mẫu — hãy giữ lại một phần dữ liệu chưa dùng để kiểm tra |
β = (XᵀX)⁻¹Xᵀy
Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng.
API tại /api/v1/tools/ols-regression gọi đúng hàm
này, nên kết quả trên trang và qua API không thể lệch nhau.
1.234.567 lẫn 1.234,56.Phân tích khách hàng trong ngân hàng khác marketing thuần tuý ở chỗ giá trị khách hàng gắn chặt với rủi ro: một khách hàng vay nhiều có doanh thu cao nhưng cũng có thể là tổn thất lớn nhất.
| Risk-adjusted CLV | giá trị vòng đời trừ tổn thất kỳ vọng |
| Tỷ lệ giữ chân theo phân khúc | nhóm nào đang mất |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Phân tích khách hàng trong ngân hàng khác marketing thuần tuý ở chỗ giá trị khách hàng gắn chặt với rủi ro: một khách hàng vay nhiều có doanh thu cao nhưng cũng có thể là tổn thất lớn nhất.
1. Xây chân dung hành vi từ dữ liệu giao dịch, không chỉ từ nhân khẩu học. 2. Tính giá trị vòng đời có điều chỉnh rủi ro. 3. Dự báo nhu cầu sản phẩm tiếp theo để bán chéo. 4. Dự báo rời bỏ, đặc biệt với nhóm tiền gửi.
T ố i ư u b á n c h é o m à b ỏ q u a r ủ i r o : b á n t h ê m t h ẻ t í n d ụ n g c h o n h ó m s ắ p v ỡ n ợ l à m t ă n g d o a n h t h u n g ắ n h ạ n v à t ổ n t h ấ t d à i h ạ n .
Risk-adjusted CLV — giá trị vòng đời trừ tổn thất kỳ vọng; Tỷ lệ giữ chân theo phân khúc — nhóm nào đang mất.
Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.