Авторский канал IT-компании SimbirSoft про разработку и управление ей: делимся экспертизой, лайфхаками, разбираем реальные кейсы.
🔹Наш сайт: https://www.simbirsoft.com/?utm_source=telegram&utm_medium=messenger&utm_campaign=information_depthdev
Post #115
90
➡️Target
Сеть американских супермаркетов присылает покупателям персонализированные скидочные купоны, основываясь на истории их покупок и анализе поведения.
➡️ Кейс SimbirSoft
На основе Big Data для страховой компании мы разработали систему, рассчитывающую вероятность и частоту обращения клиента за медицинской помощью.
Мы принимали в расчет следующие факторы:
▪️ возраст и пол пациента;
▪️ поставленные ему ранее диагнозы;
▪️ назначенные процедуры;
▪️ перечень обращений для каждого отдельного клиента, с указанием времени, типа услуги, вида лечения и т.д.
☝️ Важно было учесть, что некоторые эпизоды происходили до того, как пациент стал клиентом страховой: часть данных не попала в базу, поскольку человек обращался к доктору в частном порядке или в государственную поликлинику.
Мы применили один из методов Data Science «анализ выживаемости», созданный специально для обработки цензурированных данных — это сведения, в которых часть событий не наблюдалась или не могла наблюдаться в период сбора информации. С его помощью мы смогли точнее спрогнозировать следующее обращение клиента в компанию, а также определить наиболее вероятный период и тип посещения.
✔️ Познакомьтесь с другими нашими решениями Data Science по ссылке: https://s.simbirsoft.com/KFB1
#SimbirSoft
Simbirsoft SimbirSoft - программные решения на основе данных Скоринговые и геоинформационные системы, платформы удержания клиентов, системы анализа конкурентов и рекомендательные сервисы Сеть американских супермаркетов присылает покупателям персонализированные скидочные купоны, основываясь на истории их покупок и анализе поведения.
➡️ Кейс SimbirSoft
На основе Big Data для страховой компании мы разработали систему, рассчитывающую вероятность и частоту обращения клиента за медицинской помощью.
Мы принимали в расчет следующие факторы:
▪️ возраст и пол пациента;
▪️ поставленные ему ранее диагнозы;
▪️ назначенные процедуры;
▪️ перечень обращений для каждого отдельного клиента, с указанием времени, типа услуги, вида лечения и т.д.
☝️ Важно было учесть, что некоторые эпизоды происходили до того, как пациент стал клиентом страховой: часть данных не попала в базу, поскольку человек обращался к доктору в частном порядке или в государственную поликлинику.
Мы применили один из методов Data Science «анализ выживаемости», созданный специально для обработки цензурированных данных — это сведения, в которых часть событий не наблюдалась или не могла наблюдаться в период сбора информации. С его помощью мы смогли точнее спрогнозировать следующее обращение клиента в компанию, а также определить наиболее вероятный период и тип посещения.
✔️ Познакомьтесь с другими нашими решениями Data Science по ссылке: https://s.simbirsoft.com/KFB1
#SimbirSoft
