Introducción
¿Por qué los estudios de casos de negocios de las empresas junto con entrevistas? ¿Por qué no acabar con las entrevistas y ahorrar tiempo y esfuerzo? Las empresas quieren contratar analistas de datos que puedan aplicar principios teóricos para resolver soluciones prácticas y ductivas. No todo el mundo es deductivo y la mayoría de la gente es inductiva; aprenden de experiencias, anécdotas, observaciones y patrones. Casos de estudio puede medir la capacidad inductiva de los candidatos, ayudar a identificar los solucionadores de problemas y tomar decisiones de contratación saludables.
En el mundo real, a diferencia de los bootcamps y los miniproyectos de Coursera, cuando los datos están limpios, requieren una comprensión más profunda de dónde se obtuvieron, cómo se pueden aprovechar, etc. hacer en este escenario, donde nada parece correcto y todo es ambiguo.
La mayoría de los analistas de datos resuelven problemas abiertos con múltiples soluciones abiertas. No hay una solución correcta; si alguien dice que existe, puede ser por ignorancia e incompetencia. Se espera que los analistas de datos 1. Den vida a un nuevo análisis (0 a 1), 2. Trabajen en algo que ya existe y lo mejoren, 3. Repitan la misma tarea diariamente, semanalmente, mensualmente, etc., 4. Resuelvan nuevos enunciados de problemas diarios, semanales y mensuales. En términos generales, esto se convierte en cuatro combinaciones:
Objetivos de aprendizaje:
- Describa el caso de estudio. Por ejemplo, ventas comerciales, préstamos, etc.
- Identificar los temas y problemas clave.
- Analizar el estudio de caso utilizando teoría Principios de estadística y ciencia de datos.
- Recomendar el curso de acción correcto para cada problema.
Este artículo fue publicado como parte del Blogatón de ciencia de datos.
Tabla de contenido
- Ventajas de usar estudios de casos
- Pautas para resolver estudios de casos
- Clientes potenciales de ventas y conversiones
- Declaración del problema: mejorar la eficiencia de la conversión de ventas
- Nuestra recomendación
- Recursos y referencias útiles
- Conclusión
Ventajas de usar estudios de casos para analistas de datos
- Resolución de problemas (PS) – PS juega un papel importante para DS (científicos de datos)/DA (analista de datos)/BA (analista de negocios). La magnitud de los esfuerzos utilizados en PS puede variar entre organizaciones y proyectos, con algunos equipos trabajando principalmente en PS alrededor del 80 % del tiempo, mientras que otros trabajan el 20 % del tiempo.
- Herramientas Analíticas, Cuantitativas Y/o Cualitativas, Según El Caso – Hay varias técnicas y enfoques disponibles, y decidir qué método/marco se ajusta a la factura también depende del analista de datos.
- Toma de decisiones en situaciones complejas – Con múltiples partes interesadas produciendo múltiples soluciones, la última palabra recae en el analista de datos. Convertir situaciones complejas en soluciones comerciales fáciles de entender es una de las habilidades clave de un analista de datos.
- Hacer frente a las ambigüedades – La mayoría de los problemas que deben resolverse no están claros de antemano; a veces, se dedica mucho esfuerzo a enmarcar la declaración del problema antes de intentar resolverlo usando modelos de aprendizaje automático o análisis.
Los estudios de casos de negocios son excelentes oportunidades para que los candidatos muestren estas habilidades y se destaquen entre la multitud. Aquí, los analistas de resolución de problemas se diferencian de los analistas de datos orientados a tareas.
Pautas para resolver estudios de casos para analistas de datos
- ¿Cual es el problema?
- ¿Cuál es el objetivo del análisis?
- Una vez que se conoce el problema, el objetivo es utilizar técnicas de ciencia de datos para resolverlo.
- También puede haber múltiples objetivos; por ejemplo: en el Norte, aumentar las ventas en un X%, y en el Sur, aumentar las ventas en un Y% porcentual. La misma técnica se puede utilizar para alcanzar estos 2 objetivos.
- Visualice el objetivo final en forma tabular o como un diagrama de flujo. Esto proporcionará mucha claridad al codificarlo y resolverlo.
- ¿Cuál es el contexto del problema?
- ¿Por qué resolver este problema?
- ¿Cuál es el impacto general (por ejemplo, aumento de ganancias de 35Cr para el mes del 23 de enero)?
- ¿Qué negocio se verá afectado?
- ¿Quién es el interesado?
- ¿Cuál es el presupuesto/costo/inversión involucrada?
- ¿Que recomendaria y porque?
- Tome una posición y demuestre su punto, respaldado con datos.
- Las recomendaciones son ideas prácticas basadas en conocimientos.
- Proporcione múltiples recomendaciones y brinde ventajas y desventajas para cada una.
Finalmente, aunque la recomendación final es importante, el enfoque y el razonamiento para llegar allí también son igualmente importantes.
Clientes potenciales de ventas y conversiones
Las ventas canalizan el camino de un posible cliente para convertirlo en cliente. En la parte superior, hay muchos usuarios (para ser clientes) y, a medida que el embudo se mueve hacia abajo, el tamaño del embudo se reduce. Aquí es donde el equipo de ventas entra en escena. Convierten a estos clientes potenciales en clientes y suscriptores. Los equipos de ventas reciben información como nombre, identificación de correo electrónico, número de teléfono móvil, sexo, edad, etc.
Pero, ¿no sería mejor si se otorgara un puntaje de conversión, por ejemplo, el usuario A tiene un alto potencial de conversión en comparación con el usuario B para que el equipo pueda concentrar su tiempo y esfuerzos en el usuario A? O proporcionar información sobre las cohortes de usuarios que consumen la menor cantidad de tiempo pero tienen un alto potencial de conversión.
Analytics y Data Science pueden responder estas preguntas para el equipo de ventas. En esta declaración de problema, un equipo de ventas se acercó al equipo de análisis para responder y resolver algunos de sus puntos débiles.
El siguiente PS es una asignación de estudio de caso original asignada por una nueva empresa de atención médica establecida para el puesto de analista de negocios sénior.
Este PS cae en 0 a 1 y Nuevos Problemas.
Se adjunta un volcado de tragamonedas reservadas por usuarios gratuitos durante 2 meses con nuestros entrenadores. Los clientes potenciales están separados por embudo: Bot/prueba gratuita y tipo de cliente potencial: con/sin afección médica e India/NRI. Todas las consultas son gratuitas y el objetivo es aumentar las ventas de suscripciones premium. La compra se puede identificar con el filtro de tiempo de pago. Los entrenadores se dividen en clases objetivo según su capacidad de venta. Siendo 'A' el mejor en ventas y 'D' el peor. Los datos de los usuarios y entrenadores reales se han enmascarado.
- ¿Cuál es la conversión de 3 y 7 días de diferentes tipos de clientes potenciales divididos por embudos?
- ¿Qué horas funcionan mejor para la conectividad y las ventas?
- Cree ideas sobre la mejor manera de optimizar las tragamonedas, el entrenador y el embudo para obtener el resultado más eficiente.
- ¿Hay alguna otra idea que se te ocurra usando estos datos?
Cargar y resumir datos:
Código Python:
Nombres de columna:
No se proporcionaron explicaciones de las columnas, asumiendo las descripciones de estas columnas.
- expert_id – ID del representante de ventas (categórico).
- team_lead_id: ID del líder del equipo (categórico).
- user_id – ID de usuario (categórico).
- India vs NRI: bandera binaria, ya sea india o no (binaria).
- medicalconditionflag – Indicador binario, cualquier condición médica o no (Binario).
- embudo: fuente del cliente potencial, BOT o FT (prueba gratuita).
- event_type: el propósito de la llamada es reservar una consulta o una llamada de ventas.
- current_status: estado actual del evento.
- handle_time: tiempo de conversación entre el agente y el usuario.
- slot_start_time – Hora de inicio de la consulta.
- booked_flag – Consulta reservada o no.
- payment_time – Hora de activación de la suscripción.
- target_class – Clase de usuarios.
Convierta fechas en objetos de fecha y hora:
time_to_pandas_time = ["slot_start_time", "handled_time", "payment_time"] for cols in time_to_pandas_time: health_df[cols] = pd.to_datetime(health_df[cols]) health_df.dtypes
¿Cuál es la conversión de 3 y 7 días de diferentes tipos de clientes potenciales divididos por embudos?
health_df["max_start_handled_times"] = health_df[["handled_time", "slot_start_time"]].max(axis=1) health_df["conversion_days"] = (health_df['paid_time'] - health_df['max_start_handled_times']).dt .days health_df.head() ## Total base conversion_base = health_df.groupby(["team_lead_id", "funnel"]).agg({"max_start_handled_times":"count"}).reset_index() ## en 3 días cómo muchos convertidos conversion_base_3 = health_df[health_df["conversion_days"] <= 3].groupby(["team_lead_id", "funnel"]).agg({"max_start_handled_times":"count"}).reset_index() ## en 7 días cuántos se convirtieron conversion_base_7 = health_df[health_df["conversion_days"] <= 7].groupby(["team_lead_id", "funnel"]).agg({"max_start_handled_times":"count"}).reset_index() import pandas como pd de functools import reduce # compila la lista de marcos de datos que desea fusionar data_frames = [conversion_base, conversion_base_3, conversion_base_7] df_merged = reduce(lambda left,right: pd.merge(left,right,on=["team_lead_id", " embudo"], how='left'),data_frames) df_merged["seven_day_perc"] = df_merged.max_start_handled_times/df_merged.max_start_handled_times_x df_merged["tres_day_perc"] = df_merged.max_start_handled_times_y/df_merged.max_start_handled_times_x df_merged.head()
¿Qué horas funcionan mejor para la conectividad y las ventas?
health_df["max_start_handled_times_hour"] = health_df.max_start_handled_times.dt.hour health_df_bt = health_df[["max_start_handled_times", "max_start_handled_times_hour","funnel", "team_lead_id", "India vs NRI", "medicalconditionflag","payment_time"," current_status"]] ## Total base conversion_base_H = health_df_bt.groupby(["max_start_handled_times_hour"]) .agg({"max_start_handled_times":"count", "payment_time":"count"}).reset_index() conversion_base_H["conversion_ratio" ] = (conversion_base_H.payment_time/ conversion_base_H.max_start_handled_times)*100 conversion_base_H.sort_values(by = ["conversion_ratio"], ascendente = False).head()
conversion_base_H["unit_gross_amt_avg"] = 999 ## asumir conversion_base_H["gross_sales"] = conversion_base_H.payment_time*conversion_base_H.unit_gross_amt_avg conversion_base_H.sort_values(by = ["gross_sales"], ascendente = False).head()
Cuando se optimizan los ingresos, las 11 a. m. es el mejor momento para la conectividad y las ventas. Generalmente, las horas de la mañana de 10 a. m. a 12 a. m. y las de la tarde de 5 p. m. a 6 p. m. son las mejores, teniendo en cuenta la conversión y los ingresos.
Cree ideas sobre la mejor manera de optimizar las tragamonedas, el entrenador y el embudo para obtener el resultado más eficiente. ¿Hay alguna otra idea que se te ocurra usando estos datos?
La introducción explica que la mayoría de las personas utilizan el aprendizaje inductivo a través de la práctica y observan su pensamiento analítico y sus habilidades para resolver problemas.
Algunas otras preguntas importantes,
- Cree un modelo de clasificación y proporcione una puntuación de propensión a la conversión para cada agente X de usuario.
- ¿Debería la empresa invertir más en FT o BOT? ¿Cuál tiene mayor conversión?
- Se observa que las conversiones son mayores para los usuarios con antecedentes médicos. ¿Cómo se puede aprovechar esto para acumular mayores ingresos y suscripciones?
- Es verdad que Bot tiene una mejor conversión para los países avanzados, y para la India, una prueba gratuita es mejor?
- ¿Cuál es el costo por cliente potencial (CPL, suponga que falta un punto de datos si es necesario. Por ejemplo, el costo se puede asumir en función de una búsqueda rápida en Google)?
- ¿Qué prospecto de ventas tiene una tasa de retención más alta? ¿Y por qué?
- ¿Cuál es el costo de adquisición (CAC) para FT y BOT (suponga puntos de datos relevantes si es necesario)?
- La conversión de siete días no es mejor; ¿Esto se debe al agente de ventas (las conversiones de estos agentes empeoran)? ¿O se debe a alguna cohorte de clientes?
Resolviendo las preguntas anteriores sin ayuda externa proporcionará una inmensa confianza en sí mismo mientras resuelve estudios de casos de entrevistas reales.
Nuestras recomendaciones para los analistas de datos
- La conversión de siete días es ligeramente mejor que las conversiones de tres días (del 31 % al 33 %, del 35 % al 39 %), por lo que debe ofrecer atractivas ofertas de suscripción una vez que finalice el período de 3 días. Esto podría aumentar la conversión de 7 días en un X% (el X% se puede calcular mediante campañas promocionales realizadas anteriormente).
- Ejecute una encuesta KYC (conozca a su cliente) para comprender por qué las personas no realizan conversiones después de 3 días.
- Identifique a los agentes cuya conversión de 3 días sea baja y vuelva a capacitarlos.
- Las horas de la mañana de 10 a. m. a 12 a. m. y las de la tarde de 5 p. m. a 6 p. m. son las mejores, teniendo en cuenta la conversión y los ingresos.
- Los lectores pueden agregar más recomendaciones.
Conclusión
Los estudios de casos, cuando se realizan correctamente, siguiendo los pasos anteriores, tendrán un impacto positivo en el reclutador. Los reclutadores no buscan respuestas sino un acercamiento a esas respuestas, la estructura seguida, el razonamiento utilizado y el conocimiento práctico y empresarial. Este artículo proporciona un marco fácil de seguir para los analistas de datos utilizando un estudio de caso empresarial real como ejemplo.
A
- Use estudios de casos como un currículum práctico para mostrar fundamentos sólidos, herramientas y técnicas.
- Vaya más allá y responda algunas preguntas ambiguas.
- Proporcione todas las soluciones posibles (al menos dos) y no limite las soluciones a una sola. Analice las ventajas y desventajas de cada solución.
- Comience con un análisis descriptivo, luego pase al análisis prescriptivo y finalmente brinde recomendaciones prácticas que puedan ser implementadas por los equipos comerciales, en este caso, el equipo de ventas.
- Resalte el resultado de la solución, por ejemplo: ahorrará 7000 horas de trabajo, aumentará los ingresos en un 5 %, etc.
- Finalmente, presente todo en un PPT: 1. Agenda, 2. La declaración del problema, 3. Diapositiva de apoyo con gráficos e ideas, 4. La solución, recomendación y Conclusión.
- Consulte mi artículo sobre: Resolución de asignaciones de estudios de casos de negocios para datos Los científicos.
- ¡Sé audaz!
¡Buena suerte! Aquí está mi LinkedIn perfil si quieres conectar conmigo o quieres ayudar a mejorar el artículo. Siéntete libre de enviarme un ping mejor compañero/Mentro; puedes dejarme un mensaje con tu consulta. Estaré feliz de estar conectado. Consulte mis otros artículos sobre ciencia de datos y análisis esta página.
Los medios que se muestran en este artículo no son propiedad de Analytics Vidhya y se utilizan a discreción del autor.
Relacionado:
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://www.analyticsvidhya.com/blog/2023/02/business-case-study-assignments-for-entry-level-data-analysts/
