Wednesday, October 7, 2020

Marketing Automation - phương thức tối ưu ROI Marketing với Machine Learning và AI

Tiếp thị tự động hóa (Marketing automation) là một nền tảng phần mềm (software platform) giúp các công ty có được mối quan hệ và trải nghiệm khách hàng được cá nhân hóa cao trên quy mô lớn, bằng cách tự động hóa quy trình làm việc của các chiến dịch tiếp thị để tạo ra nhiều khách hàng tiềm năng hơn, chốt được nhiều giao dịch hơn và đo lường thành công tiếp thị thông qua các kênh truyền thông khác nhau:


Các công cụ tự động hóa tiếp thị được sử dụng để giải quyết toàn bộ vòng đời của khách hàng bằng cách đồng hành với khách hàng tiềm năng (prospect) và khách hàng (customer) để nâng cao hành trình và nâng cao ARPU (Doanh thu trung bình tương ứng với mỗi khách hàng) của họ ở mỗi giai đoạn. Các trường hợp sử dụng tự động hóa tiếp thị phổ biến nhất như sau:

Tự động hóa tiếp thị tận dụng tiềm năng cao của lượng dữ liệu (Big Data) mà các công ty sở hữu, bằng cách sử dụng máy học để chia nhỏ các tập dữ liệu theo nhu cầu cụ thể (segmentation) (tinh chỉnh mục tiêu chiến dịch), cho điểm (đánh giá thái độ của khách hàng) và phát hiện cơ hội (tiết lộ các liên kết và tương quan ẩn), cho phép đảm bảo chiến dịch tiếp thị hiệu quả, đạt hiệu quả hoạt động và tăng trưởng doanh thu nhanh hơn. Các mô hình học máy AI mô tả và dự đoán giúp xác định khách hàng và nhu cầu của họ, để tăng khả năng họ phản hồi với một chiến dịch nhất định thông qua các kênh truyền thông cụ thể:


Bước 1: Phân tách tập dữ liệu (Data Segmentation)

Phản ứng của khách hàng đối với truyền thông tiếp thị có thể khác nhau tùy thuộc vào nhiều tiêu chí như kênh bán hàng, giới tính khách hàng, vị trí, hoạt động, giao dịch và các thông tin liên quan khác. Phân khúc là một công cụ hiệu quả giúp nhóm các khách hàng có đặc điểm tương tự bằng cách sử dụng dữ liệu lịch sử (hoạt động, thói quen mua hàng và đặc điểm hành vi của họ) và các thuật toán như phân tích thành phần chính (PCA), phương pháp K-means hoặc Two-Step để tìm các cụm. Dưới đây giải thích từng bước về thuật toán PCA để phân chia tập dữ liệu thành từng nhóm giá trị:


Các cụm kết quả (resulting clusters) phải được xây dựng với các nhà tiếp thị, để ánh xạ chúng tới các đặc điểm dễ hiểu thể hiện “tính cách người mua” riêng biệt. Điều này sẽ giúp cá nhân hóa tốt hơn việc giao tiếp với khách hàng của công ty, tùy thuộc vào xu hướng phản hồi của họ đối với các ưu đãi hoặc khuyến mại cụ thể, bằng cách xây dựng chiến lược và thông điệp tinh chỉnh cho từng cá nhân (hoặc phân khúc) đó để phù hợp với từng giai đoạn trong hành trình của khách hàng.

Bước 2: Chấm điểm hồ sơ khách hàng (Customer Profile Scoring)

Làm phong phú thông tin khách hàng bằng cách bổ sung cho họ thông tin mới có giá trị cao được tạo ra bởi các thuật toán máy học giúp các nhà tiếp thị tối đa hóa chuyển đổi khách hàng tiềm năng và ARPU của khách hàng, những điểm số này được sử dụng trong chiến dịch tiếp thị làm điều kiện để thực hiện hành động phù hợp:
Chấm điểm khách hàng tiềm năng: cho phép phân loại khách hàng tiềm năng, bằng cách phân biệt giữa những người thực sự quan tâm đến sản phẩm với những người mới bắt đầu tìm kiếm một số thông tin. cơ hội khách hàng cụ thể sẵn sàng chuyển đổi càng cao. Nó có thể được tính bằng 2 cách:
  1. Rules engine (hệ thống chấm điểm theo quy tắc): bằng cách tăng và giảm điểm số hàng đầu dựa trên tổng trọng số của tương tác, ví dụ: [+1 điểm] cho lượt truy cập trang web, [+5 điểm] nhấp vào Email liên hệ, [+10 điểm] nhấp vào danh mục sản phẩm, [+20 điểm] tải xuống hướng dẫn người mua, [+30 điểm] truy cập hình thức thanh toán, [-10 điểm] sau 1 tháng không hoạt động, [-30 điểm] hủy đăng ký nhận bản tin. Hạn chế: trọng số của tương tác được xác định theo cách thủ công và cần điều chỉnh liên tục
  2. Predictive analytics (Phân tích dự đoán) đặc biệt là regression (hồi quy), chẳng hạn như hồi quy logistic có thể được coi là xác suất chuyển đổi, nó cho phép:
  • Loại bỏ việc chọn các yếu tố dự đoán theo cách thủ công, bằng cách sử dụng các thuật toán lựa chọn tính năng như lùi lại từng bước để chọn thông tin phù hợp nhất về các khách hàng tiềm năng từ thông tin nhân khẩu học, hành vi trực tuyến và tương tác qua email / xã hội.
  • Loại bỏ việc xác định trọng số (weight) vì nó được thuật toán hồi quy tự động xác định trong quá trình đào tạo mô hình.
Tính điểm theo mô hình RFM [Lần truy cập gần đây, Tần suất, Tiền tệ]: nó cung cấp định nghĩa chính xác về những khách hàng tốt nhất, những người trung thành nhất, những người chi tiêu nhiều nhất, những khách hàng gần như rời bỏ dịch vụ.
  • Recency score(điểm số lần truy cập gần đây): Xác định khoảng thời gian [mua ngày gần đây nhất, mua ngày xa nhất] và xếp nó thành 3, 4 hoặc 5 xếp hạng. Những khách hàng đã mua gần đây có nhiều khả năng mua lại hơn là những khách hàng đã mua thêm trong quá khứ.
  • Frequency score(điểm tần suất): Xác định khoảng thời gian [tần suất mua hàng cao nhất, tần suất mua hàng thấp nhất] và xếp nó thành 3, 4 hoặc 5 xếp hạng. Những khách hàng đã mua nhiều hàng hơn trong quá khứ có nhiều khả năng phản hồi hơn là những khách hàng đã mua ít hơn.
  • Monetary score (điểm số tiền tệ): Xác định [giá trị tiền tệ cao nhất, giá trị tiền tệ thấp nhất] và xếp nó vào 3, 4 hoặc 5 xếp hạng Những khách hàng đã chi tiêu nhiều hơn (tổng cộng cho tất cả các giao dịch mua) trong quá khứ có nhiều khả năng phản hồi hơn những người đã chi tiêu ít hơn.



Ưu đãi tốt nhất tiếp theo (Next best offer - NBO): sử dụng các thuật toán liên kết như AprioriCARMA được xử lý  dựa trên dữ liệu lịch sử (thói quen chi tiêu của khách hàng) để đề xuất cho từng khách hàng các sản phẩm và nâng cấp mới phù hợp nhất với nhu cầu của họ, giúp các công ty áp dụng phương pháp lấy khách hàng làm trung tâm (Customer-centric), tăng chuyển đổi marketing và khuyến khích bán hàng để tối ưu CLV
Churn score (tỷ lệ tiêu hao): dự đoán những khách hàng có khả năng cao sẽ hủy đăng ký một dịch vụ.

Dịch từ bài gốc:



Monday, October 5, 2020

Fullstack Software Engineer 's Cookbook



Computer Science Knowledge

⭐️Introduction to Computer Science and Programming Using Python

How The Internet Works

Front End Programming Knowledge

✨ HTML & CSS

💫 JavaScript

✨ Learn JavaScript in 1 Hour

✨ Learn Bootstrap 4 in 30 minutes

Operating Systems

✨ Using the command line
🎉 What is an operating system?
💫 Memory
🎊 Unix Programming
⭐️ Bash-Scripting Guide

Programming Languages

✨ Know PHP
🎉 Learn Ruby

🎉 Learn Java

🎉 Learn Java 8 - Full Tutorial for Beginners

🎉 Learn Python
🎊 Learn Go
⭐️ Know Server-Side JavaScript

Version Control

✨ A Visual Git Reference
🎉 Visualizing Git Concepts with D3
💫 Github Cheat Sheet

Database Concepts

🌟 Object-Relational Mapping
🎉 ACID
💫 N+1 Problem
☄️ Sharding
✨ CAP Theorem
💥 Normalization
🌟 Indexes

Relational Databases

✨ Theory of Relational Databases
🎉 Learn MySQL
💫 Learn PostgreSQL
🎊 Learn MariaDB

NoSQL Databases

💡 Getting Started with ArangoDB

💡 An Introduction To NoSQL Databases


Big Data, Data Science and Machine Learning 

⭐️ https://www.udacity.com/course/intro-to-data-analysis--ud170

⭐️ Data Science Full Course - Learn Data Science in 10 Hours

⭐️ Machine Learning Tutorial 

⭐️ Data Analysis with Python - Full Course for Beginners (Numpy, Pandas, Matplotlib, Seaborn)

APIs

⭐️ Working with APIs
💥 REST
💡 GraphQL
☄️ JSON-RPC

Caching

✨ HTTP caching
☄️ Redis
⭐️ Memcached
🚀 Service workers

Security

✨ HTTPS + TLS
🎉 CORS
💫 MD5
🎊 SHA-2
💡 SCrypt
💥 BCrypt
☄️ OWASP

CI/CD

✨ Testing your code
🎉 Jenkins
💫 TravisCI

Software Development Concepts

☄️ SOLID
⭐️ KISS
💥 YAGNI
✨ DRY
🎉 Domain-Driven Design
🌟 Test Driven Development

Software Architecture 

💫 Microservices and Service Oriented Architecture
🎊 CQRS
⭐️ Serverless

Cloud Computing & Containers

✨ Cloud Computing Tutorial for Beginners

✨ Docker Fundamentals
🎉 Docker Cookbook
💫 Kubernetes Cookbook

💫 https://serversforhackers.com/s/docker-in-dev-v2-i

Servers

☄️ Nginx Handbook
💡 Apache
💥 Caddy

Scalability

Digital Business Strategy & Customer-Centric IT Strategy

🌟 https://www.coursera.org/learn/uva-darden-customer-centric-it-strategy

Refer links

Wednesday, August 12, 2020

Hiểu về thế giới từ dữ liệu như thế nào ?

Dữ liệu (Data) được coi là biểu tượng hoặc dấu hiệu, đại diện cho các kích thích hoặc tín hiệu, sự kiện đã xảy ra được ghi nhận bởi  tác nhân quan sát (sensor, người hay thiết bị thu thập data chuyên dụng)

Thông tin được định nghĩa là dữ liệu có ý nghĩa và mục đích. Chúng ta chỉ hiểu được thông tin khi có ngữ cảnh, nơi thế giới mà dữ liệu đã được thu thập khách quan. 

Kiến thức là sự kết hợp linh hoạt giữa kinh nghiệm, giá trị, thông tin theo ngữ cảnh, cái nhìn sâu sắc của chuyên gia và nền tảng trực giác bên trong mỗi người, cung cấp một môi trường và khuôn khổ để đánh giá và kết hợp các trải nghiệm và thông tin mới. Nó bắt nguồn và được áp dụng trong tâm trí của chúng ta. 

Trong các tổ chức, nó thường không chỉ được nhúng trong các tài liệu và kho lưu trữ mà còn trong các thói quen, quy trình, thực hành và chuẩn mực của tổ chức.

Sự khôn ngoan là khả năng tăng hiệu quả. Trí tuệ làm tăng thêm giá trị, đòi hỏi chức năng tinh thần mà chúng ta gọi là khả năng phán đoán của người lãnh đạo trong tổ chức.  

Các giá trị đạo đức và thẩm mỹ thường có tính nội hàm trong một hệ thống, nó là phản chiếu theo độ đo của theo quan điểm cá nhân và ý thức hệ chính trị/tôn giáo #Ideology 


nguồn dịch từ

https://kvaes.wordpress.com/2013/05/31/data-knowledge-information-wisdom/

Sunday, August 2, 2020

How to build Smart Artificial Evolution Loop with Leo CDP

Vì sao chỉ dùng ý chí quyết tâm Freewill để thích nghi với hoàn cảnh là không đủ nếu {quốc gia, tổ chức, công ty, gia đình} của bạn có chi phí {nợ, vận hành , tiêu dùng} quá lớn ?
Tóm tắt: Thuyết tiến hoá là một lý thuyết khoa học đã thay đổi nhận thức con người về quá trình phát triển sinh học trong tự nhiên, nó cũng đúng một phần với xã hội loài người thời kỳ đầu tiên. Tuy nhiên, chúng ta với tư cách là một loài tiến hoá cao cấp trên hành tinh trái đất có đủ quyền tự do để lựa chọn phương thức tiến hoá có tính tiến bộ nhất.
bài viết trình bày quan điểm cá nhân của mình cho câu hỏi trên, cũng như vẽ tầm nhìn mà công ty công nghệ #USPA sẽ xây dựng trong 5 năm tới. Mình giải thích một số thuật ngữ chính trong hình vẽ như sau: #Evolution Loop: là vòng lặp tiến hoá mà các công ty hay sẽ phải thích nghi với hoàn cảnh.

Có tất cả 3 cấp độ tiến hoá phổ biến (theo quan điểm cá nhân mình)


1️⃣ Quá trình tiến hoá sinh học để hình thành ý thức giá trị cá nhân

#Personal Thinking: là quá trình tiến hoá, phát triển nhận thức ở cấp độ một cá nhân từ lúc sinh ra, trưởng thành và khẳng định giá trị bản thân với xã hội. Vòng lặp OODA là bản chất chính trong quá trình phát triển này. Bốn bước chính bao gồm: #Observe (quan sát), #Orient (định hướng), #Decision (quyết định con đường đi) và #Action (hành động)

2️⃣ Quá trình tiến hoá chiến lược để hình thành ý thức hệ tập thể, quốc gia

#Strategic Thinking: là quá trình tiến hoá thứ 2 sau quá trình tiến hoá sinh học và nhận thức cá nhân. Các cá nhân sẽ liên kết với nhau trong 1 hệ thống luật lê như một nhóm (team hay business unit) để cùng nhau tồn tại và phát triển. Đây là quá trình tiến hoá hình thành các làng xã, các công ty vừa và nhỏ.
Các quá trình tiến hoá chủ động, có tính chiến lược sẽ diễn ra trong 4 bước #Analytics: tổng hợp và phân tích dữ liệu và tổng quát hoá thành các quy trình. #Visual Thinking: tư duy ở mức độ quy trình với hoàn cảnh cụ thể, diễn ra trong bộ não các lãnh đạo của nhóm hay tổ chức. #Critical Thinking: các lãnh đạo sẽ tổ chức các buổi meeting để tư duy phản biện lẫn nhau #Strategy Thinking: một chiến lược cuối cùng sẽ được thông qua để giúp tổ chức từ trạng thái thích nghi bị động sang chủ động trong các tình huống đã được chuẩn bị kỹ lưỡng. Quá trình tiến hoá kiểu trên đã diễn ra trong lịch sử xã hội loài người trong 5000 năm qua ở nhiều cấp độ khác nhau.
Đây là một quá trình đẫm máu vì sự mâu thuẫn quyền lợi diễn ra giữa các lãnh đạo có tư duy chiến lược khác nhau, dẫn đến những cuộc chiến tranh đầy chết chóc. (chiến tranh tôn giáo, chiến tranh quyền lực chính trị, hay giữa các quốc gia để giành tầm ảnh hưởng quyền lực,...)

3️⃣ Quá trình tiến hoá tầm nhìn từ thông tin tri thức hay Dataism để hình thành ý thức, các giá trị đạo đức chung và niềm tin về các mô hình chân lý sự thật có giá trị vượt trên không gian và thời gian

Vì lý do tiến hoá ở mức độ 1 và 2, trong quá trình tiến hoá xã hội lịch sử, các tôn giáo lớn xuất hiện để giúp con người tiến hoá về mặt ý thức và nhận thức. Nó cân bằng và giảm tính bạo lực do quá trình tiến hoá tự nhiên tạo ra. Tiến hoá về mặt tâm linh và ý thức hệ giúp con người xây dựng những giá trị nhân sinh quan vượt thời gian trong hơn 3000 năm qua, từ Do Thái giáo, Kitô giáo, Phật giáo,... đều chứa đựng kiến thức và tri thức để giúp xã hội phát triển, giúp cân bằng giữa bản chất tiến hoá sinh học và tiến hoá nhận thức để con người bớt sống theo bản năng, lấy tri thức và đạo đức là giá trị trung tâm. VD: Kitô giáo lấy giá trị tình yêu giữa con người trong xã hội làm quan điểm trung tâm, Phật giáo lấy sự tỉnh thức trong tâm trí là khái niệm chính.
Ở thế kỷ 21, lần đầu tiên con người đang ở xu hướng kỹ thuật số #Digitalization mọi thứ. Chủ nghĩa dữ liệu #Dataism được hình thành để mang lại ý thức hệ đầu tiên ở thiên niên kỷ thứ 3. Điều này vẫn đang xảy ra nhiều tranh luận sôi nổi giữa các nhà triết học, thần học và khoa học. Tuy nhiên, mọi hệ thống kỹ thuật số phải được vận hành dựa trên dữ liệu và cuộc sống con người ngày càng phụ thuộc computer, smart phone và Internet. Đây là điều không thể phủ nhận.


Trọng tâm chính ở cấp độ thứ 3 là sử dụng ý thức con người ở thực tại kết hợp quá trình tự nhận thức trong tâm trí, tự học hỏi để tìm ra các quy luật mô hình nhân quả (Causality Model) trong một xã hội cụ thể và tổng quát hoá lên thành các quy luật có tính phổ quát cao (Universal Laws).
Ở mức độ tự nhiên, quá trình này cần những người lãnh đạo có khả năng thiên phú cao, kết hợp sự tự rèn luyện liên tục. 
Ở mức độ kỹ thuật số, câu hỏi đặt ra liệu con người kết hợp máy móc có thể hình thành một đức tin mới ?  Đó là câu hỏi mà bản thân mình cũng đang đi tìm câu trả lời 

Wednesday, July 22, 2020

Data Science Courses

Note: This section includes a lot of Massive Open Online Courses (MOOCs). If you want to enroll in a free version of a MOOC, please select the "Full Course, No Certificate" (edX) or "Audit" (Coursera) option. If you opt to take the course for a certificate/credential, you will be charged.

Featured Post

How to build Unified Experience Platform (CDP & DXP)

USPA framework What is USPA framework ? The USPA framework is conceptual framework, to develop Unified Experience Platform (the unified of ...