Markov-ketenanalyse

Geavanceerde kansrekening: Onzekerheid in data

Maarten Van den Broeck

Senior Content Developer at DataCamp

Wat zijn Markov-ketens?

• Modelleer systemen met verschillende toestanden
• Overgangen tussen toestanden op basis van kansen
• Kernidee: overgang hangt alleen af van de huidige toestand
• Belangrijke toepassing: klantreizen begrijpen

Onderdelen van een Markov-keten

• Toestanden: verschillende condities of fases

Onderdelen van een Markov-keten

• Toestanden: verschillende condities of fases
• Overgangen: kansen om van de ene naar de andere toestand te gaan

Onderdelen van een Markov-keten

• Stationaire kansen: langetermijnkansen om in een toestand te zijn
  • Berekend met statistische software of BI-tools
  • Bijv. stationair voor zonnig: 66,67%

Transitiewaardenmatrix

	Zonnig	Bewolkt
Zonnig	80%	20%
Bewolkt	40%	60%

Toepassingen van Markov-ketens

• Klantbehoud:
  • Overgangskansen tussen engagement- en churn-toestanden bepalen
• Conversieoptimalisatie:
  • Voortgang door een salesfunnel
• Productaanbeveling:
  • Toekomstige klantinteracties voorspellen

Voorbeeld: e-commerce$^1$

¹ C voor Coupon, P voor Purchase, E voor Exit

Voorbeeld: e-commerce

	Gebruikte een (nieuwe) coupon	Deed een (nieuwe) aankoop	Verliet
Gebruikte een coupon	10%	60%	30%
Deed een aankoop	5%	90%	5%
Verliet	15%	5%	80%

Voorbeeld: e-commerce

	Gebruikte een (nieuwe) coupon	Deed een (nieuwe) aankoop	Verliet
Gebruikte een coupon	10%	60%	30%
Deed een aankoop	5%	90%	5%
Verliet	15%	5%	80%

Laten we oefenen!

Geavanceerde kansrekening: Onzekerheid in data