Analisi delle catene di Markov

Probabilità avanzata: l'incertezza nei dati

Maarten Van den Broeck

Senior Content Developer at DataCamp

Cosa sono le catene di Markov?

• Modella sistemi con stati diversi
• Transizioni tra stati in base a probabilità
• Idea chiave: la transizione dipende solo dallo stato attuale
• Applicazione chiave: capire i customer journey

Elementi di una catena di Markov

• Stati: condizioni o fasi diverse

Elementi di una catena di Markov

• Stati: condizioni o fasi diverse
• Transizioni: probabilità di passare da uno stato a un altro

Elementi di una catena di Markov

• Probabilità stazionarie: probabilità a lungo termine di essere in uno stato
  • Calcolate con software statistici o tool BI
  • Es.: stazionaria per soleggiato: 66,67%

Matrice di transizione

	Sunny	Cloudy
Sunny	80%	20%
Cloudy	40%	60%

Applicazioni delle catene di Markov

• Customer retention:
  • Identificare le probabilità di transizione tra engagement e churn
• Ottimizzazione delle conversioni:
  • Progressione nel funnel di vendita
• Raccomandazioni di prodotto:
  • Prevedere le interazioni future dei clienti

Esempio: e-commerce$^1$

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

Esempio: e-commerce

	Ha usato un (nuovo) coupon	Ha fatto un (nuovo) acquisto	Uscito
Ha usato un coupon	10%	60%	30%
Ha fatto un acquisto	5%	90%	5%
Uscito	15%	5%	80%

Esempio: e-commerce

	Ha usato un (nuovo) coupon	Ha fatto un (nuovo) acquisto	Uscito
Ha usato un coupon	10%	60%	30%
Ha fatto un acquisto	5%	90%	5%
Uscito	15%	5%	80%

Ayo berlatih!

Probabilità avanzata: l'incertezza nei dati