Markov Chain विश्लेषण

एडवांस्ड Probability: डेटा में अनिश्चितता

Maarten Van den Broeck

Senior Content Developer at DataCamp

Markov Chains क्या हैं?

• अलग-अलग अवस्थाओं वाले सिस्टम का मॉडल करें
• अवस्थाओं के बीच ट्रांज़िशन संभावनाओं पर आधारित
• मुख्य विचार: ट्रांज़िशन सिर्फ वर्तमान अवस्था पर निर्भर
• मुख्य उपयोग: कस्टमर जर्नी समझना

Markov Chain के तत्व

• States: अलग-अलग स्थितियाँ या चरण

Markov Chain के तत्व

• States: अलग-अलग स्थितियाँ या चरण
• Transitions: एक अवस्था से दूसरी में जाने की संभावनाएँ

Markov Chain के तत्व

• Steady-state probabilities: लंबे समय में किसी अवस्था में होने की संभावना
  • सांख्यिकीय सॉफ्टवेयर या BI टूल्स से गणना
  • उदाहरण: sunny के लिए steady-state 66.67%

Transitioning matrix

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

Markov Chains के उपयोग

• कस्टमर रिटेंशन:
  • एंगेजमेंट और churn अवस्थाओं के बीच ट्रांज़िशन संभावनाएँ पहचानना
• कन्वर्ज़न ऑप्टिमाइज़ेशन:
  • सेल्स फ़नल में प्रगति
• प्रोडक्ट रिकमेंडेशन:
  • भविष्य की कस्टमर इंटरैक्शन का अनुमान

उदाहरण: e-commerce$^1$

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

उदाहरण: e-commerce

	Used a (new) coupon	Made a (new) purchase	Exited
Used a coupon	10%	60%	30%
Made a purchase	5%	90%	5%
Exited	15%	5%	80%

उदाहरण: e-commerce

	Used a (new) coupon	Made a (new) purchase	Exited
Used a coupon	10%	60%	30%
Made a purchase	5%	90%	5%
Exited	15%	5%	80%

अभ्यास करते हैं!

एडवांस्ड Probability: डेटा में अनिश्चितता