Uusi

Churnin malli

Churnin malli


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.


Voi valmistus - kodin jauhot ja astiat

Kodin voin valmistus vei aikaa ja energiaa, mutta tarvitsi vain yksinkertaisia ​​laitteita. Matalateknologiset menetelmät olivat edelleen tunnettuja kehittyneiden maiden, kuten Yhdysvaltojen, maaseudulla 1900-luvun puolivälissä. Yhdistyneessä kuningaskunnassa tavallisille perheille tuli harvinaisempaa valmistaa itse voita 1800 -luvun aikana, mutta vanhoja tapoja käytettiin edelleen pienillä tiloilla ja suurien talojen meijereissä.

Sen jälkeen kun lehmä (t) lypsettiin, maito jätettiin laskeutumaan viileään paikkaan, mataliin astioihin, joita kutsutaan myös kattausastioiksi tai pancheons, joten kerma nousee huipulle. (Ellei voita pitäisi valmistaa täysmaidosta: harvinaisempaa kuin kerman valmistaminen.) Messinkiä ja saviastioita käytettiin Yhdistyneessä kuningaskunnassa 1600- ja 1700 -luvuilla, ja savi tuli vähitellen suositummaksi, koska messinki pilaa joskus makua .

Noin puolen päivän kuluttua kerma kuorittiin pois ja asetettiin valmiiksi sekoittamiseen. Pienet kodinvalmistajat haluaisivat kerätä muutaman päivän lypsyn, jotta kermaa olisi tarpeeksi jauhamista, ja pieni käyminen "kypsyttäisi" maun. Mutta kermaa ei voitu jättää odottamaan liian kauan kesällä.

Kerma-skimmereitä käytettiin kerman poistamiseen. Nämä toimivat hyvin, jos ne olivat matalia ja niissä oli ohut, lähes terävä reuna. Parin viime vuosisadan skimmerit olivat usein lautanen muotoisia ja rei'itettyjä kerma kiinni, samalla kun maito tippui takaisin pannuun, aivan kuten ne, joita käytettiin poistamaan pinnan "saastetta" varastosta. Messinkikerma-kuorijat pitkillä tai lyhyillä kahvoilla ovat nyt koriste-antiikkia, mutta jotkut olivat paljon yksinkertaisempia. Kaikki oikea muoto palvelee tarkoitusta, kuten tämä vanhempaan muotoiluun tehty puinen kuorija. Muut nimet näille olivat lentäjä, huijari, kuorilusikka, kuorinta kauha.

Sekoittamisen tulisi tapahtua vähintään kaksi kertaa viikossa kesällä.
Esther Copley, Mökin mukavuudet, Englanti 1825


Mikä on asiakashäiriö?

Asiakasvaihtuvuus, joka tunnetaan myös nimellä asiakkaiden katoaminen, on silloin, kun joku päättää lopettaa tuotteidesi tai palveluidesi käytön. Käytännössä se on silloin, kun asiakas lakkaa olemasta asiakas.

Asiakkaan vaihtuvuus mitataan käyttämällä asiakasvaihtuvuutta. Tämä on niiden ihmisten määrä, jotka lakkasivat olemasta asiakkaita tietyn ajan, kuten vuoden, kuukauden tai taloudellisen vuosineljänneksen aikana. Ilmaisemalla asiakashäiriöt tällaisella mittarilla voit muuttaa ne samankaltaisiksi tiedoiksi, joiden avulla voit mitata edistymistä ajan mittaan. Voit myös ilmaista paisuntasuhteesi dollarin arvona, jos se on järkevää.

Kun määritellään höyrytystä, on tärkeää olla selvä, kun katsot jonkun olevan paahtunut. Jotkut myyntisyklit ovat pidempiä kuin toiset. Esimerkiksi joillakin teollisuudenaloilla, kuten optisilla silmälaseilla tai kodin sisustustarvikkeilla, on tyypillistä, että asiakkaat menevät pitkiä aikoja ilman ostosta tuotteen luonteen vuoksi, eivät siksi, että he ovat liian sitoutuneita tai vaurioituneet. Sovita jokaiselle tarjoamallesi tuotteelle ja palvelulle churn -määritelmäsi tyypilliseen myyntisykliisi, muuten saatat päätyä uudelleenaktivointiin asiakkaiden kanssa ennenaikaisesti.


Sisällys

Lähes mitä tahansa tilastollista mallia voidaan käyttää ennustamiseen. Yleisesti ottaen ennustavia malleja on kaksi luokkaa: parametrinen ja ei-parametrinen. Kolmannen luokan puoliparametriset mallit sisältävät molempien ominaisuudet. Parametriset mallit tekevät "erityisiä oletuksia yhdestä tai useammasta perusjakaumasta, jotka luonnehtivat taustalla olevaa jakaumaa". [3] Ei-parametriset mallit "sisältävät tyypillisesti vähemmän oletuksia rakenteesta ja jakautumisesta [kuin parametriset mallit], mutta sisältävät yleensä vahvoja oletuksia riippumattomuudesta". [4]

Nousumallinnus Muokkaa

Uplift -mallinnus on tekniikka mallintamiseen todennäköisyyden muutos toiminnan aiheuttama. Yleensä tämä on markkinointitoimi, kuten tarjous ostaa tuote, käyttää tuotetta enemmän tai allekirjoittaa sopimus uudelleen. Esimerkiksi säilytyskampanjassa haluat ennustaa muutoksen todennäköisyydessä, että asiakas pysyy asiakkaana, jos heihin otetaan yhteyttä. Todennäköisyyden muutoksen malli mahdollistaa säilytyskampanjan kohdistamisen niihin asiakkaisiin, joille todennäköisyyden muutoksesta on hyötyä. Tämän ansiosta säilytysohjelma voi välttää tarpeettoman hälinän tai asiakkaiden kulumisen aiheuttamatta rahaa hukkaan ottamalla yhteyttä ihmisiin, jotka toimisivat joka tapauksessa.

Arkeologia Muokkaa

Ennustava mallinnus arkeologiassa perustuu Gordon Willeyn 50-luvun puolivälin työhön Perun Virú-laaksossa. [5] Suoritettiin täydelliset ja intensiiviset tutkimukset, minkä jälkeen määritettiin kulttuuristen jäännösten ja luonnonominaisuuksien, kuten kaltevuuden ja kasvillisuuden välinen kovariaabelisuus. Kvantitatiivisten menetelmien kehittäminen ja soveltuvien tietojen parempi saatavuus johti kurinalaisuuden kasvuun 1960 -luvulla ja 1980 -luvun lopulla merkittävät maanhoitajat olivat edistyneet merkittävästi.

Yleensä arkeologian ennustava mallinnus luo tilastollisesti päteviä syy- tai muuttujasuhteita luonnollisten läheisyyksien, kuten maaperätyyppien, korkeuden, kaltevuuden, kasvillisuuden, veden läheisyyden, geologian, geomorfologian jne., Ja arkeologisten piirteiden välille. Analysoimalla nämä arkeologisen tutkimuksen kohteena olleesta maasta saadut määritettävät ominaisuudet, joskus voidaan arvioida kartoittamattomien alueiden "arkeologista herkkyyttä" kyseisten alueiden luonnollisten sijaintien perusteella. Suuret maanhoitajat Yhdysvalloissa, kuten Bureau of Land Management (BLM), Department of Defense (DOD), [6] [7] ja lukuisat moottoritie- ja puistotoimistot, ovat käyttäneet tätä strategiaa menestyksekkäästi. Käyttämällä ennakoivaa mallintamista kulttuurivarojen hallintasuunnitelmissaan he kykenevät tekemään tietoisempia päätöksiä suunnitellessaan toimintaa, joka saattaa vaatia maan häiriöitä ja vaikuttaa myöhemmin arkeologisiin kohteisiin.

Asiakassuhteen hallinta Muokkaa

Ennakoivaa mallintamista käytetään laajasti analyyttisessä asiakassuhteen hallinnassa ja tiedon louhinnassa tuottamaan asiakastason malleja, jotka kuvaavat todennäköisyyttä, että asiakas ryhtyy tiettyyn toimenpiteeseen. Toimet liittyvät yleensä myyntiin, markkinointiin ja asiakkaiden säilyttämiseen.

Esimerkiksi suurella kuluttajaorganisaatiolla, kuten matkaviestinoperaattorilla, on joukko ennustavia malleja tuotteiden ristimyyntiin, tuotteiden syvään myyntiin (tai ylimyyntiin) ja churniin. On myös tavallista, että tällaisella organisaatiolla on säästymismalli, joka käyttää kohotusmallia. Tämä ennustaa todennäköisyyden, että asiakas voidaan pelastaa sopimuskauden lopussa (muutos churn -todennäköisyydessä) verrattuna tavanomaiseen churn -ennustusmalliin.

Autovakuutus Muokkaa

Ajoneuvovakuutuksessa käytetään ennakoivaa mallintamista, jotta vakuutuksenottajille voidaan määrittää vaaratilanteiden riski vakuutuksenottajilta saatujen tietojen perusteella. Tätä käytetään laajasti käyttöpohjaisissa vakuutusratkaisuissa, joissa ennakoivat mallit hyödyntävät telemetriaan perustuvaa tietoa vahinkojen todennäköisyyden ennustavan riskin mallin rakentamiseen. [ viite Tarvitaan ] Mustan laatikon autovakuutusten ennakoivissa malleissa käytetään vain GPS- tai kiihtyvyysanturianturin tuloa. [ viite Tarvitaan ] Joissakin malleissa on laaja valikoima ennustavia syötteitä perustason telemetrian lisäksi, mukaan lukien kehittyneet ajo -ominaisuudet, riippumattomat törmäystiedot, tiehistoria ja käyttäjäprofiilit parannettujen riskimallien tarjoamiseksi. [ viite Tarvitaan ]

Terveydenhuolto Muokkaa

Vuonna 2009 Parkland Health & amp Hospital System aloitti sähköisten lääketieteellisten asiakirjojen analysoinnin ennustavan mallinnuksen avulla potilaiden tunnistamiseksi, joilla on suuri takaisinottoriski. Aluksi sairaala keskittyi potilaille, joilla oli kongestiivinen sydämen vajaatoiminta, mutta ohjelma on laajentunut sisältämään potilaita, joilla on diabetes, akuutti sydäninfarkti ja keuhkokuume. [8]

Vuonna 2018 Banerjee et ai. [9] ehdotti syväoppimismallia-Todennäköisiä ennusteita eloonjääneisyydestä metastaattisilla syöpäpotilailla (PPES-Met)-potilaiden lyhytaikaisen elinajan (& gt3 kuukautta) arvioimiseksi analysoimalla vapaamuotoisia kliinisiä muistiinpanoja sähköisessä sairauskertomuksessa , samalla kun säilytetään ajallinen vierailujärjestys. Malli on koulutettu suurella aineistolla (10 293 potilasta) ja validoitu erillisellä aineistolla (1818 potilasta). Se saavutti alueen ROC (Receiver Operating Characteristic) -käyrän alle 0,89. Selittääkseen he kehittivät interaktiivisen graafisen työkalun, joka voi parantaa lääkärin ymmärrystä mallin ennusteiden perusteista. PPES-Met-mallin korkea tarkkuus ja selitettävyys voivat mahdollistaa sen, että mallia voidaan käyttää päätöksenteon tukityökaluna, jolla voidaan räätälöidä etäpesäkkeinen syövän hoito ja tarjota arvokasta apua lääkäreille.

Algoritminen kaupankäynti Muokkaa

Ennakoiva mallintaminen kaupankäynnissä on mallinnusprosessi, jossa lopputuloksen todennäköisyys ennustetaan käyttämällä ennustavia muuttujia. Ennustavia malleja voidaan rakentaa eri omaisuuserille, kuten osakkeille, futuureille, valuutoille, hyödykkeille jne. viite Tarvitaan ] Kauppayritykset käyttävät edelleen laajalti ennakoivaa mallintamista strategioiden ja kaupan suunnittelussa. Se käyttää matemaattisesti edistynyttä ohjelmistoa arvioidakseen hinta-, volyymi-, avoimen korko- ja muun historiallisen datan indikaattoreita löytääkseen toistettavia malleja. [10]

Liidien seurantajärjestelmät Muokkaa

Ennakoiva mallinnus antaa päägeneraattoreille etumatkan ennustamalla dataan perustuvia tuloksia jokaisesta mahdollisesta kampanjasta. Tämä menetelmä säästää aikaa ja paljastaa mahdolliset sokeat kulmat auttaakseen asiakasta tekemään älykkäämpiä päätöksiä. [11]

Ennakoivan mallinnuksen huomattavia epäonnistumisia Muokkaa

Vaikka ennustava mallinnusyhteisö ei keskustellut siitä laajalti, ennustava mallinnus on menetelmä, jota on käytetty laajalti finanssialalla, ja jotkut merkittävistä epäonnistumisista vaikuttivat vuosien 2007–2008 finanssikriisiin. Nämä epäonnistumiset ovat esimerkki vaarasta luottaa yksinomaan malleihin, jotka ovat luonteeltaan olennaisesti taaksepäin. Seuraavat esimerkit eivät suinkaan ole täydellinen luettelo:

1) Bond -luokitus. S & ampP, Moody's ja Fitch määrittävät joukkovelkakirjojen maksukyvyttömyyden todennäköisyyden erillisillä muuttujilla, joita kutsutaan luokitukseksi. Luottoluokitus voi ottaa erillisiä arvoja AAA: sta D. Luottoluokituslaitokset epäonnistuivat luokituksissaan 600 miljardin Yhdysvaltain dollarin asuntolainavakuusvelkakirjalainalla (CDO). Lähes koko AAA-ala (ja super-AAA-sektori, uusi luokituslaitos, jonka luokituslaitokset ovat esittäneet erittäin turvalliseksi sijoitukseksi) CDO-markkinoiden maksukyvyttömyystilanteessa tai alennettu vakavasti vuoden 2008 aikana, ja monet heistä saivat luokituksensa alle vuosi sitten. [ viite Tarvitaan ]

2) Toistaiseksi tilastollisten mallien, jotka yrittävät ennustaa osakemarkkinoiden hintoja historiallisten tietojen perusteella, ei katsota jatkuvasti tekevän oikeita ennusteita pitkällä aikavälillä. Yksi erityisen mieleenpainuva epäonnistuminen on Long Term Capital Management -rahasto, joka palkkasi erittäin päteviä analyytikoita, mukaan lukien taloustieteiden Nobelin muistopalkinnon voittaja, kehittämään kehittyneen tilastollisen mallin, joka ennusti eri arvopapereiden väliset hintaerot. Mallit tuottivat vaikuttavia voittoja, kunnes suuri epäonnistuminen aiheutti Yhdysvaltain keskuspankin silloisen puheenjohtajan Alan Greenspanin ryhtyä välittämään Wall Streetin välittäjien jälleenmyyjien pelastussuunnitelmaa estääkseen joukkovelkakirjamarkkinoiden romahtamisen. [ viite Tarvitaan ]

1) Historia ei aina voi ennustaa tarkasti tulevaisuutta. Historiallisista tiedoista johdettujen suhteiden käyttäminen tulevaisuuden ennustamiseen olettaa epäsuorasti, että monimutkaisessa järjestelmässä on tiettyjä pysyviä olosuhteita tai vakioita. Tämä johtaa melkein aina epätarkkuuteen, kun järjestelmässä on ihmisiä. [ viite Tarvitaan ]

2) Kysymys tuntemattomista tuntemattomista. Kaikessa tiedonkeruussa keräilijä määrittelee ensin muuttujat, joille tiedot kerätään. Kuitenkin riippumatta siitä, kuinka laajasti keräilijä pitää muuttujiensa valintaa, on aina mahdollisuus uusiin muuttujiin, joita ei ole otettu huomioon tai edes määritelty, mutta jotka ovat lopputuloksen kannalta kriittisiä. [ viite Tarvitaan ]

3) Algoritmin vastustava tappio. Kun algoritmista tulee hyväksytty mittaustandardi, sitä voivat hyödyntää ihmiset, jotka ymmärtävät algoritmin ja joilla on kannustin huijata tai manipuloida tulosta. Näin tapahtui edellä kuvatulle CDO -luokitukselle. CDO-jälleenmyyjät täyttivät aktiivisesti luottoluokituslaitosten panoksen päästäkseen AAA- tai super-AAA-arvoon niiden myöntämässä CDO: ssa manipuloimalla taitavasti muuttujia, jotka olivat "tuntemattomia" luokituslaitosten "kehittyneille" malleille. [ viite Tarvitaan ]


Johdatus Churn -analyysiin

Kuvan lähde: https://www.sisense.com/dashboard-examples/customer-service/customer-churn-analysis/

Churn -analyysi, jota kutsutaan myös kulumisnopeudeksi, voidaan määritellä tietojen analysointiprosessiksi, jotta voidaan ymmärtää, miksi asiakkaat lopettivat tiettyjen tuotteiden tai palveluiden käytön. Se voidaan edelleen määritellä nopeudella, jolla asiakkaat lopettavat liiketoiminnan yhteisön kanssa, tai nopeudella, jolla työntekijät poistuvat asemastaan ​​yrityksessä. Se ei vain anna käyttäjille nopeutta lopettaa palveluidesi käyttö, vaan kertoo myös miksi, milloin ja miten ongelma korjataan.

Yrityksesi strategiaa ei ole mahdollista muuttaa asiakkaiden säilyttämisen vähenemisen vuoksi ilman, että teet kattavan tutkimuksen heidän lähdönsä syistä, poistuneiden luokista ja kartoitetaan malleja tulevan tapahtuman muuttamiseksi.

Churn-analyysi on myös erittäin tärkeä tilauspohjaiselle liiketoiminnalle, koska se laskee prosenttiosuuden, jolla tilaajat lopettavat tilauksensa tietyn ajanjakson aikana. Jotta tällaiset organisaatiot voisivat lisätä asiakaskuntaansa, kasvunopeuden, joka on uusien hankintojen määrä, on ylitettävä Churn Rate. On olemassa useita laajalti käytettyjä ohjelmistoja, jotka voivat auttaa sinua suorittamaan Churn -analyysin. Churn -analyysiä Excelissä pidetään helpoimpana suoritettavana.


. Ja 5 vaihetta Churn -analyysin suorittamiseen

Nyt kun ymmärrät tärkeimmät syyt, jotka aiheuttavat asiakkaiden hätääntymisen, tässä ovat paikat, joista voit etsiä, ja strategiat, joita voit käyttää asiakasvaihteluanalyysin tekemiseen koko yrityksessäsi.

1. Arvioi kilpailijoiden vahvuudet ja heikkoudet

Kuten aiemmin keskustelimme, jos kilpailijalla on ehdottomasti parempi hinnoittelurakenne kuin sinulla säilyttäen samalla laatutaso, asiakkaan on turha vaivata kilpailijaasi. Vaikka asiat ovat harvoin näin yksinkertaisia, periaate on edelleen sama. Sinun tulisi jatkuvasti tutkia kilpailijoitasi tunnistaaksesi alueet, joilla he ovat parempia kuin sinä, ja pyrkisi vahvistamaan oman liiketoimintasi osa -alueita vähentääksesi asiakkaiden määrää.

Sinun ei pitäisi vain tunnistaa kilpailijoiden vahvuuksia, vaan myös paikkoja, joissa he ovat haavoittuvia ja heikompia tarjonnassaan kuin sinä, jotta tiedät, missä voit hyödyntää omia vahvuuksiasi ja mahdollisesti tuoda heidän asiakkaansa luoksesi.

2. Tutki tukilippuja toistuvien ongelmien varalta

Yksi keskeytysanalyysistrategiastasi pitäisi olla usein esiintyvien asiakkaiden valitusten tunnistaminen. Käytätkö asiakaspalvelutiimisi tukilippuja, chatbotteja tai muuta tapaa seurata ongelmia, tämän pitäisi olla yksi ensimmäisistä tutkittavista muuttujista. Nämä valitukset tulevat asiakkailta, jotka olivat järkyttyneitä ja motivoituneita ottamaan yhteyttä, mikä osoittaa, että tuotteessasi voi olla merkittävä puute, jota et tiennyt. Sinun tulisi koota ja luokitella tämä palaute säännöllisesti ja käsitellä mahdolliset toistuvat ongelmat mahdollisimman pian.

3. Käytä mielianalyysiä kanavissa

Jos haluat viedä edellisen churn -analyysistrategian uudelle tasolle, sinun on sovellettava tunteiden seurantaa ja analysointia kaikilla kanavillasi, mukaan lukien asiakastukiliput, online -arvostelut, sosiaalisen median maininnat ja kaikki muut asiakkaat, jotka kommunikoivat brändistäsi. Käyttämällä tekoälykäyttöistä tekstianalytiikkaa asiakaspalautteen keräämiseen suuressa mittakaavassa voit tehdä tietoisempia ja dataan perustuvia päätöksiä siitä, mikä aiheuttaa asiakkaiden hälinää. Lue lisää Chattermillin edistyneistä CX -seurantaominaisuuksista ja siitä, miten ne voivat auttaa brändiäsi suorittamaan asiakasvaihteluanalyysin.

4. Tutustu asiakkaiden luovutuspisteisiin ja niihin liittyviin muutoksiin

Vaikka tuotteesi käyttäjät eivät jätä tiettyä arvostelua tai ottavat yhteyttä asiakastukeen tietyistä ongelmista, voit käyttää churn -analyysiä selvittääksesi, aiheutuiko tiettyjä muutoksia, jotka saivat heidät poistumaan. Esimerkiksi rantatarvikeyritys saattaa kokea merkittävän vaihtuvuuden sesongin ulkopuolella, koska monet ihmiset eivät aio ostaa uutta uimapukua talvella.

Tai ehkä yrityksesi otti äskettäin käyttöön uuden AI -chatbotin ja näki samalla suurta asiakasvaihtuvuutta. Tämä voi osoittaa, että asiakkailla on ongelmia uuden tekniikan kanssa. Selvittämällä liiketoiminnan muutokset ja vastaavat muutokset, voit löytää brändistäsi asioita, joista asiakkaat eivät selvästikään pidä, vaikka he eivät nimenomaan sanoisi niin arvosteluissa.

5. Hyödynnä asiakassegmenttejä perusteellisempaan analyysiin

Kaikki asiakkaat eivät ole samanlaisia, joten jotta churn -analyysi olisi paljon oivaltavampi, sinun tulee myös segmentoida asiakkaasi iän, sukupuolen, tulojen, tilaustyypin (jos sovellettavissa), tuotteesi historian ja muiden asiaankuuluvien datapisteiden mukaan. Näin voit varmistaa, että asiakastyytyväisyys on mahdollisimman tehokas ja että se vastaa kunkin segmentin yksilöllisiin tarpeisiin.

Et halua kohdella upouutta asiakasta samalla tavalla kuin 10-vuotista yritystason tilaajaa. Asiakkaiden segmentointi voi myös auttaa sinua tunnistamaan ylimyyntimahdollisuuksia, jos pystyt seuraamaan mallia, jonka tyyppiset asiakkaat todennäköisemmin pyytävät lisäominaisuuksia tiettyinä aikoina asiakasmatkalla.

Katso alla olevasta kuvasta konsolidoidut takeaways siitä, mikä aiheuttaa pyörtymistä ja tapoja suorittaa asiakaspoikkeama -analyysi:

Onnellisten ja uskollisten asiakkaiden ylläpitäminen on avain menestyvään liiketoimintaan, ja Chattermillin kehittyneet, tekoälykäyttöiset tekstianalyysi- ja mielialananalyysityökalut voivat auttaa sinua suorittamaan hälinäanalyysin ja varmistamaan, että asiakkaasi ovat tyytyväisiä. Ota yhteyttä Chattermilliin, jos haluat luoda esittelyn ja nähdä sen toiminnassa.


Palaute

Jos sinulla on ideoita tai haluat jakaa ajatuksiasi työstämme, tietotieteellinen tiimimme kuulee mielellään sinusta. Lähetä palautetta osoitteeseen [email protected]

Tapaa Mogulit: 5 takeaway Emily Leyltä, Barbara Corcoranilta ja Andrew Bialeckilta

Miksi brändit eivät voi kiinnittää toiveitaan pääpäivänä

Yhteisen markkinajärjestelyn neuvoja kuluttajatietojen yksityisyyden muutoksiin vastaamiseksi

Saat sähköpostimarkkinointitietoja suoraan postilaatikkoosi.

Christina Dedrick

Christina on datatieteilijä Klaviyossa. Hän on auttanut rakentamaan useita Klaviyon datatieteen tuotteita: vertailuarvot, älykäs lähetysaika, ennustettu sukupuoli ja CLV. Kun Christina ei luo työkaluja, joiden avulla yritysten on helppo hyödyntää tietojaan, Christina löytyy yleensä patikoinnista tai kalliokiipeilystä.


Voi valmistus on ikivanha käytäntö, joka mainitaan jopa pyhissä kirjoituksissa.

Käsite kerman erottamisesta tuoreesta täysmaidosta ja ravistelu tai jauhaminen voiksi on hyvin dokumentoitu muinaisessa historiassa.

Voi -jauhojen löytäminen johti myöhemmin juuston valmistukseen.

Nykyisin tunnettuja voin tikkuja myytiin joissakin maaseutukaupoissa vasta 1900 -luvun puolivälissä.

Voi sekoitettiin kotona tai myytiin suoraan meijerissä. Joitakin näistä toimittajista kutsuttiin myös kermatehtaiksi.

1960 -luvun puoliväliin saakka voita sekoitettiin edelleen käsin useimmilla maaseudun tiloilla.

Useimmat näistä tiloista olivat erittäin omavaraisia ​​ja joko omistivat maitolehmän tai vaihtoivat muita kotimaisia ​​hyödykkeitä tuoreelle maidolle ja kermalle.

Vielä tänäkin päivänä voita sekoitetaan käsin tai jauhetaan pienissä sähköisissä voisekoittimissa monissa maaseudun kodeissa.

Kun voi valmistettiin, se otettiin pois jauhosta, pantiin kulhoon ja huuhdeltiin viileällä vedellä, kunnes vesi valui puhtaana.

Sitten voita käsiteltiin laudalla, kunnes kaikki vesi oli poistettu.

Valmis tuote kaadettiin sitten astiaan tai puiseen voin muottiin muotoiltavaksi ja muotoiltavaksi.

Monet ravintolat ja hienot hotellit sekoittivat oman voinsa ja laittivat sen puisiin yksittäisiin pihvi -allekirjoitusmuotteihin logonsa tai symbolinsa näyttämiseksi.

Kirnupiimä on seurausta siitä, että jäljellä oleva maito on jäänyt vatkaimeen.

Kirnupiimä on kokkien suosikki ainesosa, joka parantaa monia leivontareseptejään.

Jotkut saattavat jopa uskoa, että se ja salaa salaisen reseptinsä.

Voi valmistuksen historia

Koska voin valmistuksen todellisesta löydöksestä ei ole juurikaan dokumentointia, oletetaan, että voin löysivät ensin paimentolaiset paimenet, jotka kantoivat maitoa nahkaisissa satulapusseissa.

Matkan lopussa he huomasivat, että maito oli ravistettu niin pahasti, että se oli muuttunut kiinteäksi aineeksi eri makuisella maidolla. Tämä maito tunnetaan voimaitona.

Voi pidettiin aikoina ylellisenä ruokia, jotka sopivat kuninkaallisiin. Herkullinen löytö ei kestänyt kovin kauan, koska se piti nopeasti käyttää ennen kuin se muuttui pilaantuneeksi.

Kelttiläiset ovat kuulemma ensimmäiset, jotka käyttävät suolaa voin säilyttämiseen pidempään pöydän ikään.

Voi -jauhojen historia

Ensimmäisissä tunnetuissa voipulloissa käytettiin edelleen nahkapusseja, jotka ripustettiin ja ravistettiin eri käsin.

Ilmeisesti jossakin vaiheessa joku havaitsi saman tuloksen tapahtuvan maidon ravistamisessa puisessa tynnyrissä.

Lisää löytö paljasti, että kun tynnyri oli varustettu puulapeilla sisäpuolelta, maidosta voitiin tehdä voita pyörittämällä.

On epäselvää, milloin mäntää, josta tulee tunniste �sher ”, käytettiin ensimmäisen kerran.

Puinen voinpuristin ja kojelauta, joka tunnetaan nimellä �sh churn ”, tuli kotitalouksien lähteeksi, jossa kerman voi muutetaan voiksi.

Puinen viiva on edelleen käytössä monissa Euroopan maissa.

Pyörivä puinen tynnyri asetettiin myös jalustalle käsikammilla ja myöhemmin kehitettiin kiinteäksi puuputruksi, jossa käsivipu oli kiinnitetty puisen juoksupyörän sisäpuolelle.

Jossain vaiheessa jopa puinen tynnyri kiinnitettiin paikallaan olevan alustan kummallekin puolelle pyörivällä käsivivulla, joka käänsi tynnyrin päästä päähän.

Puutynnyrin sisällä olevien puulattioiden varhainen havaitseminen osoittaa, että kerma tarvitsi roiskumaan jotain vastaan, jotta voitaisiin aloittaa siirtyminen.

Ilman roisketankoa kerma pyörii yksinkertaisesti tynnyrissä.

Monet ihmiset uskoivat, että noituus oli pelissä, jos heidän kerma ei sulanut voiksi.

Useat patentit ottivat puisen tynnyrin jauhatuksen ja korvasivat sen neliö- tai kahdeksankulmaisella laatikolla, joten kerma ei voinut & apost vain pyöriä sisällä.

Dokumentaatio ei todellakaan näytä voisekoittimien tasaista ja nopeaa kehitystä, ennen kuin ihmiset alkoivat patentoida niitä 1800 -luvulla.

1800 -luvun loppupuolella ja 1900 -luvun puoliväliin saakka yli 2500 patenttia myönnettiin erilaisille voipuristimalleille.

Ilmeisesti patentin saaminen tällä aikakaudella oli erittäin helppoa, vaikka muut myönnetyt patentit olisivat hyvin samankaltaisia.

Kun tarkastellaan lasin voipuruja, joista on keskusteltu tässä navassa, rinnakkain käsikammimallien suunnittelussa ja toiminnassa on hyvin vähän eroa, mutta niille myönnettiin niin paljon erilaisia ​​patentteja.

Useat patentit ottivat puisen tynnyrin jauhatuksen ja korvasivat sen neliö- tai kahdeksankulmaisella laatikolla, jotta kerma ei voinut & apost vain pyöriä sisällä.

Patentteja myönnettiin myös keinuvirtaukselle, jossa käytettiin muunnelmia puulaatikosta, jonka sisäpuolella oli välilevyt, kerman sekoittamiseen, kun se keinui ohjauslevyjen yli.

Muut mallit ottivat paikallaan olevan puulaatikon ja varustettiin sen kanssa keinuvilla ohjauslevyillä, jotka oli kiinnitetty kahvaan kerman heiluttamiseksi edestakaisin.

Kun yhä useammat ihmiset työskentelivät jauhojen valmistuksen parissa voin tuottamiseksi nopeammin, toiset työskentelivät vuodonkestävän astian siirtymisen parissa.

Kun ihmiset kehittivät käsin lasitettuja keramiikkakulhoja, astioita ja astioita, siirtyminen lasitettuun keramiikkaviivaan tuli myös 1800 -luvulta ja siitä tuli valinta 1900 -luvulle asti.

Bakteereista ja hygieniamenetelmistä tiedettiin 1800 -luvulla vähän, mutta keraamisen jauhopohjan valinta olisi tullut merkittäväksi tiedon kasvaessa.

Tinaa käytettiin myös voipulloissa. Vanhojen tynnyrien ja keinuvuokien tarkastelussa tina merkitään ulkopinnana puun sijasta useissa eri malleissa.

Tinarasiapohjaa käytettiin myös käsikampikammioissa, jotka tulivat esiin monista jätetyistä patenteista.

Yksi tällainen patentti tina -voipuristuksesta myönnettiin herralle nimeltä Nathan Dazey, joka perusti Dazey Churn Companyn.

Lasin voin eteneminen etenee Amerikassa

Kuten todistetaan nykypäivän antiikkiliikkeissä saatavilla olevien voipullojen määrästä, Dazey oli luultavasti yksi menestyneimmistä voipuristimien valmistajista tai ehkä parhaista markkinoijista?

Nathan Dazey Dallasista omisti patentin tinarasiavoille, jota käytettiin laajalti, kunnes he alkoivat myydä lasivoirasioita vuodesta 1922 lähtien.

Nimi Dazey hallitsisi myöhemmin Yhdysvaltojen voin jauhomarkkinoilla versiollaan lasipurkista, jossa käytettiin käsikamppiteknologiaa, jonka he olivat kehittäneet niin hyvin tinahiutaleiden kanssa.

Käsikampipuristimessa käytettiin hammaspyöräjärjestelmää, joka käänsi puusta tai metallista siivillä varustetun tangon.

Ensimmäiset lasipurkit kehitettiin itse asiassa Englannissa Blow Churn Companyn toimesta vuonna 1900 ja niitä valmistettiin vuoteen 1929 asti.

Siitä lähtien lasivoihaukon siirtyminen Amerikkaan muuttuu hieman sumeaksi, koska näyttää siltä, ​​että on olemassa useita erilaisia ​​kertomuksia siitä, miten ja milloin lasipuristin alkoi valmistaa Yhdysvalloissa.

Mielenkiintoinen suunniteltu lasipuristin hyppäsi lampi ja sai Yhdysvaltain patentin vuonna 1921.

On myös epäselvää, miten siirtyminen Englannista Yhdysvaltoihin tapahtui. Näyttää siltä, ​​että se oli yhteistyö Yhdysvaltain patentinhaltijan kanssa.

Pian sen jälkeen, kun patentti Taylor Brothers Churn Company St.Louis Mo. -yhtiöstä alkoi valmistaa Blow Churnin kaltaista lasivoi -vaahtoa nimellä �ndy ”

Ennen lasipuristusta Nathan Dazey, joka valmisti tölkkien avaimia Dallasissa Texasissa, osti EZ Butter Churn Companyn.

Tämä hankinta tarjosi Daseylle mahdollisuuden päästä voikylpyliiketoimintaan alkaen tinavoista, jonka hän patentoi vuonna 1917.

Menestyksessään tina -voisekoittimella Nathan Dazey kiinnostui ajatuksesta tehdä pieni kotityylinen paahtoleipä pienelle perheen maaseututilalle.

Suurimmalla osalla näistä tiloista oli päivittäistä tuoretta täysmaitoa, mutta se oli rajallinen yhdeltä lehmältä.

Suuremmat tinaputket olivat vaikeita pienelle perhetilalle, koska sähköä ei tuolloin ollut saatavilla ja jäähdytys oli hyvin rajallista.

Maito ja kerma piti käsitellä nopeasti, eikä niitä voitu pitää pitkään, jotta voitaisiin valmistaa suurempia voita.

Käsikampitekniikallaan Dazey arvasi voivansa helposti sovittaa sen pienempään lasipurkkiin, joka on samanlainen kuin Taylor Brothers Churn.

Dazey Manufacturing Company kasvoi siihen pisteeseen, että hänen poikansa John yhdisti voimansa hänen kanssaan ja he siirsivät yrityksen St.

Näyttää siltä, ​​että jonkin verran yhteistyötä on saattanut tapahtua myös St. Louisissa toimivan Taylor Brothers Churn Companyn kanssa, mutta Dazey sai patentin hyvin samanlaisesta lasipuristuksestaan ​​vuonna 1922.

Myöhempien raporttien mukaan Dazey osti Taylor -yrityksen vuonna 1945.

On myös mielenkiintoista, että Dazey osti Standard Churn Companyn vuonna 1950 ja alkoi käyttää Standard Churn -kädensijaa, metalliteriä ja jopa tulppaanilasipurkkeja.

Ilmeisesti Dazey koki, että Standard Churn oli parempi muotoilu kaikkien vuosien menestyksen jälkeen alkuperäisten Dazey -jauhojen kanssa.

Onko siis vain se, että Dazey oli parempi markkinoinnissa, vai alkaisiko Standard suorittaa Dazeyn laatua?

Tuolloin uutiset kulkivat hitaasti, eikä ihmisillä ollut apostolien tuotearvostelujen lähteitä tietääkseen mikä oli parasta. He voivat luottaa vain valmistajien mainoksiin.

Dazeylla oli jo vankka nimen tunnistus sen kautta ja aposs vahvisti tinaa, joka luultavasti antoi heille jalan Taylorin ja Standardin yli.

Jos sinulla on Dazey -pata, jossa on metalliterät ja tulppaanilasipurkki, se on todennäköisesti tehty vuoden 1950 jälkeen.

Useat muut yritykset valmistivat lasivoihaukkoja, Elgin ja Fulton olivat kaksi tällaista valmistajaa.

Nämä yritykset myös selkeät merkityt paahtimet sellaisille megapostimyyntiyrityksille kuin Sears Roebuck ja Montgomery Ward.

Sears ja Wards olivat varhaispäivän alennusmyymälöitä, jotka antoivat Dazeylle vaikean aseman markkinoilla.

Tämä ajanjakso 1930 -luvulla oli erityisen vaikea yrityksille, jotka yrittivät myydä uusia tuotteita, koska maa yritti yhä toipua masennuksesta.

Dazey yritti pitää markkinaosuutensa taloushieronnalla nimeltä Price Churn.

Muut yritykset tekivät omat paahtimensa tai tekivät vuokrasopimusyrityksen kanssa sopimuksen tavallisista etikettimurskauksista.

Löysimme pari lasipurkkia, kuten kuvassa, jossa oli vain yksinkertainen puinen mäntä.

Emme voineet & julkaista valmistajan tunnusta tai löytää vastaavaa tuotetta Internetistä tälle männänpoimulle.

Mäntä näyttää samalta kädessä pidettävällä puisella sekoittimella, jonka olemme nähneet muissa antiikkiliikkeissä.

Ilmeisesti niitä käytettiin pyörittämällä puisen tapin kahvaa edestakaisin käsien välissä samalla kun upotettiin ylös ja alas lasipurkkiin.

Mäntäpuhallus näyttää olevan tehdasvalmisteinen, mutta se olisi voinut olla hyvin kotitekoinen tai pienen alueellisen valmistajan Teksasissa.

Texas on ainoa paikka, jossa olemme koskaan nähneet tämän puisen männän.

Toinen mahdollisuus on se, mitä olemme nähneet muissa antiikkikaupoissa.

Sunbeamilla oli myös lasipurkkimylly markkinoilla liitetiedostona suosittuun Sunbeam Mix Master -sähkösekoittimeen.

Emme olleet tietoisia Sunbeam -sekoittimen kiinnikkeestä, ennen kuin törmäsimme siihen antiikkikaupassa ja meidän piti vain saada se.

Riippumatta tämän ajan aikana tehdyistä monista erilaisista jauhoista Dazey näytti hallitsevan voin jauhomarkkinoita sekä tina- että lasipurkkiin.

Tämä on yksi syy siihen, että Dazey churnit ovat edelleen niin saatavilla antiikkiliikkeissä.

Dazey -lasipuristuksesta tuli suosittu perheiden keskuudessa, jotka halusivat valmistaa pieniä pieniä eriä voita.

Sen ’s -koko mahdollisti sen säilyttämisen helposti tieltä ruokakomerohyllyllä.

Suuremmissa koissa oleva Dazey -tinapuristus pysyi suosittuina kaupallisen kokoisten meijeritoimintojen keskuudessa.

Kun Dazey täydensi ja modernisoi hankausta, avoin käsikamppi oli suljettu nykyaikaisemmalla vaihteistolla, jota jotkut kutsuvat punaiseksi jalkakuulaksi.

Dazey jatkoi innovaatioiden kanssa siivilän yläosassa ja sitten sähkömoottoriversiot maaseudun sähköistyessä.

The hand crank versions were still used up into the 1960s as many rural homes didn’t obtain electricity until the mid 1960s.

Dazey hand crank churns are still being used and even reproductions of a hand crank churn are being used on rural farms and within sustainable living cultures.

These reproductions are actual working butter churns. Since Dazey churns have become such popular collector items fetching around $175 each many other antique reproduction Dazey churns have entered the market place.

Dazey never made a churn smaller than a 1 qt so the small so called salesman sample is for sure a fake.

Other butter churns used today for the home and small commercial dairy operations are made of Stainless Steel.

If you’re interested in locating a working reproduction churn to actually make butter, online self sufficient back to basic stores like Cottage Craft Works .com carry new glass, pottery, and stainless butter churns.


2. Development

Zero hour

Ok, so let’s sum up what we have. We have telecoms overwhelmed with the amount of data and irritated customers. The telecoms struggle with decreasing customer retention and growing churn, while customers don’t get the offers they seek.

Being a problem of most telecoms worldwide, growing churn was also a problem of one of the major Polish telecoms when they approached Neoteric . With the help of SaaS Manager, we intended to help them increase customer retention. Our major goals were to:

  • implement AI and predictive analysis to better understand clients’ preferences , which was measured with the churn rate (we wanted to reduce it by 2 percentage points in one year from the product launch),
  • transfer our knowledge so that the Client’s analysts would be able to build and use their own predictive models.

Solution – how we relieved some of these pains in one of the major Polish telecoms

Step 1: Prototype

After identifying the Client’s main pain points, we started the project with prototyping. The prototype we made was a sample model predicting churn . Its aim was to show that with specific data, it will be able to predict which customers want to leave, changing their service provider or resigning from the offered service for good.

The model was trained using some sample data and it was available as a service with an interface for integration. As the customers’ data processed by the model was shared through the API, it was easy to process it further – regardless of the tool that our Client’s team might want to use or will use in the future.

Step 2: More predictive models

The next step was to introduce another model and to merge it with the one predicting churn. The new model was meant to assess customers’ buying preferences. Once a customer was identified as one who was likely to leave, the model would suggest the consultant what products they should present to increase the chance of retention. The idea was to offer customers only the products that would fit their needs.

Once the two models were ready and successfully merged, it was the time to use some real data collected by the company. We initially worked with the Customer Retention Department, planning to start the pilot after 9 months from the beginning of building predictive models. Working Agile, we quickly discovered what features are really needed to start testing the models in action. After reviewing the initial plan and verifying some of the basic assumptions, we were ready to launch the pilot after less than 3 months!

That was the time when we were able to expand our activity and work with different departments. After achieving the set goals in the most demanding area of the market, we expanded our predictive models to work on the whole database and added some tools to support the Sales and Marketing Departments.

One of the most important challenges of this stage was to make sure that data records of millions of the Telecom clients are secure and no unauthorized person has access to this data – and we achieved both goals by applying proper data anonymization procedures.

As we dealt with sensitive personal data, it was very important to secure all the records from the very beginning. For us, as a third-party contractor, every end customer had to be anonymous. To ensure that, we implemented a solution that generated one-sided hashes based on customers’ data. From our perspective customer was a long identifier like “XXXX-YYYY-ZZZZ-1234” not Mr Jan Kowalski living in Warsaw, without possibility of reversing such hashing to get to know the data of the actual person. When someone from the Client’s team needed to fetch that person scores, he was able to send the request that was generating hash on the fly to get to look up a profile of desired customer – and to receive the right record back. To prevent potential data leaks, we made sure that each time someone requests the data about the specific user, his or her name was stored in the access history. If any data was exposed, it would be easy to track who was responsible for the leak.

Data anonymization was also crucial to comply with the GDPR policy. As every piece of available data was anonymous, we were able to use it to train the models. The outcome, however, was applied only to those customers, who agreed for the profiling – only those ones would receive personalized offers based on their behavior and the predictions about their future choices.

At this stage, we delivered a trained predictive model predicting the risk of churn and assessing clients’ buying preferences as well as all the mechanism that kept churn scores updated. As the model was trained on real, though anonymized, data provided by the Client, it was ready to test.

Step 3: More data

The next challenge was to make the predictions more precise and to make sure that the model is able to handle big data. At the previous stages, the predictive models were training on a part of the available data. Later, we could introduce data from various systems.

Connected to an up-to-date database and API with the scoring, the models were ready to release their full potential. The database consisted of around 150 million of records related to customers and another 75 million of additional, external metrics. Our models are able to process and update the whole database in less than 24 hours! And the scoring of the whole customers’ base lasts less than one hour. Can you imagine how long it would take a human being?

After processing the data, the predictive models could present the Sales Team the new scoring information which showed the probability of resignation along with the probability of interest in specific products . This meant that the consultant would get a report showing that Mr. John Doe is likely to change his service provider and that if he stayed, he would be interested in sport channels at 40% and in comedy channels at 60%. This way, the consultant would be able to call Mr. Doe and offer him something that may actually stop him from leaving.

As the next step, we started to work on the scoring system that would show the complex offers and organize them from the most probable to satisfy the client to the least probable. With the choice of hundreds of different (and regularly changing) offers, it would be impossible for any consultant to know all the offers, not to mention choosing the best one for each client.

Our models did not only analyze the behavior of the chosen subscriber, but also the behaviors of thousands of other subscribers – which led to creating behavior patterns . Thanks to that, the system was able to suggest offers that were personalized and adjusted to the client’s current needs.

Step 4: Pilot

That was the time for trial by fire. In order to check the performance of the designed solution and to implement further improvements, we decided to test our churn models on the full customer base. Working with the Sales Team, we aimed to decrease churn by 2 percentage points per year , but working only with the first, most difficult, most demanding segment of customers, we’ve managed to exceed this value!

The predictive models we created with SaaS Manager were able to analyze the behaviors of the clients, predict when they may want to leave and suggest the offer that can stop them. We analyzed over 200 million of records and ran the first experiments. From October 2017 to April 2018, we contributed to decreasing the number of resignations by more than twice of what was expected from us*.

The models are also able to predict when the customer may want to change their service provider and what the consultants can do to stop them. The consultant will not bother the customer before it’s needed, which creates a win-win situation: the customer is not annoyed with intrusive calls and the consultant does not waste their time on reaching customers who don’t need it .

* The exact number has to be disclosed due to NDA.

Step 5: Know-how

The final step was to transfer our know-how. As we’ve already delivered tools to do it, it was important to teach the Client’s team about creating such models so they could later train the created models or build similar ones by themselves.

We provided the Client with:

  • a guide to creating predictive models,
  • tools to build and train predictive models,
  • Integrated Client Profile – an up-to-date database of the Client’s customers with their scoring
  • trained models that predict buying preferences of our Client’s customers and the risk of their churn,
  • Scoring Pipeline – set of tools to continuously update profile data and scores, including new models built by our customer analysts

With this knowledge and the toolset, the Client’s team was able to use the data provided by the predictive models we’ve build and to build and train new models . So far, the Telecom team was able to develop sales predictive models for the new offers and merge them with the ones created by our team. Another model they have built helps them predict possible breakdowns of the infrastructure and to plan the expenses related to its maintenance.

During the pilot, we were able to teach them good practices related to project management: Agile, DevOps, using clear KPIs, closely aligning with the Client’s team, and handling regular meetings – helping the Client’s team work more effectively.


Building a Model

Creating a great dataset is the hard part. With no-code tools like Apteo, building a churn model is easy.

First, connect your dataset. Below, I simply drag-and-drop a CSV file of my churn data into the platform. Then, I head to the “Predictive Insights” tab and select “Churn” as my KPI. I leave the default settings as they are, and an automated machine learning model gets created in the background.

Now, I can see how different attributes impact churn, and I can predict whether a customer will churn by putting in data like their monthly charge and tenure.


Katso video: Modelo de Churn en R parte 1 (Helmikuu 2023).

Video, Sitemap-Video, Sitemap-Videos