Autres et cibles, P ∪ P (sImpact): mesures de temps de rétention de la cible et d`autres systèmes chromatographiques. Valeur du client = fréquence d`achat x valeur moyenne de l`ordre cible, P (sImpact): durées de rétention pour les composés 222 mesurés avec le système impact. Aucun de ces composés ne fait partie du jeu de données LS-MS/MS. Maintenant que l`industrie de l`abonnement est en train de frapper sa foulée, nous voulions examiner où les sociétés d`abonnement sont exceller et où ils peuvent améliorer afin d`éviter le même destin que les sites de vente flash. Notre équipe de retention science a analysé les données dans trois types d`entreprises: vente flash (groupons du monde), abonnement (entreprises qui organisent des expéditions ou des services récurrents) et de détail standard (entreprises disposant d`un site e-commerce). Nous avons redressé le nombre de plus de 10 millions commandes complétées par plus de 2,5 millions clients uniques pour voir comment chaque type de tarifs d`affaires dans divers domaines de la fidélisation et de l`engagement des clients. Boldface désigne la méthode qui atteint la plus haute précision de prédiction par paires. Remarque: les modèles ont été formés à l`aide de P (s). + Panier moyen par commande-coût moyen des marchandises vendues (par commande) = marge brute (par commande)-coûts logistiques moyens (…) -Coûts moyens de transport (…) -Autres coûts variables associés (en moyenne bien sûr, par commande…) = Marge de contribution (coûts de précommercialisation)-coûts de commercialisation moyens (coûts de marketing pour le mois/nombre de commandes) = marge de contribution nette la prédiction du temps de rétention a été abordée dans de nombreuses publications au cours des dernières décennies, voir heberger (2007); Kaliszan (2007) pour les commentaires. Les modèles quantitative-structure-rétention-relation (QSRR) utilisent l`apprentissage automatique pour prédire les durées de rétention à partir de structures moléculaires.

Les propriétés physicochimiques dérivées de la structure ou des empreintes moléculaires sont couramment utilisées comme caractéristiques, et la régression est couramment utilisée comme modèle de prédiction (Aicheler et coll., 2015; Creek et coll., 2011; Falchi et coll., 2016). Les modèles QSRR sont principalement formés pour un système chromatographique cible particulier, et les prédictions ne peuvent être faites que pour ce système. Peu d`approches tentent de surmonter ce problème, par exemple en incluant des descripteurs du système chromatographique dans le modèle de prédiction: d`Archivio et coll. (2012) ont utilisé le comportement de rétention des composés standard à cette fin. Cependant, cela exige que dans un système chromatographique cible particulier ces composés ont été mesurés ainsi. Une approche différente sont les méthodes de projection du temps de rétention, qui établissent des mappages entre les durées de rétention d`un système chromatographique différent. Les prédictions pour les nouvelles molécules dans un système chromatographique cible particulier sont limitées aux molécules qui ont déjà été mesurées avec un autre système chromatographique (Stanstrup et coll., 2015).