Pourquoi utiliser le Machine Learning en marketing ? Stratégies et cas d'usage

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Types de Machine Learning

  • Supervised learning
    • Étant donné X, peut-on prédire Y ?
    • Classification – quand Y est catégoriel (ex. Résilié/Non résilié, Oui/Non, Poisson/Chien/Chat).
    • Régression – quand Y est continu (ex. Achats, Clics, Temps passé sur le site).
  • Unsupervised learning
    • Étant donné X, peut-on détecter des motifs et des groupes homogènes ?
  • Reinforcement learning
    • Étant donné un état et plusieurs actions possibles, quel chemin maximise la récompense ?
Machine Learning pour le marketing en Python

Supervised learning : éléments et étapes des données

  1. Définir la cible (variable dépendante ou Y) – que veut-on prédire ?

    • Exemple 1 – quels clients vont résilier ? [CLASSIFICATION]
    • Exemple 2 – quels clients vont racheter ? [CLASSIFICATION]
    • Exemple 3 – combien les clients dépenseront-ils dans les 30 prochains jours ? [RÉGRESSION]

  2. Collecter des caractéristiques (variables indépendantes ou X) pouvant avoir un pouvoir prédictif :

    • Exemple 1 – schémas d'achat avant la résiliation.
    • Exemple 2 – nombre de mensualités impayées avant un défaut de paiement.
Machine Learning pour le marketing en Python

Supervised learning : format des données

  • Matrice X par N+1 :
    • X nombre d'observations (client, fournisseur, produit)
    • N + 1 nombre de colonnes (N caractéristiques + 1 variable cible)
Caractéristique 1 Caractéristique 2 ... Caractéristique N Cible Y
11 21 N1 Y1
12 22 N2 Y2
Machine Learning pour le marketing en Python

Unsupervised learning

Collecter des données d'usage ou d'achat et exécuter un modèle pour identifier des groupes homogènes (clusters/segments) :

  • Exemple 1 – segmentation clients selon leurs achats.
  • Exemple 2 – segmentation produits pour le bundling
Machine Learning pour le marketing en Python

Unsupervised learning : format des données

  • Matrice X par N :
    • X nombre d'observations (client, fournisseur, produit)
    • N nombre de colonnes (N caractéristiques)
  • Une liste de variables indépendantes (caractéristiques) en colonnes séparées pour chaque observation
Caractéristique 1 Caractéristique 2 ... Caractéristique N
11 21 N1
12 22 N2
Machine Learning pour le marketing en Python

Passons à la pratique !

Machine Learning pour le marketing en Python

Preparing Video For Download...