Waarom ML voor marketing? Strategieën en use cases
Machine Learning voor marketing in Python
Karolis Urbonas
Head of Analytics & Science, Amazon
Soorten machine learning
- Supervised learning
- Gegeven X, kunnen we Y voorspellen?
- Classificatie – wanneer Y categorisch is (bv. Opgezegd/Niet-opgezegd, Ja/Nee, Vis/Hond/Kat).
- Regressie – wanneer Y continu is (bv. Aankopen, Kliks, Tijd op website).
- Unsupervised learning
- Gegeven X, kunnen we patronen en homogene clusters vinden?
- Reinforcement learning
- Gegeven een huidige staat en meerdere acties: welk pad maximaliseert de beloning?
Onderdelen en stappen bij supervised learning
Bepaal de target (afhankelijke variabele of Y) – wat willen we voorspellen?
- Voorbeeld 1 – welke klanten haken af? [CLASSIFICATIE]
- Voorbeeld 2 – welke klanten kopen opnieuw? [CLASSIFICATIE]
- Voorbeeld 3 – hoeveel geven klanten uit in de komende 30 dagen? [REGRESSIE]
Verzamel features (onafhankelijke variabelen of X) met voorspellende kracht:
- Voorbeeld 1 – Aankoopgedrag vóór afhaken.
- Voorbeeld 2 – Aantal gemiste aflossingen vóór wanbetaling.
Datavormaat voor supervised learning
- X bij N+1-matrix:
- X aantal observaties (klant, leverancier, product)
- N + 1 aantal kolommen (N features + 1 targetvariabele)
| Feature 1 | Feature 2 | ... | Feature N | Target Y |
|---|---|---|---|---|
| 11 | 21 | N1 | Y1 | |
| 12 | 22 | N2 | Y2 |
Unsupervised learning
Verzamel gebruiks- of aankoopdata en voer een model uit om homogene groepen te vinden, d.w.z. clusters of segmenten:
- Voorbeeld 1 – klantsegmentatie op basis van aankopen.
- Voorbeeld 2 – productsegmentatie voor bundeling.
Datavormaat voor unsupervised learning
- X bij N-matrix:
- X aantal observaties (klant, leverancier, product)
- N aantal kolommen (N features)
- Een lijst met onafhankelijke variabelen (features) als losse kolommen per observatie
| Feature 1 | Feature 2 | ... | Feature N |
|---|---|---|---|
| 11 | 21 | N1 | |
| 12 | 22 | N2 |
Laten we oefenen!
Machine Learning voor marketing in Python
