Mengapa pakai ML untuk pemasaran? Strategi dan use case
Machine Learning untuk Pemasaran dengan Python
Karolis Urbonas
Head of Analytics & Science, Amazon
Jenis pembelajaran mesin
- Pembelajaran terawasi
- Diberi X, bisakah kita memprediksi Y?
- Klasifikasi - saat Y kategorikal (mis. Churn/Tidak, Ya/Tidak, Ikan/Anjing/Kucing).
- Regresi - saat Y kontinu (mis. Pembelian, Klik, Waktu di Situs).
- Pembelajaran tak terawasi
- Diberi X, bisakah kita mendeteksi pola dan klaster yang homogen?
- Pembelajaran penguatan
- Diberi keadaan saat ini dan beberapa aksi, jalur mana memaksimalkan reward?
Bagian data pembelajaran terawasi dan langkahnya
Tetapkan target (variabel dependen atau Y) - apa yang ingin diprediksi?
- Contoh 1 - pelanggan mana yang akan churn? [KLASIFIKASI]
- Contoh 2 - pelanggan mana yang akan beli lagi? [KLASIFIKASI]
- Contoh 3 - berapa banyak yang dibelanjakan pelanggan 30 hari ke depan? [REGRESI]
Kumpulkan fitur (variabel independen atau X) yang berpotensi prediktif:
- Contoh 1 - pola pembelian sebelum churn.
- Contoh 2 - jumlah tunggakan sebelum gagal bayar pinjaman.
Format data pembelajaran terawasi
- Matriks X kali N+1:
- X jumlah observasi (pelanggan, vendor, produk)
- N + 1 jumlah kolom (N fitur + 1 target)
| Fitur 1 | Fitur 2 | ... | Fitur N | Target Y |
|---|---|---|---|---|
| 11 | 21 | N1 | Y1 | |
| 12 | 22 | N2 | Y2 |
Pembelajaran tak terawasi
Kumpulkan data penggunaan atau pembelian dan jalankan model untuk mengidentifikasi grup homogen, yaitu klaster/segmen data:
- Contoh 1 - segmentasi pelanggan berdasarkan pembelian produk.
- Contoh 2 - segmentasi produk untuk bundling.
Format data pembelajaran tak terawasi
- Matriks X kali N:
- X jumlah observasi (pelanggan, vendor, produk)
- N jumlah kolom (N fitur)
- Daftar variabel independen (fitur) sebagai kolom terpisah untuk tiap observasi
| Fitur 1 | Fitur 2 | ... | Fitur N |
|---|---|---|---|
| 11 | 21 | N1 | |
| 12 | 22 | N2 |
Ayo berlatih!
Machine Learning untuk Pemasaran dengan Python
