Perché usare il ML nel marketing? Strategie e casi d’uso
Machine Learning per il marketing con Python
Karolis Urbonas
Head of Analytics & Science, Amazon
Tipi di machine learning
- Apprendimento supervisionato
- Dato X, possiamo prevedere Y?
- Classificazione: Y è categorico (es. Abbandona/Non abbandona, Sì/No, Pesce/Cane/Gatto).
- Regressione: Y è continuo (es. Acquisti, Clic, Tempo sul sito).
- Apprendimento non supervisionato
- Dato X, possiamo rilevare pattern e cluster omogenei?
- Apprendimento per rinforzo
- Dato uno stato e più azioni, quale percorso massimizza la ricompensa?
Parti e passi dei dati nel supervisionato
Definisci il target (variabile dipendente o Y) – cosa vogliamo prevedere?
- Esempio 1 – quali clienti abbandoneranno? [CLASSIFICAZIONE]
- Esempio 2 – quali clienti riacquisteranno? [CLASSIFICAZIONE]
- Esempio 3 – quanto spenderanno nei prossimi 30 giorni? [REGRESSIONE]
Raccogli le feature (variabili indipendenti o X) con potere predittivo:
- Esempio 1 – pattern di acquisto prima dell’abbandono.
- Esempio 2 – numero di rate non pagate prima dell’insolvenza.
Formato dati per il supervisionato
- Matrice X per N+1:
- X numero di osservazioni (cliente, fornitore, prodotto)
- N + 1 numero di colonne (N feature + 1 target)
| Feature 1 | Feature 2 | ... | Feature N | Target Y |
|---|---|---|---|---|
| 11 | 21 | N1 | Y1 | |
| 12 | 22 | N2 | Y2 |
Apprendimento non supervisionato
Raccogli dati d’uso o acquisto ed esegui un modello per trovare gruppi omogenei, cioè cluster o segmenti:
- Esempio 1 – segmentazione clienti in base agli acquisti.
- Esempio 2 – segmentazione prodotti per il bundling
Formato dati per il non supervisionato
- Matrice X per N:
- X numero di osservazioni (cliente, fornitore, prodotto)
- N numero di colonne (N feature)
- Elenco di variabili indipendenti (feature) come colonne per ogni osservazione
| Feature 1 | Feature 2 | ... | Feature N |
|---|---|---|---|
| 11 | 21 | N1 | |
| 12 | 22 | N2 |
Passiamo alla pratica!
Machine Learning per il marketing con Python
