Proč používat ML v marketingu? Strategie a případy použití
Machine Learning for Marketing in Python
Karolis Urbonas
Head of Analytics & Science, Amazon
Typy strojového učení
- Učení s učitelem
- Lze na základě X předpovědět Y?
- Klasifikace – Y je kategorická (např. odešel/neodešel, ano/ne, ryba/pes/kočka).
- Regrese – Y je spojitá (např. nákupy, kliknutí, čas strávený na webu).
- Učení bez učitele
- Lze v X detekovat vzory a homogenní shluky?
- Zpětnovazební učení
- Která cesta maximalizuje odměnu při daném stavu a možných akcích?
Data a kroky při učení s učitelem
Definujte cílovou proměnnou (závislá proměnná neboli Y) – co chceme předpovědět?
- Příklad 1 – kteří zákazníci odejdou? [KLASIFIKACE]
- Příklad 2 – kteří zákazníci nakoupí znovu? [KLASIFIKACE]
- Příklad 3 – kolik zákazníci utratí v příštích 30 dnech? [REGRESE]
Shromážděte příznaky (nezávislé proměnné neboli X) s prediktivní silou:
- Příklad 1 – nákupní vzory před odchodem zákazníka.
- Příklad 2 – počet zmeškaných splátek před nesplacením úvěru.
Formát dat při učení s učitelem
- Matice X × N+1:
- X počet pozorování (zákazník, dodavatel, produkt)
- N + 1 počet sloupců (N příznaků + 1 cílová proměnná)
| Příznak 1 | Příznak 2 | ... | Příznak N | Cíl Y |
|---|---|---|---|---|
| 11 | 21 | N1 | Y1 | |
| 12 | 22 | N2 | Y2 |
Učení bez učitele
Shromážděte data o využití nebo nákupech a spusťte model pro identifikaci homogenních skupin, tj. shluků nebo segmentů dat:
- Příklad 1 – segmentace zákazníků podle nakoupených produktů.
- Příklad 2 – segmentace produktů pro tvorbu balíčků.
Formát dat při učení bez učitele
- Matice X × N:
- X počet pozorování (zákazník, dodavatel, produkt)
- N počet sloupců (N příznaků)
- Seznam nezávislých proměnných (příznaků) jako samostatné sloupce pro každé pozorování
| Příznak 1 | Příznak 2 | ... | Příznak N |
|---|---|---|---|
| 11 | 21 | N1 | |
| 12 | 22 | N2 |
Pojďme si procvičit!
Machine Learning for Marketing in Python
