Dlaczego używać ML w marketingu? Strategie i przypadki użycia
Uczenie maszynowe w marketingu w Pythonie
Karolis Urbonas
Head of Analytics & Science, Amazon
Typy uczenia maszynowego
- Uczenie nadzorowane
- Mając X, czy możemy przewidzieć Y?
- Klasyfikacja – gdy Y jest kategoryczne (np. Odszedł/Nie odszedł, Tak/Nie, Ryba/Pies/Kot).
- Regresja – gdy Y jest ciągłe (np. Zakupy, Kliknięcia, Czas spędzony na stronie).
- Uczenie nienadzorowane
- Mając X, czy możemy wykryć jednorodne wzorce i skupiska?
- Uczenie ze wzmocnieniem
- Mając bieżący stan i możliwe działania, która ścieżka maksymalizuje nagrodę?
Dane i kroki w uczeniu nadzorowanym
Zdefiniuj zmienną docelową (zależną lub Y) – co chcemy przewidzieć?
- Przykład 1 – którzy klienci odejdą? [KLASYFIKACJA]
- Przykład 2 – którzy klienci kupią ponownie? [KLASYFIKACJA]
- Przykład 3 – ile klienci wydadzą w ciągu następnych 30 dni? [REGRESJA]
Zbierz cechy (zmienne niezależne lub X) o potencjalnej sile predykcyjnej:
- Przykład 1 – wzorce zakupów przed odejściem klienta.
- Przykład 2 – liczba nieodpłaconych rat kredytu przed jego niespłaceniem.
Format danych w uczeniu nadzorowanym
- Macierz X na N+1:
- X liczba obserwacji (klient, dostawca, produkt)
- N + 1 liczba kolumn (N cech + 1 zmienna docelowa)
| Cecha 1 | Cecha 2 | ... | Cecha N | Cel Y |
|---|---|---|---|---|
| 11 | 21 | N1 | Y1 | |
| 12 | 22 | N2 | Y2 |
Uczenie nienadzorowane
Zbierz dane o użyciu lub zakupach i uruchom model, aby zidentyfikować jednorodne grupy, tj. skupiska lub segmenty danych:
- Przykład 1 – segmentacja klientów według zakupionych produktów.
- Przykład 2 – segmentacja produktów do tworzenia pakietów.
Format danych w uczeniu nienadzorowanym
- Macierz X na N:
- X liczba obserwacji (klient, dostawca, produkt)
- N liczba kolumn (N cech)
- Lista zmiennych niezależnych (cech) jako oddzielne kolumny dla każdej obserwacji
| Cecha 1 | Cecha 2 | ... | Cecha N |
|---|---|---|---|
| 11 | 21 | N1 | |
| 12 | 22 | N2 |
Czas na praktykę!
Uczenie maszynowe w marketingu w Pythonie
