Pourquoi utiliser le Machine Learning en marketing ? Stratégies et cas d'usage

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Types de Machine Learning

  • Apprentissage supervisé
    • Sachant X, peut-on prédire Y ?
    • Classification – quand Y est catégoriel (p. ex. Désabonné/Actif, Oui/Non, Poisson/Chien/Chat).
    • Régression – quand Y est continu (p. ex. Achats, Clics, Temps passé sur le site).
  • Apprentissage non supervisé
    • Sachant X, peut-on détecter des motifs et des grappes homogènes ?
  • Apprentissage par renforcement
    • État courant et actions possibles donnés : quel chemin maximise la récompense ?
Machine Learning pour le marketing en Python

Éléments et étapes des données supervisées

  1. Définir la cible (variable dépendante ou Y) – que veut-on prédire ?

    • Exemple 1 – quels clients vont se désabonner ? [CLASSIFICATION]
    • Exemple 2 – quels clients vont racheter ? [CLASSIFICATION]
    • Exemple 3 – combien les clients dépenseront dans les 30 prochains jours ? [RÉGRESSION]

  2. Recueillir les caractéristiques (variables indépendantes ou X) pouvant être prédictives :

    • Exemple 1 – Comportements d'achat avant le désabonnement.
    • Exemple 2 – Nombre de paiements manqués avant un défaut de paiement.
Machine Learning pour le marketing en Python

Format des données supervisées

  • Matrice X par N+1 :
    • X nombre d'observations (client, fournisseur, produit)
    • N + 1 nombre de colonnes (N caractéristiques + 1 variable cible)
Caractéristique 1 Caractéristique 2 ... Caractéristique N Cible Y
11 21 N1 Y1
12 22 N2 Y2
Machine Learning pour le marketing en Python

Apprentissage non supervisé

Recueillir des données d'utilisation ou d'achat et exécuter un modèle pour repérer des groupes homogènes, soit des grappes ou segments de données :

  • Exemple 1 – segmentation des clients selon leurs achats de produits.
  • Exemple 2 – segmentation des produits pour l'offrande groupée.
Machine Learning pour le marketing en Python

Format des données non supervisées

  • Matrice X par N :
    • X nombre d'observations (client, fournisseur, produit)
    • N nombre de colonnes (N caractéristiques)
  • Une liste de variables indépendantes (caractéristiques) en colonnes distinctes pour chaque observation
Caractéristique 1 Caractéristique 2 ... Caractéristique N
11 21 N1
12 22 N2
Machine Learning pour le marketing en Python

Passons à la pratique !

Machine Learning pour le marketing en Python

Preparing Video For Download...