Varför använda ML inom marknadsföring? Strategier och användningsfall

Maskininlärning för marknadsföring i Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Typer av maskininlärning

Övervakad inlärning
- Givet X, kan vi förutsäga Y?
- Klassificering – när Y är kategorisk (t.ex. Churnad/Inte churnad, Ja/Nej, Fisk/Hund/Katt).
- Regression – när Y är kontinuerlig (t.ex. Köp, Klick, Tid på webbplats).
Oövervakad inlärning
- Givet X, kan vi identifiera mönster och homogena kluster?
Förstärkningsinlärning
- Givet ett aktuellt tillstånd och möjliga åtgärder, vilken väg maximerar belöningen?

Definiera målet (beroende variabel eller Y) – vad vill vi förutsäga?
- Exempel 1 – vilka kunder kommer att churna? [KLASSIFICERING]
- Exempel 2 – vilka kunder kommer att köpa igen? [KLASSIFICERING]
- Exempel 3 – hur mycket kommer kunderna att spendera de nästa 30 dagarna? [REGRESSION]
Samla in särdrag (oberoende variabler eller X) med prediktiv potential:
- Exempel 1 – köpmönster före churn.
- Exempel 2 – antal missade lånbetalningar före betalningsinställelse.

X × N+1-matris:
- X antal observationer (kund, leverantör, produkt)
- N + 1 antal kolumner (N särdrag + 1 målvariabel)

Särdrag 1	Särdrag 2	...	Särdrag N	Mål Y
11	21		N1	Y1
12	22		N2	Y2

Samla in användnings- eller köpdata och kör en modell för att identifiera homogena grupper, det vill säga kluster eller segment:

X × N-matris:
- X antal observationer (kund, leverantör, produkt)
- N antal kolumner (N särdrag)
En lista med oberoende variabler (särdrag) som separata kolumner för varje observation

Särdrag 1	Särdrag 2	...	Särdrag N
11	21		N1
12	22		N2

Maskininlärning för marknadsföring i Python