ทำไมต้องใช้ ML ในการตลาด? กลยุทธ์และกรณีใช้งาน
Machine Learning สำหรับการตลาดด้วย Python
Karolis Urbonas
Head of Analytics & Science, Amazon
ประเภทของ machine learning
- Supervised learning
- กำหนด X แล้ว เราสามารถทำนาย Y ได้ไหม?
- Classification - เมื่อ Y เป็นข้อมูลเชิงหมวดหมู่ (เช่น ยกเลิก/ไม่ยกเลิก, ใช่/ไม่ใช่, ปลา/สุนัข/แมว)
- Regression - เมื่อ Y เป็นค่าต่อเนื่อง (เช่น ยอดซื้อ, คลิก, เวลาที่ใช้บนเว็บไซต์)
- Unsupervised learning
- กำหนด X แล้ว เราสามารถตรวจจับรูปแบบและกลุ่มที่เหมือนกันได้ไหม?
- Reinforcement learning
- เมื่อกำหนดสถานะปัจจุบันและชุดการกระทำที่เป็นไปได้ เส้นทางใดให้รางวัลสูงสุด?
ส่วนประกอบและขั้นตอนของข้อมูลใน supervised learning
กำหนดตัวแปรเป้าหมาย (dependent variable หรือ Y) — ต้องการทำนายอะไร?
- ตัวอย่าง 1 - ลูกค้ารายใดจะยกเลิกบริการ? [CLASSIFICATION]
- ตัวอย่าง 2 - ลูกค้ารายใดจะซื้อซ้ำ? [CLASSIFICATION]
- ตัวอย่าง 3 - ลูกค้าจะใช้จ่ายเท่าใดใน 30 วันข้างหน้า? [REGRESSION]
รวบรวม features (independent variables หรือ X) ที่อาจมีพลังในการทำนาย:
- ตัวอย่าง 1 - รูปแบบการซื้อก่อนยกเลิกบริการ
- ตัวอย่าง 2 - จำนวนครั้งที่ผิดนัดชำระก่อนผิดสัญญาเงินกู้
รูปแบบข้อมูลของ supervised learning
- เมทริกซ์ขนาด X คูณ N+1:
- X คือจำนวน observations (ลูกค้า, ผู้ขาย, สินค้า)
- N + 1 คือจำนวนคอลัมน์ (N features + 1 ตัวแปรเป้าหมาย)
| Feature 1 | Feature 2 | ... | Feature N | Target Y |
|---|---|---|---|---|
| 11 | 21 | N1 | Y1 | |
| 12 | 22 | N2 | Y2 |
Unsupervised learning
รวบรวมข้อมูลการใช้งานหรือการซื้อ แล้วรันโมเดลเพื่อระบุกลุ่มที่เหมือนกัน (clusters หรือ segments):
- ตัวอย่าง 1 - การแบ่งกลุ่มลูกค้าตามสินค้าที่ซื้อ
- ตัวอย่าง 2 - การแบ่งกลุ่มสินค้าเพื่อการจัดชุดสินค้า
รูปแบบข้อมูลของ unsupervised learning
- เมทริกซ์ขนาด X คูณ N:
- X คือจำนวน observations (ลูกค้า, ผู้ขาย, สินค้า)
- N คือจำนวนคอลัมน์ (N features)
- รายการ independent variables (features) เป็นคอลัมน์แยกสำหรับแต่ละ observation
| Feature 1 | Feature 2 | ... | Feature N |
|---|---|---|---|
| 11 | 21 | N1 | |
| 12 | 22 | N2 |
มาฝึกกันเถอะ!
Machine Learning สำหรับการตลาดด้วย Python
