strojove uceni v marketingu
DESCRIPTION
Lehky uvod do pouziti metod strojoveho uceni v marketingu.TRANSCRIPT
![Page 1: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/1.jpg)
Strojové Učení v MarketinguDavid Filip
![Page 2: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/2.jpg)
Obsah Prezentace
Přiblížení pojmu strojového učeníOblasti použitíPříklady:
analýza registracíoptimalizace landing pagehledání skupin zákazníků
Implementace metod strojového učeníTypické problémy
![Page 3: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/3.jpg)
Strojové UčeníMetodologie pro získávání skrytých informací z dat Mezní obor mezi umělou inteligencí a statistikou
KlasifikaceSeskupováníVyhledáváníDoporučováníHledání vzorů chování
A další, pro nás teď nezajímavé oblasti
![Page 4: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/4.jpg)
Typické Použití
Cílený marketingCross sellingOdchod zákazníkůFraud detectionCredit riskSpam filteringRecommendation enginesFarmacie
a další
![Page 5: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/5.jpg)
Příklady
![Page 6: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/6.jpg)
Analýza Registrací (1/3)
Provozujeme aplikaci a máme zájem zjistit, které faktory ovlivňují registrace
Referrer Lokalita Četl FAQ Page Views Registrace
Google USA Ne 18 None
Seznam CR Ano 25 FreeGoogle India Ne 2 None
(Direct) USA Ne 14 Free
Google USA Ano 25 Premium
...
Zjištěné údaje (analytics, logy apod).
![Page 7: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/7.jpg)
Rozhodovací Stromy
V praxi nejpoužívanější metodaJednoduchá na interpretaci
Jako vstupní data možno použít:číselné údajelogické hodnotytextové popisky kategorií
Funguje i s chybějící informací
![Page 8: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/8.jpg)
Analýza Registrací (2/3)
![Page 9: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/9.jpg)
Analýza Registrací (3/3)
Problémy:Výsledek je příliš vázán na dataStrom může být příliš rozsáhlý
Řešením je prořezání stromu: odstranění částí, které podstatně neovlivňují výsledek. Prořezávání se dle potřeby děje automaticky či manuálně.
![Page 10: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/10.jpg)
Optimalizace Landing Page
Využití předchozího přístupu "on the fly":
1. Vygenerujeme a prořežeme strom2. Zaznamenáme chování uživatele3. ????*4. Profit
* = dle klasifikace nabízíme speciální nabídku
![Page 11: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/11.jpg)
Clustering (1/2)
Hledání skupin podobných objektů v datech.
Objektem může být:Výsledky průzkumů a anketInformace o chování zákazníkůSeznam kupovaných výrobků
Problém velkých datasetů
![Page 12: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/12.jpg)
Clustering (2/2)
Omezeně můžeme využít obyčejné SQL
Pro hledání složitějších závislostí existují lepší postupy:
hierarchické členění k-means clustering: pro hledání k skupindensity based clustering
![Page 13: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/13.jpg)
Implementační detaily
![Page 14: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/14.jpg)
Implementace postupů
Používání standardních algoritmůPrakticky nulová invence implementátoraKnihovny pro ML pro téměř každý jazykSamostatné nástroje:
Free: Weka, R, Orange, ...Placené: SPSS, SAS, Matlab, ...
![Page 15: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/15.jpg)
Typické problémy
Velké nebezpečí u lidí, kteří tomu rozumí "tak trochem". Validnost modelu:
jsou výsledky správné?"bias" problémblack-box metody
Problémy s intuicí:
část problémů je navíc neintuitivních
![Page 16: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/16.jpg)
Úvod pro programátory
Česky: Dobývání znalostí z databází
![Page 17: Strojove Uceni V Marketingu](https://reader034.vdocuments.pub/reader034/viewer/2022052621/55866f75d8b42a7e148b46dc/html5/thumbnails/17.jpg)
Dotazy?