Generering av riktade kampanjer baserat på transaktionsdata genom användning av inkrementell responsanalys

Minna Reiman

Sammanfattning

Med hjälp av inkrementell responsanalys kan man identifiera vilka kunder som

bör få ett kampanjerbjudande, i syfte att göra erbjudandet så effektivt som möjligt.

Detta utförs genom att dela upp kunderna i två grupper: en grupp som får

erbjudandet och en grupp som inte får något erbjudande, och därefter kan man

undersöka den inkrementella responsen. Denna maskininlärningsteknik kan

reducera kostnaden för en kampanj, och kan även användas för att identifiera

vilka kunder som bör undvikas.

I den här studien undersöks hur Klarna kan applicera inkrementell responsanalys

när de publicerar nya erbjudanden till sina kunder, för att effektivisera

intäkterna av erbjudandet. För att uppnå detta, har ett dataset kompileras baserat

på ett antal attribut som beskriver kundens tidigare köphistorik. Denna

data har sedan rengjorts, processats och därefter har de viktigaste attributen

valts ut baserat på deras informationsvärde.

Två modeller har byggts - en random forest modell baserat på en-modellsmetoden,

och en gradient tree boosting algoritm baserad på en relativt ny metod

som transformerar de två klassattributen till en. För att evaluera modellerna

används ett värde som beskriver hur väl modellen förutspår rätt klasstillhörighet,

ett så kallas Qini värde. Slutsatsen av denna studie är att gradient tree

boosting bör användas på detta dataset för att maximera effekten av en kampanj.