Generering av riktade kampanjer baserat pŒ transaktionsdata
genom anvŠndning av inkrementell responsanalys
Minna Reiman
Sammanfattning
Med hjŠlp av inkrementell responsanalys kan man identifiera vilka kunder som
bšr fŒ ett
kampanjerbjudande, i syfte att gšra
erbjudandet sŒ effektivt som mšjligt.
Detta utfšrs genom
att dela upp kunderna i
tvŒ grupper: en grupp som fŒr
erbjudandet och en grupp som inte
fŒr nŒgot erbjudande, och dŠrefter kan man
undersška den inkrementella responsen. Denna maskininlŠrningsteknik kan
reducera kostnaden fšr en kampanj, och kan Šven
anvŠndas fšr att identifiera
vilka kunder som
bšr undvikas.
I den hŠr studien undersšks hur Klarna
kan applicera inkrementell responsanalys
nŠr de publicerar nya erbjudanden till sina kunder, fšr
att effektivisera
intŠkterna av erbjudandet.
Fšr att uppnŒ
detta, har ett dataset kompileras baserat
pŒ ett antal
attribut som beskriver kundens tidigare kšphistorik. Denna
data har sedan rengjorts,
processats och dŠrefter har de viktigaste attributen
valts ut baserat
pŒ deras informationsvŠrde.
TvŒ modeller har byggts - en random forest modell baserat pŒ en-modellsmetoden,
och en gradient tree boosting algoritm
baserad pŒ en relativt ny metod
som transformerar de tvŒ klassattributen till en. Fšr att evaluera
modellerna
anvŠnds ett vŠrde
som beskriver hur vŠl modellen
fšrutspŒr rŠtt klasstillhšrighet,
ett sŒ kallas
Qini vŠrde. Slutsatsen av denna
studie Šr att gradient tree
boosting bšr anvŠndas pŒ detta dataset fšr att maximera effekten av en kampanj.