Estudio de las aplicaciones de machine learning a proyectos de marketing

Abstract

[ES] El presente trabajo trata de reducir costes en las campañas de marketing elaboradas a un cliente de la consultora Deloitte Digital cuya actividad es el sector de retail. El problema se abordará a través de un modelo de aprendizaje automático denominado Uplift que, con la ayuda de un gran histórico de datos de los consumidores y sus atributos adecuados, deberá ayudar a identificar a cuáles de estos consumidores interesa impactar y a cuáles no. La ejecución se llevará a cabo dividiendo el problema en dos modelos de regresión logística, uno aprenderá a predecir la probabilidad de cumplir la función objetivo diseñada para los consumidores que son impactados con la campaña de marketing y el otro tratará de aprender la probabilidad de cumplirla cuando no han sido impactados. La resta de la probabilidad que tiene un consumidor de cumplir con el objetivo de la campaña cuando ha sido tratado y cuando no, generará la ganancia y ésta, será la salida del modelo, la cual se evaluará con la métrica aplicada a este tipo de modelos, la Qini Curve. Para comprobar la eficacia del proyecto se abordará una segmentación de los consumidores en un mes anterior del cual ya se tienen mediciones. Se contrastarán los resultados que se obtiene aplicando la inteligencia del modelo y de forma aleatoria, centrándose en el KPI que se define como más importante en la medición de las campañas, el ROI.

[EN] This paper tries to explain how companies can decrease costs in marketing campaigns. There has been an extensive analysis developed for a Deloitte Digital customer which is dedicated to the retail sector. The project will be addressed thought out a machine learning model called Uplift. This model will work with the recompilation and analysis of the customer data with the aim of identifying which clients will both be interested to impact and not.

The execution will be carried out by dividing the problem into two logistic regression models. On the one hand, the first one will learn to predict the probability of fulfilling the objective function designed for consumers who are impacted with the marketing campaign. On the other hand, the second one will try to learn the probability of fulfilling it when they have not been impacted.

Moreover, the subtraction of the probability that a consumer has of fulfilling the objective of the campaign when it has been treated with the project and when not, will generate the profit and this will be the output of the model, which will be evaluated with the metric applied to this type of models, the Qini curve.

Regarding the verification of the effectiveness of the project, a segmentation of the customers will be addressed in a previous month of which measurements are already taken. Finally, there will be a comparison of the results obtained by whether applying the intelligence of the model and not. This comparison will be focused on the KPI that is considered as one of the most important keys in the measurement of campaigns, the ROI.

[CA] El present treball tracta de reduir costos en les campanyes de màrqueting elaborades a un client de la consultora Deloitte Digital l’activitat del qual és el sector de retail. El problema s’abordarà a través d’un model d’aprenentatge automàtic denominat Uplift que, amb l’ajuda de dades dels consumidors i els seus atributs adequats, haurà d’ajudar a identificar quins d’aquests consumidors interessa impactar i a quins no. L’execució es durà a terme dividint el problema en dos models de regressió logística, un aprendrà a predir la probabilitat de cumplir la funció objectiu dissenyada per als consumidors que són impactats amb la campanya de màrqueting i l’altre tratcarà d’aprendre la probabilitat de complir-la quan no han estat impactats. La resta de la probabilitat que té un consumidor de complot amb l’objectiu de la campanya quan ha estat tractat i quan no, generarà el guany i aquesta, será la sortida del model, la qual s’evaluarà amb la métrica aplicada a aquest tipus de models, la Qini Curve. Per comprobar l’eficàcia del projecte s’abordarà una segmentació dels consumidors en un mes anterior del qual ja es tenen mesuraments. Es contrastaran els resultats que s’obté aplicant la intel·ligència del model i de forma aleatòria, centrant-se en el KPI que es defineix com a més important en el mesurament de les campanyes, el ROI.