Vorhersage von Online-Upselling
Tools:
R, H2O
In diesem Projekt haben wir ein Modell entwickelt, das in der Lage ist, die Affinität von Usern für ein bestimmtes Online-Produkt mit hoher Wahrscheinlichkeit vorherzusagen.
THEMA
Customer Analytics
BRANCHE
Other
PROJEKTDAUER
1 Monat
Herausforderung
Die Analyse von Kundendaten auf Webseiten und Portalen ist eine typische Anwendung für Data Science, Statistik und Machine Learning. Viele Online-Aktionen der User hinterlassen digitale Spuren, Einträge in Datenbanken und Verbindungen zwischen Entitäten. Unser Kunde, ein internationales Online-Unternehmen, bietet neben einem kostenlosen Tarif eine kostenpflichtige Mitgliedschaft an, mit der verschiedene Vorteile verbunden sind. Die Herausforderung des Projekts bestand darin, die vielen verschiedenen Onsite-Daten dazu zu verwenden, ein Modell zur gezielten Identifikation kaufbereiter Kund:innen zu entwickeln.
Ansatz
Zur Modellierung der Upselling-Bereitschaft wurde ein Deep Learning Modell verwendet. Deep Learning eignet sich dann besonders gut für Klassifikationsprobleme, wenn wenig oder gar keine Vorabinformation über die Wirkungszusammenhänge zwischen den möglichen Einflussfaktoren und dem Outcome (hier: Upselling) gegeben ist. Durch die mehrschichtige Architektur des neuronalen Netzes können Features gebildet werden, die aus verschiedenen Interaktionen von Einflussfaktoren bestehen. Diese Features werden dann verwendet, um eine optimale Prognose zu generieren. Im Rahmen des Projekts haben wir ein entsprechendes Modell trainiert.
Ergebnis
Das Deep Learning Modell performte signifikant besser als das bestehende Upselling-Modell. Zudem konnte über die H2O-Plattform, auf der das Modell basiert, eine Infrastruktur bereitgestellt werden, auf der das fertige Modell jederzeit auf Knopfdruck jede:n beliebigen Nutzer:in in Bezug auf das Upselling-Potenzial hin bewertet.
100%
10.000+
99,9%
ZUFRIEDENHEIT
TRAININGSDATEN
VORHERSAGEGENAUIGKEIT
