Okres wyprzedaży to czas zwiększonych obrotów zarówno w kanale internetowym jak i stacjonarnych sklepów. Jednym z największych wyzwań w  tym  okresie jest odpowiednie  dopasowanie  kampanii marketingowej  do  nowych  i  obecnych  Klientów.  W  zdefiniowaniu  docelowej  grypy  odbiorców kampanii możemy wykorzystać mechanizmy eksploracji danych o Klientach, którzy dokonywali już zakupu w naszym sklepie internetowym lub stacjonarnym.

Eksploracja danych to proces odkrywania uogólnionych reguł i wiedzy zawartej w bazach danych, oparty  na  metodach  statystycznych oraz technikach sztucznej inteligencji. Idea eksploracji danych polega na wykorzystaniu szybkości komputera do znajdowania ukrytych dla człowieka (z uwagi na ograniczone możliwości czasowe) prawidłowości w zgromadzonych danych. Istnieje  wiele  technik eksploracji danych, które wywodzą się z ugruntowanych dziedzin nauki takich jak statystyka i uczenie maszynowe.  Jednym  z  najistotniejszych zagadnień z dziedziny uczenia maszynowego jest wybór metody klasyfikacji.

Jak mogę wykorzystać eksplorację danych na potrzeby marketingu e-commerce?

Do określenia docelowej grupy Klientów którzy z dużym prawdopodobieństwem dokonają zakupu w trakcie wyprzedaży, możemy wykorzystać metodę klasyfikacji  jaką  jest drzewo decyzyjne. Drzewa decyzyjne    to    graficzna    metoda    wspomagania procesu decyzyjnego. Algorytm drzew decyzyjnych jest również stosowany w uczeniu maszynowym do pozyskiwania  wiedzy  na  podstawie  przykładów. Koncepcja  Bugging  polega  na  budowie ekspertów dla  podzbioru  zadań.  W  tym  przypadku,  ze wszystkich problemów do rozwiązania losowany jest  ze  zwracaniem  podzbiór  problemów  a następnie dla tego podzbioru szukany jest ekspert. W algorytmie tym z całego zbioru danych uczących losowany   jest   podzbiór  i  dla  tego  podzbioru budowany jest model predykcyjny, następnie po raz   kolejny   ze   zwracaniem   losowany   jest   inny podzbiór  wektorów  i  dla  niego  budowany  jest kolejny model. Całość jest powtarzana kilkukrotnie a na koniec wszystkie zbudowane modele użyte są do głosowania.

W  ramach  metod  drzew  decyzyjnych  istnieje  kilka algorytmów,  w  naszym  przypadku  został wykorzystany  algorytm  Random  Forest polegająca na    tworzeniu     wielu    drzew    decyzyjnych    na podstawie   losowego   zestawu   danych.   Idea   tego   algorytmu   polega   na zbudowaniu   konsylium ekspertów z losowych drzew decyzyjnych, gdzie w odróżnieniu od klasycznych drzew decyzji, losowe drzewa budowane są na zasadzie, iż podzbiór analizowanych cech w węźle dobierany jest losowo.

Cechy   algorytmu   Random   Forest

Jest   najlepszy  jeśli  chodzi  o  dokładność  wśród  pozostałych algorytmów działa skutecznie na dużych bazach danych utrzymuje dokładność w przypadku braku danych daje oszacowanie, które zmienne są istotne w klasyfikacji nie ma potrzeby przycinania drzew lasy mogą być zapisane i wykorzystane w przyszłości dla innego zbioru danych nie wymaga wiedzy eksperckiej. Pojedyncze  klasyfikatory  lasu  losowego  to  drzewa  decyzyjne.  Algorytm  Random Forest bardzo dobrze nadaje się do badania próby, gdzie wektor obserwacji jest dużego wymiaru. Przeprowadzona  została  analiza  z  wykorzystaniem  algorytmu  Random  Forest w    ramach przeprowadzonej analizy transakcji klientów w kanale internetowym. Algorytm został uruchomiony na podstawie parametrów:

• Zakup zrealizowany w miasta
• Wielkość populacji miasta
• Ilość dni od pierwszego zakupu
• Ilość zamówień Klienta
• Ilość produktów w zamówieniu
• Średnia zniżka w zamówieniu

Wyniki  algorytmu zaklasyfikowały 886 klientów, którzy z dużym prawdopodobieństwem dokonają zakupu w najbliższej z akcji wyprzedażowej.