Digital Analytics – Modelli di propensione – Introduzione

 

In ambito Digital Analytics, i modelli di propensione servono a prevedere la probabilità di un determinato tipo di comportamento di un utente sul sito. Vediamo un esempio di sviluppo di un modello di propensione con tecniche di Machine Learning utilizzando la piattaforma SAS Viya.

 

Digital Analytics – Modelli di propensione – Fasi

 

Definito l’obiettivo del modello predittivo di propensione (es. clic su un pulsante, visualizzazione di contenuti video, download di contenuti, acquisto di prodotti, etc.) lo sviluppo avviene in tre fasi:

  • Dati
  • Esplorazione e scoperta
  • Deployment

 

Fase 1 – I Dati

 

Sfruttando i meccanismi di raccolta vengono acquisite le informazioni comportamentali di prima parte sull’intera esperienza digitale del cliente con i siti Web, le app, etc. dell’azienda.  I dati acquisiti vengono strutturati in una varietà di tabelle aggregate di interazioni digitali pronte per la futura modellazione.

 

Fase 2 – Esplorazione e modellazione

 

I dati ora sono pronti per essere modellati e utilizzati dagli algoritmi.

In questo esempio verranno sviluppati tre modelli di Machine Learning (o apprendimento automatico). Alla fine del processo verrà selezionato l’algoritmo che “performerà meglio”, ovvero quello che fornirà i migliori risultati.

Il primo modello utilizzato è il GRADIENT BOOSTING.

Il secondo modello utilizza il RANDOM FOREST.

L’ultimo modello è una RETE NEURALE.


				

FASE 3 – DEPLOYMENT

 

In questa fase i modelli sviluppati con algoritmi differenti vengono messi in competizione con l’obiettivo di sceglierne uno dando la priorità alla precisione e riducendo al minimo l’errata classificazione.


				

Il dashboard di comparazione tra i modelli indica che l’algoritmo vincitore è il GRADIENT BOOSTING.

A questo punto il Machine Learning è pronto e l’intero flusso di lavoro può entrare in “produzione” all’interno della piattaforma SAS  (o in un sistema di marketing di terze parti) per supportare la gestione dell’interazione tra i punti di contatto dei consumatori.


				

Dal momento in cui il modello entra in produzione, ad ogni utente che entrerà nel sito verrà assegnato un punteggio di propensione che indica la probabilità con la quale il cliente effettuerà o meno una determinata azione (visione di contenuti, click, download, etc.).

Questo risultato diventa l’input e la base per ogni tipo di strategia digital real time e di personalizzazione one to one.

 

 

 

Se sei interessato a soluzioni di Digital Analytics contattaci saremo lieti di fornirti tutte le informazioni e rispondere alla tue domande.

All’interno della nostra Accademia del dato eroghiamo corsi di formazione in ambito Machine Learning & Data Intelligence.

Rimani sempre aggiornato con la nostra newsletter. Se non sei ancora iscritto clicca qui