Predikce nákupního chování klientů banky pro optimalizaci marketingových kampaní
Autor(ka) práce:
Šarin, Kristijan
Typ práce:
Bakalářská práce
Vedoucí práce:
Bína, Vladislav
Oponenti práce:
Přibil, Jiří
Jazyk práce:
Česky
Abstrakt:
Tato práce zkoumá predikci nákupního chování klientů banky. Cílem práce bylo vytvořit model náhodného lesa pro optimalizaci marketingových kampaní. Model využil datové sady z různých digitálních kanálů. Data byla nejprve sloučena, očištěna a obohacena o nové atributy. Dále byl vytvořen klasifikační model náhodného lesa. Model prošel optimalizací pomocí GridSearchCV a pětinásobnou křížovou validací. Model dosáhl hodnoty ROC-AUC 0,8564 na testovací množině a celkové přesnosti 76 %. F1-skóre činilo 0,76. Model tak dokáže rozlišovat mezi zákazníky s různou pravděpodobností nákupu. Poté byla provedena segmentace klientů do čtyř skupin. Každé skupině bylo přiřazeno cílené marketingové doporučení. Výsledky práce potvrzují, že analýzu digitálních interakcí lze efektivně využít k personalizaci kampaní a zvýšení návratnosti investic.
Prediction of bank customers' purchasing behavior for the optimization of marketing campaigns
Autor(ka) práce:
Šarin, Kristijan
Typ práce:
Bachelor thesis
Vedoucí práce:
Bína, Vladislav
Oponenti práce:
Přibil, Jiří
Jazyk práce:
Česky
Abstrakt:
This thesis explores the prediction of bank clients' purchasing behavior. The aim was to develop a Random Forest model to optimize marketing campaigns. The model utilized datasets from various digital channels. The data were first merged, cleaned, and enriched with new attributes. Subsequently, a Random Forest classification model was built. The model was optimized using GridSearchCV and validated through five-fold cross-validation. It achieved a ROC-AUC score of 0.8564 on the test set and an overall accuracy of 76%. The F1-score for the purchase class was 0.76. This indicates the model's ability to distinguish between customers with different purchase probabilities. Clients were then segmented into four groups, each receiving a targeted marketing recommendation. The results confirm that analyzing digital interactions can be effectively used to personalize campaigns and increase return on investment.
Klíčová slova:
machine learning; prediction; marketing segmentation; random forest