VYUŽITÍ METOD MACHINE LEARNING V E-COMMERCE
| Název práce: | VYUŽITÍ METOD MACHINE LEARNING V E-COMMERCE |
|---|---|
| Autor(ka) práce: | Kornelly, Roman |
| Typ práce: | Závěrečná práce - Institut celoživotního vzdělávání |
| Vedoucí práce: | Zimmermann, Pavel |
| Oponenti práce: | Janeček, Martin |
| Jazyk práce: | Česky |
| Abstrakt: | Tato závěrečná práce se zabývá problematikou zvýšení míry prokliku a redukce nevyžádaných marketingových sdělení zasílaných prostřednictvím mobilních push notifikací. Tento okruh problémů je řešen využitím metod strojového učení. První kapitola je zaměřena na business prostředí a specifikaci konkrétních požadavků na řešení. V následující části jsou provedeny datové analýzy a definovány závěry z nich vycházející. Sekce realizace projektu obsahuje vytvoření a porovnání několika optimalizovaných prediktivních machine learning modelů, včetně rozboru vlivu jednotlivých business dat na výslednou predikci. Následně je celý projekt zhodnocen spolu s identifikováním přínosů. |
| Klíčová slova: | míra prokliku; online marketing; push notifikace; míra odhlášení; prediktivní modelování; strojové učení; propenzitní modelování; přímý marketing; CRISP-DM; e-commerce |
| Název práce: | THE USE OF MACHINE LEARNING IN E-COMMERCE |
|---|---|
| Autor(ka) práce: | Kornelly, Roman |
| Typ práce: | Závěrečná práce - Institut celoživotního vzdělávání |
| Vedoucí práce: | Zimmermann, Pavel |
| Oponenti práce: | Janeček, Martin |
| Jazyk práce: | Česky |
| Abstrakt: | The thesis aims to describe increasing the click-through rate and reducing spam marketing messages sent via mobile push notifications. The problem is solved by machine learning methods. The first chapter lays out the business environment and requirements needed to tackle the task at hand. The following section analyzes available data and the implications thereof. The implementation section includes a comparison of several optimized predictive machine learning models, including feature importance. In the end, the project is evaluated along with identifying the benefits of the entire solution. |
| Klíčová slova: | Propensity Modeling; CRISP-DM; Machine Learning; Click Through Rate; Direct Marketing; Predictive Modeling; E-commerce; Push Notifications; Opt-out Rate; Online Marketing |
Informace o studiu
| Studijní program / obor: | Data & Analytics for Business Management |
|---|---|
| Typ studijního programu: | Celoživotní vzdělávání studijní program |
| Přidělovaná hodnost: | MBA |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta informatiky a statistiky |
| Katedra: | Katedra informačních technologií |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 14. 6. 2022 |
|---|---|
| Datum podání práce: | 16. 12. 2022 |
| Datum obhajoby: | 23. 2. 2023 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/83140/podrobnosti |
Soubory ke stažení
Hlavní práce
Neveřejný soubor Stáhnout
Neveřejný soubor Stáhnout