Boosting Website Micro-Conversions with Machine Learning: Precision Targeting of Potential Customers

Název práce: Boosting Website Micro-Conversions with Machine Learning: Precision Targeting of Potential Customers
Autor(ka) práce: Mayer Hertl, Martina
Typ práce: Závěrečná práce - Institut celoživotního vzdělávání
Vedoucí práce: Potančok, Martin
Oponenti práce: Zimmermann, Pavel
Jazyk práce: English
Abstrakt:
This project sets out to boost customer engagement by harnessing data-driven insights to increase micro-conversions, navigating through diverse data sources and leveraging advanced analytics tools to understand customer behaviour deeply. The resulting propensity model provides insightful visualizations into how customer interactions across various channels influence micro-conversion likelihoods. By focusing marketing efforts on the top segment identified by the model, the project demonstrated a targeted approach to resource allocation, significantly enhancing campaign effectiveness. This comprehensive effort underscores the project's testament to the power of integrating advanced analytics to optimize marketing strategies.
Klíčová slova: Machine Learning; Google Analytics 4; Micro-conversions; Customer Engagement
Název práce: Boosting Website Micro-Conversions with Machine Learning: Precision Targeting of Potential Customers
Autor(ka) práce: Mayer Hertl, Martina
Typ práce: Závěrečná práce - Institut celoživotního vzdělávání
Vedoucí práce: Potančok, Martin
Oponenti práce: Zimmermann, Pavel
Jazyk práce: English
Abstrakt:
Tento projekt si klade za cíl zvýšit zapojení zákazníků využitím datově orientovaných poznatků skrze zvyšování mikro-konverzí. To vše s použitím rozmanitých zdrojů dat a využitím pokročilých analytický nástrojů zaměřené na pochopení zákazníků. Výsledkem propenzitního modelu jsou vizualizace nastiňující interakce zákazníků na základě různých faktorů neboli kanálů, které ovlivňují pravděpodobnost mikro-konverze. Model prokázal, že pokud se marketing zaměří na nejvhodnější segment zákazníků identifikovaný modelem, přerozdělení zdrojů je vhodná strategie k významnému zefektivnění kampaní. Tato komplexní úsilí poukazují na značný přínos projektu v oblasti integrace pokročilé analytiky, která má přímý dopad na zdokonalení marketingových strategií.
Klíčová slova: Customer Engagement; Machine Learning; Google Analytics 4; Micro-conversions

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: 17. 2. 2021
Datum podání práce: 1. 4. 2024
Datum obhajoby: 31. 1. 2023
Identifikátor v systému InSIS: https://insis.vse.cz/zp/88161/podrobnosti

Soubory ke stažení

Hlavní práce
Neveřejný soubor
Stáhnout
Neveřejná příloha
Neveřejný soubor
Stáhnout
    Poslední aktualizace: