THE USE OF MACHINE LEARNING IN E-COMMERCE
| Thesis title: | VYUŽITÍ METOD MACHINE LEARNING V E-COMMERCE |
|---|---|
| Author: | Kornelly, Roman |
| Thesis type: | Závěrečná práce - Institut celoživotního vzdělávání |
| Supervisor: | Zimmermann, Pavel |
| Opponents: | Janeček, Martin |
| Thesis language: | Česky |
| Abstract: | 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. |
| Keywords: | míra prokliku; online marketing; push notifikace; míra odhlášení; prediktivní modelování; strojové učení; propenzitní modelování; přímý marketing; CRISP-DM; e-commerce |
| Thesis title: | THE USE OF MACHINE LEARNING IN E-COMMERCE |
|---|---|
| Author: | Kornelly, Roman |
| Thesis type: | Závěrečná práce - Institut celoživotního vzdělávání |
| Supervisor: | Zimmermann, Pavel |
| Opponents: | Janeček, Martin |
| Thesis language: | Česky |
| Abstract: | 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. |
| Keywords: | Propensity Modeling; CRISP-DM; Machine Learning; Click Through Rate; Direct Marketing; Predictive Modeling; E-commerce; Push Notifications; Opt-out Rate; Online Marketing |
Information about study
| Study programme: | Data & Analytics for Business Management |
|---|---|
| Type of study programme: | Celoživotní vzdělávání studijní program |
| Assigned degree: | MBA |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Information Technologies |
Information on submission and defense
| Date of assignment: | 14. 6. 2022 |
|---|---|
| Date of submission: | 16. 12. 2022 |
| Date of defense: | 23. 2. 2023 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/83140/podrobnosti |
Files for download
Main text
Private file Download
Private file Download