Samenvatting

Om waarde op te leveren ten behoeve van het verrijken van klantprofielen als input voor marketingcampagnes is het belangrijk om inzicht te verkrijgen in de mogelijkheden met betrekking tot marketingmethoden en strategieën. Een gehanteerde marketingtechniek is het RFM. Dit zorgt ervoor dat op basis van verschillende attributen de recency, frequency en monetary te berekenen zijn. Dit resulteert in de customer value. De RFM-waardes kunnen in combinatie met de overige attributen gebruikt worden ter verrijking van klantprofielen middels machine learning. Echter, is het de bedoeling om op basis van de business situatie een machine learning techniek toe te passen. Wat de type machine learning betreft zal descriptive en predictive analyse gehanteerd worden. De vragen die hierbij beantwoord moeten worden is wat is er gebeurd en wat kan er gebeuren. Voordat machine learning daadwerkelijk toegepast kan worden is het van essentieel belang om een machine learning techniek te hanteren. De bekende machine learning technieken die mogelijk zijn binnen Azure waren supervised en unsupervised algoritmes. Omdat de resultaten gebaseerd zijn op descriptive en predictive analyses zijn de zojuist benoemde machine learning technieken gehanteerd. Hierdoor zal er clustering als classificatie plaatsvinden. Onder deze twee technieken vallen verscheidene algoritmes. Aan de hand van literatuur, die de voordelen en nadelen van de algoritmes beschreven zijn er verschillende algoritmes gehanteerd, namelijk: k-means voor het clusteren en logistische regressie en support vectormachines voor classificatie oftewel de predictive type van analyse. De overige modellen waren niet toepasbaar binnen de verkregenen datasets. Alhoewel de decision tree algoritme hoger scoorde dan support vectormachines, was het nadeel dat decision tree niet toepasbaar was op non-categorical data. Op basis van het toepassen en vergelijken van accuraatheden kwam naar voren dat logistisch de betere combinatie was met k-means voor het clusteren en voorspellen. Het onderzoek naar marktsegmentatie, waarbij verschillende algoritmes waren getoetst bleek te kloppen. Uiteraard is het verstandig om naast deskresearch ook field research uit te voeren. Hierbij zijn twee ervaring volle data engineers met ervaring van machine learning geïnterviewd volgens de ongestructureerde interviewtechniek, waarbij veel open vragen gesteld zijn en bevindingen naar voren kwamen. De combinatie van de k-means en logistische regressie algoritme bleek interessant te zijn. Echter, heeft het wel zijn nadelen. Doordat de situatie van de grote supermarktketen onduidelijk bleef, was het mogelijk dat de aantal clusters kon veranderen, attributen zouden kunnen wijzigen of toegevoegd/verwijderd zouden worden, maar ook hoeveel nieuwe klanten geanalyseerd zouden moeten worden met dit model. Verschillende factoren hebben ernaartoe geleidt dat de combinatie in de huidige toepassing geen meerwaarde had. Uiteindelijk is afgeweken van de oplossing, die werd beschreven aan de hand van literatuur. De resultaten uit het machine learning model, waarbij k-means is toegepast, leveren meerwaarde voor marketingstrategieën en campagnes. Doordat het RFM-marketingmodel is gebruikt voor het clusteren, kunnen zowel frequente als non frequente, veel opleverende klanten als niet opleverende klanten en actieve als non actieve klanten aan de hand van de customer lifecycle meerwaarde leveren voor differentiatie in aanbiedingen, proactieve retentie, kanaal strategie en verbeteringen in customer service. Deze resultaten leveren een hoger verkoopvolume op en een betere klantervaring. Wat de marketingcampagne betreft, zal e-mail segmentatie campagnes gehanteerd moeten worden.