Predicting smartphone email marketing campaign clicks with the LightGBM algorithm

Show simple item record

dc.contributor Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta fi
dc.contributor University of Helsinki, Faculty of Science en
dc.contributor Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten sv
dc.contributor.author Perälampi, Minna
dc.date.issued 2020
dc.identifier.uri URN:NBN:fi:hulib-202004291992
dc.identifier.uri http://hdl.handle.net/10138/314587
dc.description.abstract Tässä työssä aiheena on älypuhelin sähköpostikampanijoiden klikkausten mallintaminen ja ennus- taminen LightGBM algortimin avulla. Mainosten klikkaamisen ennustamista käytetään sähkö- posti markkinoinnin kohdentamiseen potentiaalisesti kiinnostuneille asiakkaille. Klikkaamisen en- nustamisessa käytetty aineisto haettiin DNA Oyj:n tietokannasta. Tutkielmani alussa esittelen mallinnuksessa käytettavan Gradient Boosting Decision Tree mallin seka siitä johdetun LightGBM mallin, jotka perustuvat päätöspuihin. Kerroen ensin lyhyesti päätöspuista, jonka jälkeen esittelen Gradient Boosting Decision Tree mallien teoreettisen taus- tan. Siirryn sen jälkeen esittelemaan LightGBM versiota, minkä yhteydessä esittelen myös sen toteutukseen liittyviä algoritmeja. Tämän jälkeen esittelen Bayesilaisen Optimointi menetelmän jolla hienosäädän mallin hyper parametreja. Seuraavaksi esittelen mallissa käytetyn aineiston. Aineistossa olevat muuttujat kuvaavat asiakkaan demograafisia tietoja, laitteita, internetin käyttöä, verkkokaupassa asioimista sekä ostoshistoriaa aikaisempien kampanijoiden läheyshetkellä. Tämän jälkeen käyn lapi mallin sovittamisen sekä mallin testaamiseksi toteutetun testikampanjan. Mallin arviointiin sovellettiin luokittelumenetelmiin sopivia mittareita. Arvioin mallin toimivuutta klikkausten ennustamiseen testikampanijasta saatujen tulosten perusteella. Lopuksi pohdin mallin ja menetelmän suorituskykyä. Mallin koulutusaineisto ei vastannut tele- operaattorin asiakaskantaa, minkä vuoksi mallin tulokset olivat huonot silloin kun sitä sovellettiin koko asiakaskantaan. Sovellettaessa koulutusaineistoa vastaavaan tilanteeseen mallin suorituskyky oli kohtuullinen. Mallia aioitaan kehittää jatkossa paremmaksi DNA Oyj:llä. fi
dc.language.iso eng
dc.publisher Helsingin yliopisto fi
dc.publisher University of Helsinki en
dc.publisher Helsingfors universitet sv
dc.title Predicting smartphone email marketing campaign clicks with the LightGBM algorithm en
dc.type.ontasot pro gradu -tutkielmat fi
dc.type.ontasot master's thesis en
dc.type.ontasot pro gradu-avhandlingar sv
dc.subject.discipline Tilastotiede und
dct.identifier.urn URN:NBN:fi:hulib-202004291992

Files in this item

Files Size Format View
gradu_final.pdf 666.6Kb application/pdf View/Open

This item appears in the following Collection(s)

Show simple item record