2026-09-18T17:52:19Zhttps://helda.helsinki.fi/server/oai/request

oai:helda.helsinki.fi:10138/3145872026-07-23T15:16:12Zcom_10138_18086com_10138_17738col_10138_18093

Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta University of Helsinki, Faculty of Science Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten Perälampi, Minna 2020 URN:NBN:fi:hulib-202004291992 http://hdl.handle.net/10138/314587 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. eng Helsingin yliopisto University of Helsinki Helsingfors universitet Predicting smartphone email marketing campaign clicks with the LightGBM algorithm pro gradu -tutkielmat master's thesis pro gradu-avhandlingar Tilastotiede restrictedAccess URN:NBN:fi:hulib-202004291992 restricted