Marketing und Machine Learning

Vortrag im Zuge einer Kundenveranstaltung bei VERDURE Medienteam GmbH in Stuttgart über Hype und Realität von Machine Learning im Marketing auf. Was ist Big Data, Machine Learning und Data Science? Wie können Daten für personalisierte Werbung genutzt werden? Wie können Erfolgsquoten von Marketingmaßnahmen vorhergesagt werden? Diese und weitere Fragen wurden in diesem Vortrag beantwortet und anhand von realen Cases und Demos veranschaulicht. Besonders cool war auch die Teilnahme an der Data Science Challenge bei Kaggle, bei der wir mit echten Nutzerdaten des Bike-Sharing-Dienstes aus San Francisco erste Vorhersagen für die Nutzung abhängig von Zeit und Ort treffen konnten.

Transcript

1. Marketing und Machine Learning Zwischen Hype und Realität, entscheiden auf was es ankommt!
2. Über was wir heute nachdenken! • Definition von BigData, Machine Learning (ML) und Data Science • Mythen über ML und BigData • Realität von ML und BigData • Verwendung von BigData und ML in Werbung und Marketing • Beispiele was mit ML möglich ist • Tipps und Lessons Learned • Fragen und Antworten
3. Was ist BigData? Volume Velocity Variety Veracity Value
4. BigData ist Verarbeitung und Speicherung
5. BigData ist Datenintegration und -transport
6. BigData ist Data-Engineering
7. Was ist Machine Learning?
8. Was ist Mathematische Modellierung? &
9. Was ist Mathematische Modellierung?
10. Was ist Mathematische Modellierung?
11. Ergebnis durch Training
12. Funktioniert auch für komplexe Probleme!
13. Demo: Deep Learning im Tante-Emma-Laden
14. Tools für die Demo Jupyter Notebook Python Turi Machine Learning Pandas Dataframes Scikit Learn Tensorflow
15. Daten erkunden und visualisieren Tiefergehendes Verständnis des Geschäfts Fachabteilung Business Anal. Data Science Experte Data Science Experte Reifegradmodell für Data Science Steuerung und Durchführung von Prozessen durch Analyse automatisieren. Deskriptiv Modellbildung, Vorhersagen, Build-Measure-Lern-Zyklus Prädiktiv Präskriptiv
16. Trainingsdaten (Logs, Text, Bilder, etc.) Prozess einer supervised Daten-App Trainingsdaten (Logs, Text, Bilder, etc.) Trainingsdaten (Logs, Text, Bilder, etc.) Trainingsdaten (Logs, Text, Bilder, etc.) Trainingsdaten (Logs, Text, Bilder, etc.) Labels Feature Extraction ML Algo. Feature Extraction Modell Ergebnis Label Input Daten Test Daten
17. Was ist Data Science? Problem Modell Experiment Theorie Anwendung der Theorie Modifikation der Theorie Modifikation des Modells Test des Modells
18. Der Hype um ML und BigData!
19. Mythos: Data Science ist ein automatischer Prozess Business Understanding Data Understanding Data Preparation Modeling Evaluation Deployment Daten
20. Mythos: Analysten werden ganz wichtig! Es geht immer noch um Kreativität! Aber es stehen mehr Informationen und Tools für bessere Entscheidungen zur Verfügung.
21. Mythos: BigData muss GROSS sein
22. Mythos: Data Science liefert schwarz/weiss Antworten Ergebnisse bewerten • Kontext • Ziele • Etik
23. ML und BigData für Marketing und Werbung • Identifikation von Inhalten: Inhalte “verstehen” und kategorisieren. • Personalisierung: Angebote auf einzelne Nutzer zuschneiden. • Timing und Platzierung: Wo, in welcher Form und wann ist Werbung effektiv? • Betrugserkennung: Zum erkennen von illegitimen Verhalten. • Vorhersage der Erfolgsquote: Aus Vergangenheit zukünftigen Erfolg schätzen.
24. Personalisierung Implizite Information Explitizte Information Passende Botschaft Richtiges Timing Interaktion
25. Demo: Recommender
26. Korrelations-Analyse • Market Basket Analysis • Frequent Pattern Mining
27. Regression und Extrapolation Beziehungen zwischen Variablen • Modell fest • Optimierung • Multidimensional
28. Demo: Vorhersage der Nutzung eines Bike-Sharing Dienstes
29. Betrugs- und Anomalieerkennung Normales Pattern Anomalie Klassifikation • Unsupervised • Supervised • Zeitreihen • Graphen
30. Demo: Erkennen von Lead Scoring bei einer Bank
31. Tipps und Lessons • Kein Tool Problem! Data Thinking! • Nicht das schwierigste Problem zuerst! • “Unreasonable Effectiveness of Data” • Einfacher Algorithmus! • Automatische, korrekte Evaluation! • Kontrolle behalten: Make or buy, richtiges Skill-Set!
33. Fragen und Diskussion
34. Kurze Zusammenfassung BigData = Technologie Machine Learning = Lernen von Funktionen und Modellen DataScience = Modell + Experiment + Iteration Intelligence Augmentation schlägt Artificial Intelligence
35. Vielen Dank für die Gelegenheit meine Ideen zu präsentieren. Marketing und Machine Learning - Joachim Rosskopf (man kann mich mieten)