Van data lake naar modellen die voorspellen

Hoe werkt machine learning?

Een voorbeeld om het te snappen: stel een reisbureau voor dat wil voorspellen welke type klanten naar grote waarschijnlijkheid een luxe cruise zullen boeken. We hebben een grote dataset verzameld met informatie over hun klanten en hun boekingsgeschiedenis. De opgebouwde dataset bevat inputvariabelen die helpen voorspellen welk type klant we met marketing het beste kunnen targeten.

In de bovenstaande tabel zijn de eerste 70% van de klanten (bijvoorbeeld klanten 1 tot 70) de trainingsset. Deze data gebruiken we om het model te trainen. Het model zal leren welke kenmerken (zoals leeftijd, inkomen, aantal eerdere cruises, of ze lid zijn van een loyalty programma, en het aantal vakanties dat ze per jaar nemen) belangrijke indicatoren zijn voor het al dan niet boeken van een luxe cruise.

Vervolgens gebruiken we de overige 30% van de klanten (klanten 71 tot 100) als controlegroep om te zien hoe nauwkeurig ons model nieuwe gegevens kan voorspellen. We zullen het model van alle inputvariabelen van de testset 'voeden', maar niet de uitkomst van de laatste kolom. Het model zal zijn voorspellingen doen, en deze kunnen we nu vergelijken met de werkelijke gegevens om de nauwkeurigheid van het model te beoordelen.

De uitkomst hier zou kunnen zijn dat een nieuwe klant met een hoog inkomen, die al meerdere reguliere cruises heeft geboekt én lid is van het loyaltyprogramma, een luxe cruise zal boeken. Dit helpt het reisbureau bij het targeten van marketinginspanningen en het aanbieden van gepersonaliseerde aanbiedingen.

Machine learning vraagt om een data lake

Vergis je niet, je hebt veel uiteenlopende data nodig om daar uiteindelijk lering uit te kunnen trekken. Dus wil je met machine learning starten, begin met het verzamelen van klantgegevens en het ontwikkelen van jouw data lake.

Maak bij de ontwikkeling van jouw data lake gebruik van First-Party data en technieken als server side tagging. Hoe meer data je verzamelt, hoe meer mogelijkheden je krijgt om die data te optimaliseren. Denk bijvoorbeeld aan A/B testen op basis van de 7 overtuigingsprincipes van Cialdini. Zo groeit je data lake en krijgt deze steeds meer voorspellende waarde.

Daarom New Story

Klaar om met machine learning aan de slag te gaan? Laten we samen het data lake in duiken. Met het datagedreven marketing team van New Story ben je klaar voor next-level marketing. Vanuit onze blended expertise - strategie, design, technologie en marketing - vinden we altijd ruimte voor verbetering. Zullen we vrijblijvend het gesprek aangaan? We leren je graag kennen.