Машинное обучение помогает раскрыть скрытые мотивы потребителей
Распространенной проблемой для маркетологов является понимание и взаимодействие с людьми, имеющими «слабые» профили данных, например, с донорами с небольшим количеством демографической информации или краткой историей взаимодействия, из-за которой у организаций нет четкого представления об их интересах. Джиён Хонг, доцент кафедры маркетинга в бизнес-колледже Костелло при Университете Джорджа Мейсона, помогла разработать модель машинного обучения с использованием атрибутивных графов (AGCL), которая решает эту проблему, помогая организациям извлекать больше пользы из уже имеющихся у них данных, соблюдая при этом конфиденциальность. Исследовательская группа состояла из Хонга и соавторов Цин Лю из Университета Висконсина в Мадисоне и Вэньцзюнь Чжоу из Университета Теннесси в Ноксвилле. Их рабочий документ был размещен на сервере препринтов SSRN . «Наша структура позволяет делать более точные выводы, синтезируя даже минимальные данные, которые зачастую являются единственным, что доступно небольшим организациям», — говорит Хонг. Команда протестировала AGCL, используя данные с DonorsChoose.org, платформы, на которой учителя государственных школ могут размещать запросы на финансирование проектов в классах. Более 70% доноров на платформе жертвуют только один раз, что ограничивает возможности традиционных методов. AGCL использовался для «заполнения пробела» путем соединения доноров со схожими профилями на основе их краткого взаимодействия, создавая более широкий контекст для понимания и...
Drivee внедрил машинное обучение для модерации заказов в сервисе Сервис для заказа городских поездок Drivee разработал собственную систему модерации заказо ...
CHASPIK.SPB.RU