A gépi tanulás lehetőségeinek vizsgálata a fogyasztói preferenciák és döntések függvényében
Tanulmány célja:
A tanulmány célja, hogy bemutassa, hogyan tudnak a KKV-k programozási tudás nélküli MI (mesterséges intelligencia) eszközöket, gépi tanulási algoritmusokat felhasználni a különböző marketingtevékenységük, különösen a szegmentációs ismérvek kiválasztása és a targetálás fejlesztésére. A dolgozat első felében szekunder kutatás, irodalmi áttekintés keretében általános áttekintést nyújtok az MI és a gépi tanulás alkalmazási lehetőségeiről a marketing területén, majd a dolgozat második felében a társasjáték vásárlásra és társasjáték kávézók látogatására vonatkozó esettanulmányon keresztül, primer kutatással egy valós szegmentálási és targetálási helyzetet szimulálok. Bemutatom a modellfejlesztés és tesztelés különböző lépéseit, valamint vizsgálom azt is, hogy a modellfejlesztés egyes kérdéseinél mit érdemes választani.
Kutatási módszerek és tervezés:
A primer kutatás során hagyományos marketingkutatási eszközökkel, kérdőíves megkérdezéssel történt az adatgyűjtés, amelyet modern adatfeldolgozó algoritmusokkal és szoftverrel értékeltem ki. Az adatgyűjtés két mintán történt, az egyik sokaság az egyetemi hallgatókból a másik sokaság pedig társasjátékozással foglalkozó online csoportokból lett kialakítva. Célunk az, hogy ezen adatokat további értékes betekintések kinyerésére használjuk fel, amelyeket prediktív modellezés keretein használunk fel. A modellalkotás során többféle tanuló algoritmust is alkalmaztam, a különböző minták közötti kapcsolatot vizsgáltam a predikciók hatékonysága szempontjából, valamint igyekeztem a tanulási folyamatba bevont változókat optimalizálni is a predikció pontossága alapján.
Eredmények:
Az esettanulmányban bemutatásra kerül a logisztikus regresszió, valamint a véletlen erdő algoritmusok használata a releváns változók kiválasztására, valamint ennek optimalizálási folyamata. A két minta összehasonlításában jól látható, hogy jelentős eltérések vannak a predikció hatékonyságában, valamint a legfontosabb változók összetételében is. Mindez arra is felhívja a figyelmet, hogy a tanuló algoritmusok használatához a mintavételi keret kiválasztása rendkívül fontos lépés lehet a KKV-k számára.
Hasznosíthatóság:
Hazánkban számos KKV számára rendkívül fontos az, hogy az általuk is elérhető adatokat modern eszközökkel tudják feldolgozni. Az esettanulmány arra mutat példát, hogy ez nem lehetetlen és a különböző mesterséges intelligencia alapjait képező tanuló algoritmusok számos területen tudják segíteni a vállalkozásokat és növelni a hatékonyságukat.
Limitációk:
A kutatás jelenleg feltáró fázisban tart, amely során az alkalmazott adatgyűjtési módszerek, valamint az egyetlen iparágra való fókuszálás, a bevont változók és a minták méretei korlátokat adnak az általánosíthatóság szempontjából. Mindezek ellenére az esettanulmányban bemutatott módszerek általánosíthatóak és jól hasznosíthatóak más iparágakban, valamint más mintákon is.
