{"id":65530,"date":"2021-12-13T11:26:57","date_gmt":"2021-12-13T11:26:57","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=65530"},"modified":"2024-09-20T17:45:47","modified_gmt":"2024-09-20T16:45:47","slug":"scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data\/","title":{"rendered":"Customer Propensity scoren met behulp van Machine Learning-modellen in Google Analytics Data"},"content":{"rendered":"

Auteur<\/h2><\/div>\"Image\"

Antoine Aubay<\/h3><\/div>

Senior Data Wetenschapper bij Artefact<\/p>\n<\/div><\/div><\/div><\/div><\/div>

<\/span><\/a><\/span>

Lees ons artikel over<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Propensity modeling kan worden gebruikt om de impact van uw communicatie met klanten te vergroten en de uitgaven van uw reclamebudget te optimaliseren.<\/p>\n

Google Analytics data is een goed gestructureerde data bron die gemakkelijk kan worden omgezet in een machine learning-ready dataset.<\/p>\n

Backtests op historische data en technische statistieken kunnen u een eerste indruk geven van de prestaties van uw model, terwijl u met live tests en zakelijke statistieken de impact van uw model kunt bevestigen.<\/p>\n

Ons aangepaste machine learning-model presteerde beter dan bestaande baselines: tijdens live tests in termen van ROAS (Return on advertising spend): +221% vs op regels gebaseerd model en +73% vs off-the-shelf machine learning (Google Analytics sessie kwaliteitsscore).<\/p>\n

Dit artikel gaat uit van basisprincipes in machine learning en marketing.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Wat is propensity modeling?<\/h2><\/div>

Proportionaliteitsmodellering is\u00a0inschatten hoe waarschijnlijk het is dat een klant een bepaalde actie zal uitvoeren<\/strong>. Er zijn verschillende acties die nuttig kunnen zijn om in te schatten:<\/p>\n<\/div>