📚 Academic

Samsung SDS AI Business Academy Day2 (2021.09.16)

olivia_park 2021. 9. 17. 11:48

Marketing

시장의 소유, 어떻게 하나?

팬덤을 만들어야한다. 

만들기 위해서는? 개인화 + 가치제공 + 양방향 커뮤니케이션 -> 기술을 활용해야함! (빅데이터, 인공지능 등)

 Data Literacy 데이터 리터러시

- 데이터를 언어처럼 쓸 수 있는 역량

- 목적에 맞게 데이터의 가치를 활용할 수 잇는 역량으로 최근 마케터들에게 필수로 요구되는 스킬

 

데이터 분석 활용 팁

문제를 푸는 것보다 문제를 정의하는 것이어 어렵다.

독창적인 지표를 찾아내고 데이터 자체에 대한 이해도를 높이자

빨리 변하는 기술을 가지기보다 빌려쓰고 통달하기보다 부딪쳐보자

 

활용데이터

내부 데이터 - 기본데이터, 마케팅 데이터, CS, 리뷰

외부 데이터 - 소셜 데이터, 기타데이터

추천 시스템이란 Recommendation

- 개인 맞춤형 서비스 제공을 위해 구매패턴 등 과거 데이터를 분석하여 상품을 추천하는 시스템

- 추천 시스템은 사용자가 생각하는 순위나 선호도를 예측하는 일종의 정보 필터링 시스템

 

추천시스템의 필요성

- 정보가 증가함에 따라 모든 것을 확인할 수 없어짐

- 사용자에게 가장 필요한 정보(자료)를 제공

 

추천시스템 사례

온라인에서의 추천 시스템

- Netflix 대여의 2/3

- google News 38%이상의 조회가 추천

 

추천 시스템 모델 

  • Association Rule
  • Content-based : 아이템의 내용을 분석하여 추천(Clustering)
  • Collaboratve Filtering : Memory-based/ Model-based

Association Rule

대규모 데이터 항목들간의 유용한 연관규칙을 발견

"If ~ then~의 형태"

ex) 기저귀를 사는 사람의 40%가 맥주를 사네?

지표 : Support, Confidence, Lift

 

연관분석 알고리즘

Apriori : 후보를 줄여서 최적화

FP Tree Growth : 비교 횟수를 줄여서 최적화

Brute-force Approach : 모든 항목에 대하여 전부 검색

 

Collaborative Filtering

Pros

아이템이나 유저의 유사도를 모델링하고 측정하여 추천

복잡하고 많은 아이템을 어렵게 분석하지 않아도 되고 성능이 좋다

Cons

Cold Start, Scalability, Sparseness, Populartiy bias

실습

1. 장바구니 분석 기반 상품 추천

 

 

2. 평점 기반 레스토랑 추천

SELECT user
     , cast(replace(variable, 'item_top', '') as integer) as rank
	 , placeID
	 , Main_Dish
from #{DF(0)}
order by user, rank

 

3. 쇼핑리뷰 텍스트 전처리

4. 소비자 긍정 리뷰 예측

 

말씀을 너무 자주 더듬으셔서 조금 듣기 힘들었다ㅠ

그래도 이틀동안 좋은 시간이었고감사한 경험이었다! :)

 

728x90
반응형