Koneoppiminen ennustamassa kuluttajakäyttäytymistä verkkopalveluissa

Abstract

Tämän kandidaatin tutkielman tavoitteena on tunnistaa, mitä koneoppimisen mahdollisuuksia kuluttajakäyttäytymisen ennustamiseen on verkkopalveluiden kehittämiseksi personoidumman palvelun tuottamiseksi kuluttajille. Tutkielmassa käsitellään myös syväoppimisen ja neuroverkkojen hyödyntämistä perinteisen koneoppimisen lisäksi sekä mikä on tiedon rooli koneoppimisessa ja mitä tarkoitetaan ennustavalla analytiikalla. Tavoitteena on löytää myös koneoppimisen käyttöönoton hidasteiden syitä perustelemaan, miksi koneoppimisen avulla ennustamista ei hyödynnetä vielä niin laajasti yritysten verkkopalveluissa.

Tutkimus on toteutettu kvalitatiivisena eli laadullisena tutkimuksena. Aineisto kerättiin digiratkaisuja tarjoavien yritysten asiantuntijoita haastattelemalla teemahaastattelun mukaisesti. Empiirinen aineisto pohjautuu tutkimukselle määriteltyihin teemoihin, mitkä ovat koneoppimisen nykytilanne, käyttökohteet verkkosivuilla tai -kaupoissa, käyttöönoton hidasteet sekä koneoppimisen tulevaisuus. Empiirinen analyysi koostuu kolmen eri asiantuntijan omiin näkemyksiin ja kokemuksiin pohjautuvasta haastatteluaineistosta.

Tutkimuksen tulokset osoittavat, koneoppimisen roolin olevan verkkopalveluissa kasvava, avustava, myyntiä lisäävä ja kustannuksia leikkaava. Suosituimmiksi käyttökohteiksi nousivat koneoppimisen avulla tehdyt segmentoinnit, asiakkaan kannattavuus ennusteet, suosittelu ennusteet, asiakasvaihtuvuus ennusteet, chatbotit, sisäiset hakutulos ennusteet, ostokäyttäytymisen ennusteet, poikkeamien ja samankaltaisuuksien tunnistaminen, asiakastasoennusteet, aikasarjaennusteet, kuvapohjaiset ennustukset, kysyntä ennusteet, trendien ennusteet sekä hintajousto ennusteet ja hinnoittelu arviot.

The purpose of this Bachelor’s Thesis is to examine what is the role and opportunities of machine learning for developing web services to increase the quality of personalized service for customers in websites or e-commerce environments. The study focuses on identifying predictive machine learning, deep learning, and neural network method’s opportunities in web service applications. In addition, it is important to take into attention, what is the data’s role and what concept predictive analytics means. The study shows, what are machine learning deployment challenges when companies do not use widely machine learning methods in their business’s web services.

This research was implemented using qualitative research methods. Research material for the empirical section of the research was acquired with semi-structural interviews in Finland and participants for the collection of material were three specialists which had the knowledge and experiences about machine learning and predictive analytics. Specialists worked in companies that offer to their customer companies different web service solutions.

These results of the thesis show that machine learning has an increasing role in today’s business sight. In web services, machine learning works as an assistant role in web service applications. The most significant results for how machine learning methods are used in web service applications were defined as consumers segmentation, customer’s profitability forecasts, recommendation forecasts, customer churn forecasts, chatbot services, internal search result predictions, forecasts of purchasing behavior, identification of anomalies and similarities, customer level forecasts, time series forecasts, image-based forecasts, demand forecasts, trend forecasts, price elasticity forecast, and pricing estimates.