Implementing Reinforcement Learning on Next Best Action: the data requirements and preparation

Abstract

Deze masterproef onderzoekt de integratie van reinforcement learning (RL) technieken in marketingmodellen en richt zich daarbij specifiek op de datavereisten en de voorbereiding die nodig zijn voor de implementatie van RL in de context van “Next Best Action” (NBA) strategieën. NBA is een marketingstrategie die de meest effectieve marketingacties bepaalt om een bepaalde klant tot een convertiegebeurtenis te brengen. Een conversiegebeurtenis kan onder meer een aankoop van een product zijn, een inschrijving op de nieuwsbrief, of eender ander doel dat het bedrijf voor ogen heeft. Reinforcement Learning is een subtak van machine learning en een krachtige techniek voor toepassing op marketingmodellen, die traditionele marketingtechnieken overtreft door marketingprocessen dynamisch te optimaliseren door iteratief leren en sequentiële besluitvorming. RL-algoritmen vereisen echter zeer specifieke inputgegevens, die niet altijd rechtstreeks beschikbaar zijn binnen marketingbedrijven. Om deze reden worden de haalbaarheid en de beperkingen van de toepassing van RL op NBA getest, met de focus op de vereisten voor marketing data. In deze thesis worden de volgende fundamentele vragen beantwoord: Wat zijn de vereisten met betrekking tot marketing data, die worden gebruikt als input in RL, bij toepassing op NBA? Zijn RL-modellen geschikt om geïmplementeerd te worden in de context van NBA, uitgaande van ruwe traditionele marketing data die aanwezig zijn in een bedrijf?