PONTIFCIA UNIVERSIDADE CATLICA DO RIO GRANDE DO SUL

PAGE 14

UNIVERSIDADE DE SANTA CRUZ DO SULROBERTO JUNIOR DOS SANTOS ARAUJOOTIMIZAO DE CAMPANHAS DE MARKETING ATRAVS DE DATA MINING.Santa Cruz do Sul2015ROBERTO JUNIOR DOS SANTOS ARAUJOOTIMIZAO DE CAMPANHAS DE MARKETING ATRAVS DE DATA MINING.Proposta de projeto de pesquisa apresentado como requisito para aprovao na disciplina de Trabalho de Concluso I na Universidade de Santa Cruz do SulOrientador: Prof. Evandro FranzenSanta Cruz do Sul2015

SUMRIO

1 DATA MINING .............................................................................................41.1 Classificao ....................................................................................41.2 Segmentao ...................................................................................51.3 Associao .......................................................................................61.4 Predio ...........................................................................................62 TRABALHOS RELACIONADOS ...............................................................72.1 Chiu, Tavella. Data Mining and Market Intelligence for Optimal Marketing Returns, 2008 ..........72.2 Davza. Minerao de Dados Para Padres de Sequncia, 2010 .73 MOTIVAO .............................................................................................84 OBJETIVOS ..............................................................................................105 METODOLOGIA ........................................................................................116 CRONOGRAMA ........................................................................................127 REFERNCIAS ..........131. DATA MININGA anlise de dados sempre foi algo importante dentro das organizaes. Mas com o grande volume de informaes a serem analisadas, essa tarefa fica muitas vezes invivel para um ser humano. No novidade que o computador consegue processar uma quantidade de informaes muita maior do que qualquer pessoa, porm no possui conhecimento algum. Minerao de dados, atravs de um conjunto de ferramentas e tcnicas expressadas em forma algortmica, consegue extrair padres e conhecimentos de bases de dados extremamente grandes em um pequeno perodo (Han, Jiawei, Kamber, Micheline, 2001).Os resultados obtidos pela extrao podem ser usados na gesto da informao, tomada de deciso, controle de processos e muitos outros cenrios. Sendo que a eficincia da tcnica diretamente ligada forma como o problema foi abordado. Para isso existem diversas categorias de algoritmos.

1.1 ClassificaoA tarefa da classificao bastante simples, examinar um objeto e categoriz-lo dentro de um conjunto com classes definidas. Alguns exemplos so:

Classificar risco de pedido de crdito

Determinar pr-disposio de paciente para determinada doena

Determinar tratamento que o paciente esteja mais propicio a responder de forma positiva

A figura 1 mostra um esquema bem simples onde passada uma lista de pessoas (Test Set) a serem classificadas como propensas a trair ou no. Para tal especulao, o algoritmo tem como base de aprendizado uma lista de pessoas previamente classificadas (Training Set).

Figura 1, Introduction to Data Mining (Tan, Steinbach, Kumar, 2006)

1.2. Segmentao (clustering)Diferente da classificao, na segmentao no existem grupos definidos, sendo que os elementos so agrupados de acordo com a sua semelhana. Alguns exemplos so:

Agrupar usurios por regio

Agrupar clientes por preferncias de compra

1.3. AssociaoComo o prprio nome diz, consiste em identificar itens que tendem a estar associados a uma mesma transao. O exemplo mais clssico o de produtos que costumam ser comprados juntos, como possvel ver na tabela 1-3.Tabela 1-3

Carrinho de Compras

Carne, Carvo, Po

Po, Leite, Manteiga

leo, Carne, Carvo, Arroz

Acar, Po, Leite

Usando a tcnica de associao, podemos identificar o seguinte:

Carne e carvo 100% de associao

Leite e po 66,6% de associao.

1.4. PredioPreviso o mesmo que a classificao ou estimativa, exceto que os registros so classificados de acordo com valor estimado futuro. Em uma predio, a nica maneira de verificar a preciso da classificao esperando para ver. Para Berry (2004), a principal razo para o uso de previso como uma tarefa separada de classificao, que, em modelagem preditiva existem questes adicionais sobre a relao temporal das variveis de entrada para a varivel-alvo.

2. TRABALHOS RELACIONADOSCom o objetivo de entender e levantar os problemas encontrados na otimizao de campanhas de marketing foram estudados alguns trabalhos que serviram como base nas solues propostas.

2.1 Chiu, Tavella. Data Mining and Market Intelligence for Optimal Marketing Returns, 2008.No trabalho so aplicadas tcnicas de associao para identificar canais de marketing com melhor custo benefcio e melhorar seu desempenho. Mas a tcnica mostrada usa como base o nome dos canais, impossibilitando a destino de diferentes campanhas vindas de uma mesma fonte.2.2 Davza. Minerao de Dados Para Padres de Sequncia, 2010Trabalho tem o propsito bastante parecido mas usa como base, unicamente logs de visualizaes de pginas.3. MOTIVAOAtualmente existem vrios estudos voltados para otimizao de pginas web, usando como base, histrico de navegao, tempo de permanncia, etc. Apesar de serem eficazes na identificao de problemas e melhorias no site. Servem apenas para fidelizao de clientes que j esto em contato com o sistema.

No entanto h uma deficincia em trabalhos para aprimoramento de tcnicas que levem o usurio at o site, como campanhas de marketing, e-mail marketing, etc.

rea a qual est cada vez mais forte no mercado, e isso se d por seus resultados imediatos, fcil personalizao, crescimento dos utilizadores da internet entre outros motivos. Em 2011, nos Estados Unidos o dinheiro investido nessa modalidade superou os de televiso a cabo e quase superou o de televiso aberta (Silverman, 2013).Grande parte das campanhas de e-marketing de hoje, seguem o padro de marcao de URL proposto pela Google. Que consiste na adio de parmetros usados para rastrear informaes referentes a campanha, por exemplo: http://www.meusite.com/?utm_campaing=campanha_natal=utm_term=papai_noel Uma explicao mais detalhada dos parmetros pode ser vista na tabela 3-1 (Clifton, 2010).Tabela 3-1

AtributoDescrioExemplos

utm_sourceIdentifica um mecanismo de pesquisa, o nome do boletim informativo ou outra fonte.Google, Email, Yahoo, Uol, Bing, etc.

utm_mediumIdentifica uma mdia, como e-mail ou custo por clique.Custo por clique, e-mail, etc.

utm_termIndica as palavras-chave do anncio.gravidez+dicas, vestibular+cursos, etc.

utm_contentUsado para teste de diferentes formatos, como imagem e texto.utm_content=logolink, utm_content=textlink, etc.

utm_campaignIdentifica uma promoo de produtos ou uma campanha estratgica especfica.facebook_natal, promocao_virada, etc.

Sabendo que, na maioria, os logs possuem uma padronizao, e conhecendo o potencial das tcnicas de data mining. Este trabalho motiva-se a quantificar de uma forma genrica a eficincia de campanhas de e-marketing tanto como seus atributos separadamente. Possibilitando o uso das informaes adquiridas neste processo para melhor configur-las e at mesmo criar novos planos/produtos que se adequem aos clientes existentes.4. OBJETIVOS4.2. Geral

O objetivo deste trabalho descobrir padres em logs de campanhas de e-marketing, que estejam ligados diretamente a seus objetivos, sejam esses vendas, cadastros, visitas, etc. Auxiliando profissionais da rea na tomada de decises para criao de novas campanhas e aprimoramento das existentes.

4.3. Especficos Para atingir o objetivo geral, as seguintes etapas se fazem necessrias:

Investigar solues relacionadas.

Estudar metodologias e algoritmos que melhor se encaixam para soluo do problema. Descobrir padres de converso a partir de uma base de dados real.

Avaliar os resultados que foram obtidos, sugerindo aes para otimizao das campanhas.5. METODOLOGIAPara a realizao do trabalho proposto, as seguintes atividades so previstas:I. Criao do tema para proposta do trabalho de concluso.

II. Levantamento bibliogrfico relacionado a minerao de dados e campanhas de e-marketing.

III. Elaborao da proposta.IV. Definio de tcnicas para chegar ao objetivoV. Redao do TCC IVI. Entrega do TCC I

VII. Implementao da ferramenta

VIII. Testes unitrios e de funcionalidades da ferramenta.

IX. Avaliao dos resultados obtidos

X. Redao do TCC II

XI. Entrega do TCC II

XII. Apresentao do trabalho.6. CRONOGRAMA

2015 / 12015 / 2

MARABRMAIJUNJULAGOSETOUTNOVDEZ

I

II

III

IV

V

VI

VII

VIII

IX

X

XI

XII

7. REFERNCIAS

1. P. Tan, M. Steinbach, V. Kumar. Introduction to Data Mining, 2006.2. G. Piatetsky-Shapiro, G. Parker. Lesson: Data Mining, and Knowledge Discovery: An Introduction, 2011.

3. M. Berry, G. Linoff. Data Mining Techniques, 2004.

4. S. Agrawal. R. Mining Sequential Patterns, 1995.5. Han, Jiawei, Kamber, Micheline.Data mining: concepts and techniques, 2001.6. U. Fayyad, G. Piatetsky-Shapiro, P. Smyth. From Data Mining to Knowledge Discovery in Databases, 1996.7. M. Shaw, C. Subramaniam, P. Tan, M. Welge. Knowledge Management and Data Mining for Marketing, 2001.8. B. Clifton. Advanced Web Metrics with Google Analytics, 2010.9. D. Silverman. IAB internet advertising revenue report, 201310. M. Baker. The Marketing Book, 2003.Aluno

Orientador

Santa Cruz do Sul, 04 de maio de 2015.

PAGE