Publicação
From bids to bliss : achieving campaign excellence with ML and data insights
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Paiva, Nuno | |
| dc.contributor.author | Schneider, Robin | |
| dc.date.accessioned | 2024-07-18T08:42:11Z | |
| dc.date.embargo | 2025-07-18 | |
| dc.date.issued | 2024-05-08 | |
| dc.date.submitted | 2024-04-03 | |
| dc.description.abstract | Telecommunication companies encounter challenges, such as regulatory requirements, fast-paced technological changes, high competition, and customer expectations. One of their biggest challenges is the efficient allocation of their marketing budget. This study delves into three modeling approaches for optimizing budget allocation across four digital marketing channels to increase total sales. Our goal is to increase sales and transform digital marketing practices in the telecommunications sector by implementing AI-powered budget allocation methods. The three modeling approaches are a baseline (Random Forest) machine learning model leveraging the automatic creation of multivariate time-series data, as well as two Marketing Mix Models (MMM): one pipeline that implements the ideas from Meta’s Robyn framework and the other using Google’s Lightweight-MMM framework. We aim to gain maximum data insights from models offering diverse perspectives and approaches. We evaluate the models based on their ability to predict total sales, analyzing different performance metrics such as RMSE and R 2. Additionally, we assess the models for their practical relevance regarding their utilization for the marketing budget allocation. One important discovery is the significant impact of Channel 0 on total sales. However, the models only capture some of the dynamics and interactions between the marketing channels. The LightweightMMM model achieved the best performance, with a R2 of 0.666 on unseen data. Therefore, we recommend a further development of the MMM approaches in this study. Also, because a MMM provides detailed data insights for long-term budget allocation and captures the crucial carryover and saturation effect evident in digital marketing campaigns. | pt_PT |
| dc.description.abstract | As empresas de telecomunicações enfrentam desafios, como mudanças tecnológicas aceleradas, pressão regulatória e concorrencial além das expectativas Cliente em usufruir de melhores condições e experiência. Um dos maiores desafios é alocar com eficiência o orçamento de marketing digital para atrair novos clientes em um mercado saturado. Este estudo investiga três abordagens de modelação para otimizar a alocação de orçamento em quatro canais de marketing digital para aumentar as vendas de produtos no segmento de Consumidor. O nosso objetivo é aumentar as vendas, mas também transformar as práticas de marketing digital no setor de telecomunicações, implementando métodos de alocação orçamental baseados em IA. Exploramos três abordagens de modelação: um modelo de machine learning (Random Forest) com criação automática de variáveis a partir séries temporais multivariadas, um modelo machine-learning incluindo features típicas deste tipo de problemas – efeitos de saturação e carry-over e um modelo Marketing Modeling Mix (MMM) open-source da Google (Lightweight). Avaliamos os modelos com base na capacidade de prever vendas totais com investimento em plataformas distintas – Google e Meta - analisando diferentes métricas de desempenho como RMSE e R². Descobrimos o impacto significativo de um dos canais nas vendas totais bem como quantificamos as interações entre os diferentes canais de marketing. O modelo LightweightMM obteve o melhor desempenho, com R2 de 0,666 em dados que não são utilizados no processo de treino. Face a estes resultados, recomendamos aprofundar ainda mais as abordagens MMM no contexto estudado. | pt_PT |
| dc.identifier.tid | 203613660 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/45796 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Marketing budget allocation | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Machine learning algorithms | pt_PT |
| dc.subject | Marketing mix modeling (MMM) | pt_PT |
| dc.subject | Sales optimization | pt_PT |
| dc.subject | Alocação de orçamento de marketing | pt_PT |
| dc.subject | Aprendizado de máquina | pt_PT |
| dc.subject | Algoritmos de aprendizado de máquina | pt_PT |
| dc.subject | Otimização de vendas | pt_PT |
| dc.title | From bids to bliss : achieving campaign excellence with ML and data insights | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | embargoedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Análise de Dados para Gestão | pt_PT |