{"id":{"repo_id":"helsinki","oai_identifier":"oai:helda.helsinki.fi:10138/314587"},"canonical_url":"https://search.dev.ndltd.org/etd/helsinki/oai:helda.helsinki.fi:10138/314587","repository":{"repo_id":"helsinki","name":"University of Helsinki","base_url":"https://helda.helsinki.fi/server/oai/request"},"display":{"title":"Predicting smartphone email marketing campaign clicks with the LightGBM algorithm","abstract":"Tässä työssä aiheena on älypuhelin sähköpostikampanijoiden klikkausten mallintaminen ja ennus- taminen LightGBM algortimin avulla. Mainosten klikkaamisen ennustamista käytetään sähkö- posti markkinoinnin kohdentamiseen potentiaalisesti kiinnostuneille asiakkaille. Klikkaamisen en- nustamisessa käytetty aineisto haettiin DNA Oyj:n tietokannasta. Tutkielmani alussa esittelen mallinnuksessa käytettavan Gradient Boosting Decision Tree mallin seka siitä johdetun LightGBM mallin, jotka perustuvat päätöspuihin. Kerroen ensin lyhyesti päätöspuista, jonka jälkeen esittelen Gradient Boosting Decision Tree mallien teoreettisen taus- tan. Siirryn sen jälkeen esittelemaan LightGBM versiota, minkä yhteydessä esittelen myös sen toteutukseen liittyviä algoritmeja. Tämän jälkeen esittelen Bayesilaisen Optimointi menetelmän jolla hienosäädän mallin hyper parametreja. Seuraavaksi esittelen mallissa käytetyn aineiston. Aineistossa olevat muuttujat kuvaavat asiakkaan demograafisia tietoja, laitteita, internetin käyttöä, verkkokaupassa asioimista sekä ostoshistoriaa aikaisempien kampanijoiden läheyshetkellä. Tämän jälkeen käyn lapi mallin sovittamisen sekä mallin testaamiseksi toteutetun testikampanjan. Mallin arviointiin sovellettiin luokittelumenetelmiin sopivia mittareita. Arvioin mallin toimivuutta klikkausten ennustamiseen testikampanijasta saatujen tulosten perusteella. Lopuksi pohdin mallin ja menetelmän suorituskykyä. Mallin koulutusaineisto ei vastannut tele- operaattorin asiakaskantaa, minkä vuoksi mallin tulokset olivat huonot silloin kun sitä sovellettiin koko asiakaskantaan. Sovellettaessa koulutusaineistoa vastaavaan tilanteeseen mallin suorituskyky oli kohtuullinen. Mallia aioitaan kehittää jatkossa paremmaksi DNA Oyj:llä.","abstract_html":"Tässä työssä aiheena on älypuhelin sähköpostikampanijoiden klikkausten mallintaminen ja ennus- taminen LightGBM algortimin avulla. Mainosten klikkaamisen ennustamista käytetään sähkö- posti markkinoinnin kohdentamiseen potentiaalisesti kiinnostuneille asiakkaille. Klikkaamisen en- nustamisessa käytetty aineisto haettiin DNA Oyj:n tietokannasta. Tutkielmani alussa esittelen mallinnuksessa käytettavan Gradient Boosting Decision Tree mallin seka siitä johdetun LightGBM mallin, jotka perustuvat päätöspuihin. Kerroen ensin lyhyesti päätöspuista, jonka jälkeen esittelen Gradient Boosting Decision Tree mallien teoreettisen taus- tan. Siirryn sen jälkeen esittelemaan LightGBM versiota, minkä yhteydessä esittelen myös sen toteutukseen liittyviä algoritmeja. Tämän jälkeen esittelen Bayesilaisen Optimointi menetelmän jolla hienosäädän mallin hyper parametreja. Seuraavaksi esittelen mallissa käytetyn aineiston. Aineistossa olevat muuttujat kuvaavat asiakkaan demograafisia tietoja, laitteita, internetin käyttöä, verkkokaupassa asioimista sekä ostoshistoriaa aikaisempien kampanijoiden läheyshetkellä. Tämän jälkeen käyn lapi mallin sovittamisen sekä mallin testaamiseksi toteutetun testikampanjan. Mallin arviointiin sovellettiin luokittelumenetelmiin sopivia mittareita. Arvioin mallin toimivuutta klikkausten ennustamiseen testikampanijasta saatujen tulosten perusteella. Lopuksi pohdin mallin ja menetelmän suorituskykyä. Mallin koulutusaineisto ei vastannut tele- operaattorin asiakaskantaa, minkä vuoksi mallin tulokset olivat huonot silloin kun sitä sovellettiin koko asiakaskantaan. Sovellettaessa koulutusaineistoa vastaavaan tilanteeseen mallin suorituskyky oli kohtuullinen. Mallia aioitaan kehittää jatkossa paremmaksi DNA Oyj:llä.","abstract_has_math":false,"creators":["Perälampi, Minna"],"institution":"Helsingin yliopisto","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta","University of Helsinki, Faculty of Science","Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-07-27T19:56:25Z","subjects":[],"languages":["eng"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["URN:NBN:fi:hulib-202004291992"],"render_values":[{"text":"URN:NBN:fi:hulib-202004291992","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/10138/314587","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta","University of Helsinki, Faculty of Science","Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten"]},{"key":"dc:creator","label":"Author","values":["Perälampi, Minna"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.issued","label":"Date","values":["2020"]},{"key":"dc:publisher","label":"Institution","values":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["URN:NBN:fi:hulib-202004291992","http://hdl.handle.net/10138/314587"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Tässä työssä aiheena on älypuhelin sähköpostikampanijoiden klikkausten mallintaminen ja ennus- taminen LightGBM algortimin avulla. Mainosten klikkaamisen ennustamista käytetään sähkö- posti markkinoinnin kohdentamiseen potentiaalisesti kiinnostuneille asiakkaille. Klikkaamisen en- nustamisessa käytetty aineisto haettiin DNA Oyj:n tietokannasta. Tutkielmani alussa esittelen mallinnuksessa käytettavan Gradient Boosting Decision Tree mallin seka siitä johdetun LightGBM mallin, jotka perustuvat päätöspuihin. Kerroen ensin lyhyesti päätöspuista, jonka jälkeen esittelen Gradient Boosting Decision Tree mallien teoreettisen taus- tan. Siirryn sen jälkeen esittelemaan LightGBM versiota, minkä yhteydessä esittelen myös sen toteutukseen liittyviä algoritmeja. Tämän jälkeen esittelen Bayesilaisen Optimointi menetelmän jolla hienosäädän mallin hyper parametreja. Seuraavaksi esittelen mallissa käytetyn aineiston. Aineistossa olevat muuttujat kuvaavat asiakkaan demograafisia tietoja, laitteita, internetin käyttöä, verkkokaupassa asioimista sekä ostoshistoriaa aikaisempien kampanijoiden läheyshetkellä. Tämän jälkeen käyn lapi mallin sovittamisen sekä mallin testaamiseksi toteutetun testikampanjan. Mallin arviointiin sovellettiin luokittelumenetelmiin sopivia mittareita. Arvioin mallin toimivuutta klikkausten ennustamiseen testikampanijasta saatujen tulosten perusteella. Lopuksi pohdin mallin ja menetelmän suorituskykyä. Mallin koulutusaineisto ei vastannut tele- operaattorin asiakaskantaa, minkä vuoksi mallin tulokset olivat huonot silloin kun sitä sovellettiin koko asiakaskantaan. Sovellettaessa koulutusaineistoa vastaavaan tilanteeseen mallin suorituskyky oli kohtuullinen. Mallia aioitaan kehittää jatkossa paremmaksi DNA Oyj:llä."]},{"key":"dc:title","label":"Title","values":["Predicting smartphone email marketing campaign clicks with the LightGBM algorithm"]}]}],"canonical_facts":{"dc:contributor":["Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta","University of Helsinki, Faculty of Science","Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten"],"dc:creator":["Perälampi, Minna"],"dc:date.issued":["2020"],"dc:description.abstract":["Tässä työssä aiheena on älypuhelin sähköpostikampanijoiden klikkausten mallintaminen ja ennus- taminen LightGBM algortimin avulla. Mainosten klikkaamisen ennustamista käytetään sähkö- posti markkinoinnin kohdentamiseen potentiaalisesti kiinnostuneille asiakkaille. Klikkaamisen en- nustamisessa käytetty aineisto haettiin DNA Oyj:n tietokannasta. Tutkielmani alussa esittelen mallinnuksessa käytettavan Gradient Boosting Decision Tree mallin seka siitä johdetun LightGBM mallin, jotka perustuvat päätöspuihin. Kerroen ensin lyhyesti päätöspuista, jonka jälkeen esittelen Gradient Boosting Decision Tree mallien teoreettisen taus- tan. Siirryn sen jälkeen esittelemaan LightGBM versiota, minkä yhteydessä esittelen myös sen toteutukseen liittyviä algoritmeja. Tämän jälkeen esittelen Bayesilaisen Optimointi menetelmän jolla hienosäädän mallin hyper parametreja. Seuraavaksi esittelen mallissa käytetyn aineiston. Aineistossa olevat muuttujat kuvaavat asiakkaan demograafisia tietoja, laitteita, internetin käyttöä, verkkokaupassa asioimista sekä ostoshistoriaa aikaisempien kampanijoiden läheyshetkellä. Tämän jälkeen käyn lapi mallin sovittamisen sekä mallin testaamiseksi toteutetun testikampanjan. Mallin arviointiin sovellettiin luokittelumenetelmiin sopivia mittareita. Arvioin mallin toimivuutta klikkausten ennustamiseen testikampanijasta saatujen tulosten perusteella. Lopuksi pohdin mallin ja menetelmän suorituskykyä. Mallin koulutusaineisto ei vastannut tele- operaattorin asiakaskantaa, minkä vuoksi mallin tulokset olivat huonot silloin kun sitä sovellettiin koko asiakaskantaan. Sovellettaessa koulutusaineistoa vastaavaan tilanteeseen mallin suorituskyky oli kohtuullinen. Mallia aioitaan kehittää jatkossa paremmaksi DNA Oyj:llä."],"dc:identifier.uri":["URN:NBN:fi:hulib-202004291992","http://hdl.handle.net/10138/314587"],"dc:language.iso":["eng"],"dc:publisher":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"],"dc:title":["Predicting smartphone email marketing campaign clicks with the LightGBM algorithm"]},"updated_at":"2026-07-27T19:56:25Z"}