Het in real-time personaliseren van advertenties en aanbiedingen is een grote uitdaging in digitale marketing, aangezien klantvoorkeuren, contexten en beschikbare opties voortdurend kunnen veranderen. Voor veel organisaties botst die ambitie nog altijd met technische en analytische beperkingen. Nieuw onderzoek van Hong Deng probeert deze uitdagingen aan te pakken.
Op vrijdag 27 februari verdedigt Hong Deng haar proefschrift, dat zich richt op de ontwikkeling van geavanceerde methoden voor real-time personalisatie in digitale marketing. Haar werk spreekt direct professionals aan die werken met het aanbevelen van producten, customer relationship management en datagedreven personalisatie, maar ook academici die onderzoek doen op het snijvlak van marketing analytics, econometrie en data science.
Van statische modellen naar beslissingen in real time
Wanneer een klant een website bezoekt, moet het systeem beslissen welke aanbieding wordt getoond: bijvoorbeeld een korting, een productsuggestie of helemaal geen aanbieding. Die beslissing hangt niet alleen af van klantkenmerken, maar ook van de context: het tijdstip van de dag, het apparaat, de locatie of recente interacties. De methoden van Deng zijn ontworpen om deze informatie direct te verwerken en op dat moment de meest effectieve actie te selecteren.
‘De meeste personalisatiemodellen zijn nog steeds moeilijk in real time te implementeren,’ legt Deng uit. ‘Ze kunnen veel rekenkracht vragen.’ Daardoor zijn ze minder geschikt voor omgevingen waarin klantinteracties continu plaatsvinden en omstandigheden snel veranderen. In haar proefschrift ontwikkelt Deng algoritmen die leren en zich aanpassen terwijl ze worden gebruikt.
Personalisatie in dynamische omgevingen
Een kernbijdrage van het proefschrift is de focus op dynamische omgevingen. In de praktijk staat het aanbod zelden vast. Producten raken uitverkocht, campagnes veranderen en er worden nieuwe opties geïntroduceerd. ‘Denk aan uitgelichte content op een nieuwsplatform,’ licht ze toe. Het beschikbare aanbod van artikelen verandert voortdurend, en nieuwe content heeft nog geen historische prestatiegegevens. ‘Hoe kiest een platform welke content voor een specifieke gebruiker wordt uitgelicht?’ illustreert ze. De methoden van Deng stellen systemen in staat om de effectiviteit van nieuwe opties te leren, terwijl aanbevelingen gepersonaliseerd blijven.
Daarnaast behandelt het proefschrift twee aanvullende uitdagingen. Ten eerste gaat het in op het gebruik van hoog-dimensionale klantdata. Bedrijven beschikken vaak over rijke databases, maar het opnemen van te veel variabelen in real-time modellen kan de prestaties verminderen. Deng stelt methoden voor die automatisch leren welke kenmerken werkelijk relevant zijn.
Ten tweede houdt haar werk rekening met tijdsvariërende effectiviteit. Seizoensinvloeden, acties van concurrenten of verschuivingen in consumentenvoorkeuren kunnen allemaal beïnvloeden wat werkt. De voorgestelde algoritmen detecteren zulke veranderingen en passen targetingstrategieën aan.
Wat dit betekent voor de praktijk
De motivatie achter het onderzoek is sterk praktijkgericht. ‘Deze uitdagingen komen voort uit echte problemen waar bedrijven mee te maken hebben,’ aldus Deng. De methoden zijn ontworpen om te worden geïmplementeerd in programmeertalen zoals Python of Julia en te worden geïntegreerd in bestaande systemen.
De implementatiecode is op verzoek beschikbaar, en Deng staat open voor samenwerking met organisaties die de algoritmen in de praktijk willen toepassen. ‘We verwelkomen professionals die deze personalisatiemethoden willen uitproberen in hun eigen campagnes en hun targeting efficiënter willen maken,’ zegt ze. ‘De algoritmen zijn flexibel en kunnen worden afgestemd op verschillende toepassingen.’
- Meer informatie
Vind hier meer informatie over de verdediging van Hong Deng op vrijdag 27 februari.
Voor meer informatie kunt u contact opnemen met Ronald de Groot, Media & Public Relations Officer bij Erasmus School of Economics, rdegroot@ese.eur.nl, mobiel: 06 53 641 846.
