Chapitre 1.
Introduction
1.1 Thèmes du marketing algorithmique
1.2 Définition du marketing algorithmique
1.3 Contexte historique
____1.3.1 Publicité en ligne : Services et marchés
1.3.2 Compagnies aériennes : Gestion des revenus
____1.3.3 Science du marketing
1.4 Services fondés sur des programmes
__1.5 À qui s'adresse ce livre ?
__1.6 Résumé


Chapitre 2.
Revue de modélisation prédictive
2.1 Analyse technique, prédictive et prescriptive
__2.2 Optimisation économique
2.3 Apprentissage automatique
2.4 Apprentissage supervisé
____2.4.1 Modèles paramétriques/non paramétriques
____2.4.2 Estimation du maximum de vraisemblance
____2.4.3 Modèle linéaire
____2.4.4 Modèles non linéaires
__2.5 Apprentissage de l'expression
____2.5.1 Analyse des facteurs critiques
____2.5.2 Clustering
2.6 Autres modèles spéciaux
____2.6.1 Théorie du choix du consommateur
____2.6.2 Analyse de survie
____2.6.3 Théorie des enchères
__2.7 Résumé


Chapitre 3.
Promotions et publicité
3.1 Environnement
3.2 Objectif de l'entreprise
____3.2.1 Fabricants et détaillants
____3.2.2 Coût
____3.2.3 Profit
3.3 Ciblage du pipeline
3.4 Modélisation et mesure de la réponse
3.4.1 Cadre de modélisation des réponses
3.4.2 Mesure de la réponse
3.5 Composantes : Modèles de ciblage et de valeur à vie
3.5.1 Collecte de données
____3.5.2 Modélisation hiérarchique
____3.5.3 Modélisation RFM
____3.5.4 Modélisation des tendances
____3.5.5 Segmentation et modélisation basée sur les personas
3.5.6 Ciblage par analyse de survie
____3.5.7 Modélisation de la valeur à vie
3.6 Conception et déroulement de la campagne
3.6.1 Parcours client
3.6.2 Campagne de promotion du produit
____3.6.3 Campagne promotionnelle à plusieurs niveaux
3.6.4 Campagne de fidélisation de la clientèle
____3.6.5 Campagne supplémentaire
3.7 Allocation des ressources
3.7.1 Allocation par canal
3.7.2 Répartition par finalité
3.8 Publicité en ligne
3.8.1 Environnement
3.8.2 Objectifs et attribution
____3.8.3 Ciblage du modèle CPA-LT
3.8.4 Attribution multi-contacts
3.9 Mesure de l'efficacité
____3.9.1 Expériences randomisées
____3.9.2 Études observationnelles
3.10 Structure du système de ciblage
____3.10.1 Serveur cible
____3.10.2 Plateforme d'opérations de données
____3.10.3 Plateforme analytique
__3.11 Résumé


Chapitre 4.
recherche
4.1 Environnement
4.2 Objectifs commerciaux
____4.2.1 Indicateurs de conformité
____4.2.2 Contrôle des produits
____4.2.3 Indicateurs de qualité de service
4.3 Principes de base de la recherche : correspondance et classement
____4.3.1 Appariement des jetons
____4.3.2 Recherches booléennes et par expression
____4.3.3 Normalisation et racinisation
____4.3.4 Modèles de classement et d'espace vectoriel
____4.3.5 Modèle de score TF3IDF
____4.3.6 Score n-gramme
4.4 Mélange de signaux appropriés
____4.4.1 Recherche dans plusieurs champs
____4.4.2 Ingénierie et égalisation du signal
____4.4.3 Conception du pipeline de mélange de signaux
4.5 Analyse sémantique
____4.5.1 Synonymes et hiérarchies
____4.5.2 Intégrations lexicales
____4.5.3 Analyse sémantique latente
____4.5.4 Modélisation probabiliste des sujets
____4.5.5 Analyse sémantique latente probabiliste
____4.5.6 Allocation de Dirichlet latente
____4.5.7 Modèle Word2Vec
4.6 Techniques de recherche de produits
____4.6.1 Recherche d'expressions combinées
____4.6.2 Diminution contrôlée de la précision
____4.6.3 Objets imbriqués et groupement dynamique
__4.7 Réglage de conformité
____4.7.1 Apprendre à générer des classements
____4.7.2 Apprendre à générer des classements à partir de retours implicites
4.8 Architecture du service de recherche de produits
__4.9 Résumé


Chapitre 5.
suggestion
5.1 Environnement
____5.1.1 Nature des évaluations des clients
__5.2 Objectifs commerciaux
5.3 Évaluation de la qualité
____5.3.1 Précision des prédictions
____5.3.2 Précision du classement
____5.3.3 Nouveauté
____5.3.4 Chance
____5.3.5 Diversité
____5.3.6 Portée
____5.3.7 Le rôle de l'expérimentation
5.4 Aperçu des techniques de recommandation
5.5 Filtrage basé sur le contenu
____5.5.1 Accès au voisin le plus proche
____5.5.2 Classificateur naïf bayésien
____5.5.3 Ingénierie des fonctionnalités pour le filtrage de contenu
5.6 Vue d'ensemble du filtrage collaboratif
____5.6.1 Estimation de référence
5.7 Filtrage collaboratif basé sur les voisins
____5.7.1 Filtrage collaboratif basé sur l'utilisateur
____5.7.2 Filtrage collaboratif basé sur les éléments
____5.7.3 Comparaison des techniques basées sur l'utilisateur et sur l'élément
____5.7.4 Techniques de voisinage comme problème de régression
__5.8 Filtrage collaboratif basé sur un modèle
____5.8.1 Application des modèles de régression à la prédiction des notes
____5.8.2 Filtrage collaboratif naïf bayésien
____5.8.3 Modèle à facteurs latents
__5.9 Techniques hybrides
____5.9.1 Commutation
____5.9.2 Mélange
____5.9.3 Augmentation des fonctionnalités
____5.9.4 Options d'expression pour les recommandations hybrides
Recommandation contextuelle 5.10
____5.10.1 Cadre multidimensionnel
____5.10.2 Techniques de recommandation contextuelles
____5.10.3 Modèle de recommandation basé sur le temps
__5.11 Recommandations dépersonnalisées
__5.12 Optimisation multi-objectif
5.13 Architecture du système de recommandation
__5.14 Résumé


Chapitre 6.
Prix ​​et composition du produit
6.1 Environnement
6.2 L'influence des prix
6.3 Prix et valeur
____6.3.1 Limites de prix
____6.3.2 Valeur perçue
6.4 Prix et demande
6.4.1 Courbe de demande linéaire
____6.4.2 Courbe de demande à élasticité constante
____6.4.3 Courbe de demande logit
__6.5 Structure tarifaire de base
____6.5.1 Prix unitaire
____6.5.2 Segmentation du marché
6.5.3 Tarification à plusieurs niveaux
____6.5.4 Regroupement
6.6 Prévision de la demande
6.6.1 Modèle de demande pour l'optimisation de l'assortiment de produits
6.6.2 Modèle de demande pour les ventes saisonnières
6.6.3 Prévision de la demande en cas de rupture de stock
6.7 Optimisation des prix
____6.7.1 Différenciation des prix
____6.7.2 Tarification dynamique
____6.7.3 Remises personnalisées
6.8 Allocation des ressources
6.8.1 Environnement
____6.8.2 Devoir avec deux classes
6.8.3 Affectation de plusieurs classes
____6.8.4 Heuristiques pour les classes multiples
6.9 Optimisation de la composition du produit
____6.9.1 Optimisation de l'agencement du magasin
____6.9.2 Gestion des catégories
6.10 Architecture du système de gestion des prix
__6.11 Résumé


__Annexe A.
distribution de Dirichlet

[Public cible de ce livre]

Ce livre s'adresse à ceux qui souhaitent développer des systèmes logiciels de marketing avancés.
Ce livre sera utile à un large éventail de professionnels du marketing et du logiciel, en particulier à deux groupes principaux :
Le premier s'adresse aux développeurs de logiciels marketing, aux chefs de produit et aux ingénieurs logiciels qui souhaitent en savoir plus sur les technologies utilisées dans les logiciels marketing et sur les fondements théoriques de ces technologies.
Le deuxième groupe est composé de stratèges marketing et de responsables technologiques qui souhaitent apprendre comment les organisations marketing peuvent tirer profit de l'apprentissage automatique et du big data, et comment les entreprises modernes peuvent exploiter des méthodologies avancées d'automatisation des décisions.
Ce livre suppose que le lecteur possède des connaissances de base en statistiques, en algèbre et en programmation.
La plupart des méthodes décrites dans ce livre utilisent des mathématiques de base.
Ce livre ne convient pas à ceux qui s'intéressent uniquement à l'aspect commercial du marketing.
Car ce livre n'est pas un manuel de marketing traditionnel, mais un livre sur l'automatisation du marketing.


[Structure de ce livre]

Ce livre est divisé en six chapitres.
Le chapitre 1, « Introduction », est une introduction qui explique les concepts et les principes du marketing algorithmique et présente des études de cas convaincantes qui démontrent l'utilité des approches algorithmiques.
Le chapitre 2, « Revue de la modélisation prédictive », couvre les fondements mathématiques du marketing algorithmique en tant que modélisation prédictive.
Les quatre chapitres suivants présentent quatre domaines différents du marketing : la publicité et les promotions, la recherche, les recommandations et la tarification.
Ces quatre chapitres ont des structures similaires car ils suivent la même méthodologie algorithmique.
Chaque chapitre décrit l'environnement permettant de comprendre les variables et les contraintes à optimiser, aborde les objectifs commerciaux justifiant la définition du problème d'optimisation, puis examine les méthodologies d'automatisation des décisions pour les tâches et les scénarios rencontrés dans chaque domaine.
Ces quatre chapitres sont en grande partie indépendants et couvrent des domaines différents.
Les lecteurs peuvent donc sélectionner et lire uniquement les parties qui les intéressent ou dont ils ont besoin, ou lire le livre entier du début à la fin.
Lors de votre lecture, vous pouvez passer outre les sujets qui ne correspondent pas à vos connaissances ou qui ne vous intéressent pas.
Par exemple, les lecteurs familiers avec les probabilités, les statistiques et l'apprentissage automatique peuvent parcourir rapidement ou sauter le chapitre 2, « Révision de la modélisation prédictive ».
Les lecteurs intéressés par les applications commerciales des approches algorithmiques peuvent se concentrer sur l'environnement, les objectifs commerciaux et le problème d'optimisation, et faire l'impasse sur les détails mathématiques.
Par ailleurs, les lecteurs intéressés par la mise en œuvre de systèmes marketing sont encouragés à se renseigner sur les algorithmes, les exemples mathématiques et les implémentations détaillées.