Advanced Analytics for Prediction of Customers' Preferences: L’Oréal Case

Abstract

Целью исследования является анализ поведения потребителей продукции бренда Kiehl’s, принадлежащего компании L’Oréal, для персонализации клиентского опыта за счет выявления схожих паттернов в поведении, построения рекомендательной системы и алгоритма предсказания совершения заказа в будущем.

Задачами проекта являются: 1. Изучить проблему анализа потребительского поведения и проанализировать актуальные теоретические и практические подходы к проблеме; 2. Осуществить обзор литературы об использовании продвинутых аналитических инструментов для персонализации клиентского опыта на примере кластеризации и построения рекомендательной системы; 3. Определить методы и способы осуществления кластеризации потребителей на основе схожести их поведения, построения рекомендательной системы и прогнозного алгоритма; 4. Провести разведочный анализ данных, осуществить кластеризацию с помощью выбранного метода, создать рекомендательную систему и прогнозный алгоритм; 5. Оценить экономическую эффективность внедрения полученных решений компанией, описать первые этапы внедрения систем.

В результате работы была проведена кластеризация клиентов компании, построена рекомендательная система для товаров бренда, а также был разработан алгоритм, прогнозирующий совершение покупки клиентов в краткосрочной перспективе. Полученные результаты были оценены с точки зрения экономической эффективности, разработанные решения были переданы компании.

The goal of the project is to analyze consumer behavior of Kiehl’s brand products, owned by L’Oréal, to personalize customer experience by identifying similar patterns in behavior, building a recommendation system and an algorithm for predicting future ordering.

Objectives of the project are: 1. Study the problem of analyzing consumer behavior and analyze current theoretical and practical approaches to the problem; 2. Review the literature on the use of advanced analytical tools to personalize customer experience using the example of clustering and building a recommendation system; 3. Determine methods and ways of clustering consumers based on the similarity of their behavior, building a recommendation system and a purchase prediction algorithm; 4. Conduct exploratory data analysis, carry out clustering using the selected method, create a recommendation system and a predictive algorithm; 5. Assess the economic efficiency of the implementation of the solutions obtained by the company, describe the first stages of the implementation of systems.

As a result of the work, the clustering of the company's clients was carried out, a recommendation system for brand goods was built, and an algorithm was developed that predicts the completion of a customer's purchase in the short term. The results obtained were evaluated in terms of economic efficiency, the developed solutions were transferred to the company.