Promotie H. (Hong) Deng

Hieronder volgt een korte samenvatting van het proefschrift: 

Dit proefschrift richt zich op geavanceerde methoden om real-time personalisatie in marketing te verbeteren.

Wij introduceert een real-time personalisatiealgoritme dat helpt om voor elke klant het beste aanbod te vinden. Dit biedt unieke kansen voor online marketingactiviteiten. De ontwikkeling van zulke algoritmes is echter niet eenvoudig. Het blijft een uitdaging om een optimale strategie te ontwikkelen die in real time kan worden uitgevoerd, vooral in een dynamische omgeving waarin de set van mogelijke acties, bijvoorbeeld de advertenties binnen een bepaalde campagne, over de tijd verandert. De complexiteit van deze uitdaging neemt verder toe wanneer - naast klantkenmerken - ook situationele informatie wordt meegenomen.  

Wij presenteren een eenvoudig te implementeren personalisatiealgoritme dat efficiënt leert om contextafhankelijke aanbiedingen te doen, zelfs wanneer het aanbod van aanbiedingen regelmatig verandert. Om dit te realiseren, formuleren we dit personalisatieprobleem als een zogenaamd textit{multi-armed bandit} probleem. We ontwikkelen een nieuw contextueel bandit-algoritme dat gebruik maakt van deeltjesfilters (particle filtering) om de onzekerheid in de modelparameters te kwantificeren. Onze methode stelt bedrijven in staat om eenvoudig nieuwe gepersonaliseerde marketing acties te introduceren, hun effect in eerste instantie te kalibreren op basis van historische data, en de geschatte effectiviteit van de acties snel aan te passen zodra nieuwe informatie beschikbaar komt.