Entwicklung von Methoden zur inhaltsbasierten Datenanalyse und Klassifikation mehrerer Bilder im Marketing
Softwaretechnik und Programmiersprachen
Zusammenfassung der Projektergebnisse
Das vorliegende Projekt „MIMADAC - Multiple Images Data Analysis and Classification in Marketing” hatte zum Ziel einen Ansatz zur Analyse von digitalen Bildern im Bereich der Lebensstilsegmentierung zu liefern. Teilschritte waren die Erforschung weiterer Features zur Analyse von Bildern von Konsumenten, die Untersuchung geeigneter Lebensstilbereiche für die Analyse mittels Bildern sowie eine empirische Überprüfung der theoretisch gewonnenen Erkenntnisse. In der ersten Projektphase konnten vielversprechende Feature-Kombinationen ermittelt werden, die es ermöglichen Bilder von Konsumenten automatisiert zu bestimmten Klassen zuzuordnen. Im Projektverlauf verbreiteten sich Verfahren des Deep Learnings auch im Bereich der Marketing Analytik. Dies wurde zum Anlass genommen, nicht nur Low-Level-Feature in Kombination mit verschiedenen Analyseverfahren zu untersuchen, sondern eben auch die Möglichkeit Neuronale Netze, im speziellen Convolutional Neural Networks, zur Analyse von Konsumenten-Bildern zu nutzen. Bei der Nutzung von Convolutional Neural Networks müssen Low-Level-Feature nicht zuvor extrahiert werden, sondern das neuronale Netz entscheidet eigenständig, welche Feature zur Klassifizierung von Bildern herangezogen werden. Convolutional Neural Networks benötigen zwar eine enorm große Trainingsdatenbank und besitzen einen sehr hohen Rechenaufwand, zeigen jedoch auch sehr gute Klassifizierungsergebnisse. Ein Vergleich verschiedener Szenarien zeigte, dass sowohl die Nutzung von Low-Level-Features in Kombination mit Support Vector Machines, als auch die Nutzung von Convolutional Neural Networks Vorteile mit sich bringen. Aufbauend auf diesen Erkenntnissen wurden zudem verschiedene Verfahrung zur Klassifizierung von Konsumenten, aufbauend auf ihren persönlichen Bildern, getestet. Es zeigte sich beispielsweise, dass Fuzzy Clustering Verfahren geeignet sind, diese Bilder zu nutzen, um den Konsumenten einem geeigneten Cluster zuzuordnen. Insgesamt konnte das Projekt sein Ziel, einen Ansatz zur Analyse von digitalen Bildern im Bereich der Lebensstilsegmentierung zu liefern, erfolgreich umsetzen. Je nach Anwendungsfall konnten unterschiedliche Methoden zur Analyse von Konsumentenbildern und der darauffolgenden Klassifizierung der Konsumenten entwickelt werden.
Projektbezogene Publikationen (Auswahl)
- (2015): Towards Lifestyle Segmentation via Uploaded Images from Surveys and Social Networks, in: Proceedings of the 36th International Conference on Information Systems, Fort Worth (USA)
Daniel, Ines; Baier, Daniel
- Understanding Customer Preferences Using Image Classification – A Case Study, in: Hawaii International Conference on System Sciences 2020
Brusch, Ines
(Siehe online unter https://doi.org/10.24251/HICSS.2020.119)
