Enhancing Influencer marketing strategies through machine learning - predictive analysis of influencer-generated interactions

The field of influencer marketing has experienced rapid growth in recent years. How- ever, uncovering the true effectiveness of this marketing approach remains a significant challenge. This thesis addresses the challenge of predicting the effectiveness of influencer marketing campaigns by employing advanced machine learning techniques, specifically the Auto Machine Learning framework Autogluon. With the aim of democratizing ma- chine learning and empowering businesses in the influencer marketing domain, this work leverages Autogluon to predict the interactions generated by influencers when posting af- filiate links. By evaluating various settings of AutoGluon and assessing the performance using metrics such as R-squared score, we observed promising results with good predic- tive accuracy. The findings from our study contribute to critical discussions in the field. This research offers a streamlined and efficient approach to machine learning, reducing the need for extensive manual model tuning and enabling marketers to make informed decisions and optimize their campaign strategies. The outcomes of this study have practi- cal implications for businesses, allowing them to effectively predict campaign interactions and maximize the impact of influencer marketing initiatives. By leveraging the power of automated machine learning, this thesis opens up new opportunities for businesses to harness the potential of influencer marketing in driving successful marketing campaigns.

Il campo dell’influencer marketing ha registrato una rapida crescita negli ultimi anni. Tuttavia, capire in anticipo la vera efficacia di questo approccio di marketing rimane una sfida significativa. Questa tesi affronta il problema della previsione dell’efficacia delle campagne di influencer marketing utilizzando tecniche di machine learning, in partico- lare l’auto machine learning framework AutoGluon. Con l’obiettivo di democratizzare il machine learning e di fornire strumenti accessibili e potenti alle aziende nel settore dell’influencer marketing, questo lavoro sfrutta AutoGluon per prevedere le interazioni generate dagli influencer con link affiliati. Valutando diverse configurazioni di AutoGluon e le rispettive prestazioni utilizzando metriche come il coefficiente di determinazione R quadro, abbiamo osservato risultati promettenti con una buona accuratezza predittiva. I risultati del nostro studio contribuiscono a discussioni critiche nel settore. Questa ricerca offre un approccio ottimizzato ed efficiente al machine learning, riducendo la necessità di lunghi interventi manuali dei modelli e consentendo ai responsabili marketing di prendere decisioni informate e ottimizzare le strategie delle loro campagne. I risultati di questo studio hanno implicazioni pratiche per le aziende, consentendo loro di prevedere efficace- mente le interazioni che le campagne genereranno e massimizzare l’impatto delle iniziative nell’ambito dell’influencer marketing. Sfruttando il potere dell’auto machine learning, questa tesi apre nuove opportunità alle aziende per sfruttare il potenziale dell’influencer marketing al fine di creare campagne di marketing di successo.