Direct marketing warm start optimization: a contextual bandit approach

This thesis explores the application of warm-started contextual bandit algorithms to optimize client targeting in direct marketing campaigns. Direct marketing is a promotional method which is grown in popularity in the last few years (6.8% increase in market size between 2023 and 2024), especially thanks to the advent of digital marketing and the widespread use of telemarketing. In particular, this last aspect of direct marketing is the focus of our research. Traditional telemarketing often exhausts client goodwill by reaching uninterested customers, highlighting the need for more selective, data-driven approaches. Our work pioneers the integration of linear bandit models to efficiently identify and prioritize clients likely to respond positively to marketing initiatives, balancing exploration and exploitation to maximize engagement. To improve prediction accuracy using historical client data, we introduce a warm-start algorithm, WarmLinUCB. Recognizing the potential mismatch between historical and live data distributions, we apply adjustable sample weights to control the influence of past data on online learning. To further enhance performance, we incorporate the Corral algorithm, which adaptively selects among multiple WarmLinUCB instances, fine-tuning the effective sample size based on live feedback. Empirical validation across various datasets demonstrates the robustness of our approach, underscoring the value of carefully weighted warm-start data in improving the effectiveness of telemarketing campaigns.

Questa tesi esplora l'applicazione di algoritmi di contextual bandit con warm-start per ottimizzare la scelta dei clienti nelle campagne di marketing diretto. Il marketing diretto è un metodo promozionale cresciuto in popolarità negli ultimi anni (è stato registrato un incremento del 6.8% in market size tra il 2023 e il 2024), soprattutto grazie all'avvento del marketing digitale e al massiccio uso di telemarketing. La nostra ricerca si concentra in particolare su quest'ultimo aspetto del marketing diretto. Il telemarketing tradizionale è spesso mal recepito dai clienti a causa di numerosi contatti a persone non interessate, è evidente quindi la necessità di approcci data-driven mirati ai giusti consumatori. Nel nostro lavoro, introduciamo modelli di linear bandit per essere efficaci nell'identificare e prioritizzare clienti favorevoli all'iniziativa di marketing. Questo approccio ci permette di bilanciare efficacemente esplorazione e sfruttamento per massimizzare il successo della campagna. Per migliorare la precisione delle previsioni utilizzando i dati storici dei clienti, proponiamo l’algoritmo WarmLinUCB, una versione di LinUCB con warm-start. Riconoscendo il possibile disallineamento tra le distribuzioni dei dati storici e quelli osservati live, adottiamo pesi regolabili per modulare l’influenza dei dati storici sull’apprendimento online. Con l'obiettivo di ottimizzare ulteriormente le prestazioni, utilizziamo l'algoritmo Corral per selezionare in modo adattivo tra più istanze di WarmLinUCB. Così facendo possiamo regolare l’effective sample size in base ai risultati live. La validazione empirica su vari dataset dimostra la solidità della nostra metodologia, evidenziando l’importanza di selezionare in maniera accurata il peso dei dati di warm-start per massimizzare l’efficacia delle campagne di telemarketing.