التعلم الآلي في التسويق الرقمي: أمثلة على حالات الاستخدام

قبل عقدين من الزمن ، كان أول ما خطر ببالك عندما سمعت عبارة "ذكاء اصطناعي" هو ظهور الآلات و Terminator ببندقية مقطوعة. اليوم ، هذا المصطلح له ارتباطات إيجابية إلى حد ما. يواجه الجميع تقريبًا التعلم الآلي في الحياة العادية. على سبيل المثال ، قد تتواصل مع روبوت محادثة على موقع ويب ، أو تظهر لك عروض ترويجية تتوافق مع هواياتك ، أو تقوم بإعداد عامل تصفية البريد العشوائي في خدمة البريد الإلكتروني الخاصة بك.

بالنسبة إلى جهات التسويق ، يعد التعلم الآلي فرصة لاتخاذ قرارات حاسمة بسرعة بناءً على البيانات الضخمة. في هذه المقالة ، سنتحدث عن القرارات التي يمكنك اتخاذها بناءً على البيانات الضخمة.

لنبدأ ببعض المصطلحات. وفقًا لـ Wikipedia ، فإن التعلم الآلي (ML) هو فئة من أساليب الذكاء الاصطناعي التي تتميز بعدم توفير حلول مباشرة للمشاكل بل أنظمة تدريب لتطبيق الحلول.

هناك العديد من طرق التعلم الآلي ، ولكن يمكن تقسيمها تقريبًا إلى مجموعتين: التعلم مع المعلم والتعلم بدون معلم.

في حالة التعلم مع المعلم ، يقوم الشخص بتزويد الآلة ببيانات أولية في شكل أزواج من حل الموقف . ثم يحلل نظام التعلم الآلي هذه الأزواج ويتعلم تصنيف المواقف بناءً على الحلول المعروفة. على سبيل المثال ، يمكن للنظام معرفة وقت وضع علامة على الرسائل الواردة كرسائل غير مرغوب فيها.

في حالة التعلم بدون معلم ، تتلقى الآلة معلومات غير مرتبة - مواقف - بدون حلول وتتعلم تصنيف تلك المواقف بناءً على علامات متشابهة أو مختلفة بدون توجيه بشري.

يستخدم المسوقون التعلم الآلي للعثور على أنماط في أنشطة المستخدم على موقع الويب. يساعدهم هذا في توقع السلوك الإضافي للمستخدمين وتحسين العروض الإعلانية بسرعة.

في علم النفس ، النمط هو مجموعة معينة من ردود الفعل السلوكية أو سلسلة مشتركة من الإجراءات. لذلك ، يمكننا التحدث عن الأنماط فيما يتعلق بأي منطقة يستخدم فيها الأشخاص القوالب (وهي معظم مجالات الحياة).

ضع في اعتبارك مثال النمط المستخدم على مواقع الويب. إذا لم يكن المستخدم مهتمًا بالعرض في النافذة المنبثقة الموضحة أدناه ، فيمكنه إغلاق هذه النافذة عن طريق:

1. النقر فوق علامة X
2. النقر فوق لا ، شكرًا
3. النقر في أي مكان على الموقع خارج النافذة المنبثقة.

بالإضافة إلى هذه الإجراءات الثلاثة التي يمكن للمستخدم اتخاذها ، سيتم إغلاق النافذة المنبثقة من تلقاء نفسها بعد فترة زمنية معينة.

لذلك نحصل على أربعة إجراءات محتملة للمستخدم:

1. انقر فوق X - يمكن أن تكون صحيحة / خطأ
2. انقر فوق لا ، شكرًا - يمكن أن يكون صحيحًا / خطأ
3. انقر فوق النافذة المنبثقة - يمكن أن يكون صحيحًا / خطأ
4. مدة مشاهدة النوافذ المنبثقة 5 ثوان

عندما يتم جمع المئات من هذه المعلمات ، تكتسب البيانات المجمعة قيمة لأنها تحتوي على أنماط سلوك وتبعيات. إنه يخفي الإمكانات الهائلة للبيانات السلوكية ، مما يسمح لنا بتكملة بيانات المستخدم بالمعلمات المفقودة بناءً على البيانات التي لدينا بالفعل للمستخدمين الآخرين.

على سبيل المثال ، أبسط طريقة لتحديد الجمهور المستهدف هي الجنس والعمر. ولكن ماذا لو قام المستخدمون بملء هذه البيانات في 10٪ فقط من الحالات؟ كيف يمكنك فهم عدد مستخدمي موقع الويب الخاص بك الذين يقعون ضمن جمهورك المستهدف؟ يمكن أن تساعد أنماط السلوك.

يمكنك استخدام بيانات الجنس والعمر من 10٪ من المستخدمين لتحديد أنماط خاصة بجنس وعمر معين. ثم يمكنك استخدام هذه الأنماط للتنبؤ بجنس وعمر 90٪ المتبقية من المستخدمين.

بعد الحصول على بيانات كاملة حول الجنس والعمر ، يمكنك الآن تقديم عروض مخصصة لجميع زوار الموقع.

يتمثل دور التعلم الآلي في التسويق في السماح لك باتخاذ قرارات سريعة بناءً على البيانات الضخمة.

خوارزمية عمل المسوقين هي كالتالي: يقوم المسوقون بإنشاء الفرضيات واختبارها وتقييمها وتحليلها. هذا العمل طويل ومكثف ، وأحيانًا تكون النتائج غير صحيحة لأن المعلومات تتغير كل ثانية.

على سبيل المثال ، لتقييم 20 حملة إعلانية مع مراعاة 10 معلمات سلوكية لخمس شرائح مختلفة ، سيحتاج المسوق إلى حوالي أربع ساعات. إذا تم إجراء مثل هذا التحليل كل يوم ، فسيقضي المسوق على وجه التحديد نصف وقته في تقييم جودة الحملات. عند استخدام التعلم الآلي ، يستغرق التقييم دقائق ، ويكون عدد الشرائح ومعلمات السلوك غير محدود.

من خلال التعلم الآلي ، يمكنك الاستجابة بشكل أسرع للتغييرات في جودة حركة المرور الناتجة عن الحملات الإعلانية. نتيجة لذلك ، يمكنك تخصيص المزيد من الوقت لإنشاء الفرضيات بدلاً من تنفيذ الإجراءات الروتينية.

تعتمد قيمة نتائجك على أهمية البيانات التي تم إجراء التحليل عليها. عندما تصبح البيانات قديمة ، تنخفض قيمتها. لا يمكن لأي شخص ببساطة معالجة كميات المعلومات التي يتم جمعها كل دقيقة بواسطة الأنظمة التحليلية. يمكن لأنظمة التعلم الآلي معالجة مئات الطلبات وتنظيمها وتقديم النتائج في شكل إجابة جاهزة للسؤال.

الفوائد الرئيسية للتعلم الآلي في التسويق:

• يحسن جودة تحليل البيانات
• تمكنك من تحليل المزيد من البيانات في وقت أقل
• يتكيف مع التغييرات والبيانات الجديدة
• يسمح لك بأتمتة عمليات التسويق وتجنب الأعمال الروتينية
• يفعل كل ما سبق بسرعة

يتمثل جوهر نظام التوصية في تقديم منتجات للعملاء يهتمون بها في الوقت الحالي.

ماذا يتوقع نظام التوصية: البضائع التي من المرجح أن يشتريها العميل.

كيفية استخدام هذه البيانات: لإنشاء بريد إلكتروني وإشعارات الدفع بالإضافة إلى حظر "المنتجات الموصى بها" و "المنتجات المماثلة" على موقع ويب.

النتيجة: يرى المستخدمون عروض مخصصة ، مما يزيد من احتمالية قيامهم بالشراء.

الخوارزميات الشائعة لهذا الغرض: K- يعني التجميع.

بشكل عام ، فإن جوهر جميع أنواع الاستهداف هو إنفاق ميزانية الإعلان على المستخدمين المستهدفين فقط.

أنواع الاستهداف الأكثر استخدامًا:

• استهداف الشرائح - اعرض الإعلانات على مجموعات من المستخدمين لها نفس مجموعة السمات
• تشغيل الاستهداف - اعرض الإعلانات على المستخدمين بعد أن يتخذوا إجراءً معينًا (على سبيل المثال ، عرض منتج أو إضافة عنصر إلى عربة التسوق)

هناك أيضًا استهداف تنبؤي ، حيث تعرض الإعلانات للمستخدمين استنادًا إلى احتمالية إجرائهم لعملية شراء.

يتمثل الاختلاف الرئيسي بين هذه الأنواع من الاستهداف في أن الاستهداف التنبئي يستخدم جميع المجموعات الممكنة من عشرات أو مئات من معلمات المستخدم مع جميع القيم الممكنة. تعتمد جميع أنواع الاستهداف الأخرى على عدد محدود من المعلمات بنطاقات معينة من القيم.

ما يتنبأ به الاستهداف المتوقع : احتمال قيام المستخدم بعملية شراء في غضون كيف يتم استخدام هذه البيانات:

مثال 1: إطلاق حملات إعلانية. لهذا الغرض ، قم بإنشاء شرائح بناءً على احتمالية الشراء وتحميل هذه الشرائح إلى إعلانات Google وإعلانات Facebook وأنظمة الإعلان الأخرى.

مثال 2: لتحليل فعالية الحملات الإعلانية. لهذا الغرض ، أنشئ شرائح بناءً على احتمالية الشراء وتحميل هذه الشرائح إلى Google Analytics واستخدمها لتحليل فعالية الحملات الإعلانية (أي الحملة تؤدي إلى أكبر عدد من التحويلات).

النتيجة: يتم عرض الإعلان على جمهور أكثر استهدافًا ، مما يزيد من فعالية الحملات.

الخوارزميات الشائعة لهذا الغرض: XGBoost و CATBoost و Decision Tree (في حالة توفر القليل من البيانات أو وجود أنماط قليلة واضحة).

تعتمد أفضل الطرق المعروفة لحساب القيمة الدائمة ، أو LTV ، على معرفة إجمالي الربح من العميل والوقت الذي يتفاعل فيه العميل مع النشاط التجاري. ومع ذلك ، تتطلب منك العديد من مهام العمل الحديثة حساب القيمة الدائمة حتى قبل مغادرة العميل. في هذه الحالة ، الحل الوحيد هو توقع القيمة الدائمة على أساس البيانات المتاحة.

ما يتوقعه توقع LTV: القيمة الدائمة لكل مستخدم حسب المقطع.

كيف يتم استخدام هذه البيانات:

1. يتم تحميل المقاطع في إشعارات الدفع أو خدمات البريد الإلكتروني وتُستخدم للبريد لتقليل تدفقات العملاء الخارجة (معدل التغيير).
2. يتم تحميل الشرائح إلى Google Analytics واستخدامها لتحليل فعالية الحملات الإعلانية بناءً على القيمة الدائمة المتوقعة.

النتيجة : يتم تحديد الميزانية الإعلانية لكل مستخدم بناءً على القيمة الدائمة ، مما يحسن فعالية الحملات.

الخوارزميات الشائعة لهذا الغرض: XGBoost ، SVM ، Random Forest ، الانحدار اللوجستي.

في التسويق ، يشير مفهوم الاضطراب أو التدفق إلى العملاء الذين تركوا الشركة والخسارة المرتبطة بالإيرادات وعادة ما يتم التعبير عنها كنسبة مئوية أو من الناحية النقدية.

يسمح لك التنبؤ بمعدل التخلخل بالرد على نية العميل في التخلي عن منتجك أو خدمتك قبل أن يفعلوا ذلك بالفعل.

ما يتوقعه توقع معدل الزخم: احتمالية مغادرة المستخدمين حسب شريحة المستخدم

كيفية استخدام هذه البيانات: يمكن تحميل الشرائح إلى البريد الإلكتروني أو خدمات إشعارات الدفع بالإضافة إلى إعلانات Google وإعلانات Facebook وأنظمة الإعلان الأخرى. يمكنك أيضًا تمرير هذه المعلومات إلى قسم الاحتفاظ حتى يتمكنوا من الوصول شخصيًا إلى العملاء الذين لديهم احتمالية عالية للمغادرة.

النتيجة: الاحتفاظ بالعملاء.

الخوارزميات الشائعة لهذا الغرض: SVM والانحدار اللوجستي وخوارزميات التصنيف الأخرى.

تحلل خوارزمية الذكاء الاصطناعي في OWOX BI نتائج التسويق الخاصة بك ، وتقارنها ببيانات السوق ، وتوضح مناطق النمو والمخاطر. كما أنه يتنبأ بتنفيذ خطتك السنوية حتى تتمكن من تغيير إستراتيجيتك التسويقية بسرعة.

قدرة القناة واتجاهات السوق هي المعرفة التي لا يمكن للأعمال التجارية الحصول عليها بمفردها. من حسن حظك أن نموذج التعلم الآلي في OWOX BI Insights يأخذ بعين الاعتبار البيانات من عشرات الآلاف من المشاريع لعمل تنبؤات دقيقة. يمنح هذا الشركات الثقة في التوصيات لإعادة توزيع ميزانياتها الإعلانية ، حيث تستند هذه التوصيات إلى جلسات لموقع معين. كما أنها تأخذ في الاعتبار اتجاهات السوق ، وسعة القناة ، وتكاليف الإعلانات الدقيقة ، ومرات ظهور إعلانات الوسائط في المراحل العليا من مسار التحويل.

يقوم نموذج الإحالة المستند إلى البيانات OWOX BI بتقييم فعالية حملاتك الإعلانية ، مع مراعاة مساهمة كل قناة في ترويج العميل من خلال مسار التحويل. باستخدام هذا النموذج ، ستتمكن من تخصيص ميزانيتك الإعلانية بشكل عادل ، مع مراعاة المساهمة الحقيقية للقنوات في التحويلات وتأثيرها المتبادل.

يعتمد حساب النموذج في OWOX BI على سلاسل ماركوف والتعلم الآلي. سلسلة ماركوف هي نموذج احتمالي يسمح لك ، من خلال حساب احتمالات الانتقال بين خطوات مسار التحويل ، بتقييم التأثير المتبادل للخطوات على التحويلات ومعرفة الخطوات الأكثر أهمية.

إذا كنت تريد معرفة كيفية عمل إحالة OWOX BI ، فقم بالتسجيل للحصول على عرض توضيحي. سيعرض لك زملاؤنا أمثلة حقيقية عن كيفية تطبيق الإحالة ويوضحون كيف يمكن أن يكون مفيدًا لعملك.

لماذا يلزم التعلم الآلي وكيف يساعدك في حل مشكلة الإسناد؟ هذا موضوع لمقال منفصل (نعده بالفعل).

في هذه المقالة ، دعنا نتعرف على مستوى اتخاذ القرارات باستخدام الإسناد. سنقارن هذه المستويات بناءً على عدة معايير:

• المستوى نفسه
• صناع القرار الرئيسيين
• أنواع القرارات المتخذة
• الأدوات المستخدمة
• غالبًا ما يتم استخدام نماذج الإحالة

المستويات التي يتم عندها اتخاذ القرارات المستندة إلى الإحالة:

1. الرؤية. تتكون رؤية الشركة من قبل مجلس إدارتها ، والرئيس التنفيذي ، ومدير التسويق. ترتبط القرارات على مستوى الرؤية بالاستثمارات في العلامة التجارية وموازنة الميزانيات بين الإنترنت وخارجه. الأدوات المستخدمة لاتخاذ مثل هذه القرارات هي أبحاث السوق والاستشاريين. نادرًا ما يوجد مكان لنماذج الإحالة المستندة إلى البيانات الكلاسيكية ، نظرًا لأن البيانات التي تستند إليها القرارات ليست رقمية بشكل كافٍ.

2. الاستراتيجية. يتم اتخاذ القرارات الإستراتيجية شهريًا ، كقاعدة عامة ، من قبل مديري التسويق والتجارة الإلكترونية. هذه القرارات مخصصة لتخصيص الميزانية بين القنوات وتعريف مؤشر الأداء الرئيسي ذي المستوى الأعلى. الأدوات التي تساعد في اتخاذ القرارات الإستراتيجية هي Visual IQ أو OWOX BI أو النماذج غير الرسمية. هنا ، يستخدم النشاط التجاري الإحالة المستندة إلى البيانات ، أو الاختلافات في موضوع قيمة Shapley وسلاسل Markov ، أو الإسناد المستند إلى مسار التحويل. في هذا المستوى ، من المهم فهم التأثير المتبادل للقنوات واتخاذ قرارات استراتيجية بشأن تطويرها.

3. التكتيكية. عادة ، يتم اتخاذ القرارات التكتيكية أسبوعيًا أو بشكل متكرر من قبل مدير اكتساب حركة المرور المدفوعة. يحدث تخصيص الميزانية بين الحملات والمجموعات الإعلانية ، وتهدف القرارات إلى توضيح أهداف الحملة ومؤشرات الأداء الرئيسية. لاتخاذ قرارات تكتيكية ، يمكنك استخدام جداول بيانات Google أو OWOX BI. غالبًا في هذا المستوى ، يعمل المتخصصون مع Google Analytics. لتقييم تأثير إعلانات الوسائط ، تستخدم معظم نماذج الإحالة التحويلات المرتبطة وتضاؤل ​​الوقت والمشاهدة اللاحقة.

خصوصية هذه المرحلة هي أنه تم بالفعل تخصيص ميزانية القناة. لذلك في هذه المرحلة ، من المهم فهم الحملات التي يجب إنفاقها عليها ، والتحكم في النتائج ، وإيقاف الحملات غير الفعالة بسرعة.

4. التنفيذ. يحدث هذا عندما يتم اتخاذ قرار تقييم مساهمة إعلان أو كلمة رئيسية معينة في وقت قريب من الوقت الفعلي. عادة ما يتم اتخاذ مثل هذه القرارات داخل الخدمات الإعلانية (إعلانات Google ، إعلانات Facebook). في الواقع ، لا يهتم العميل بآليات التحسين المستخدمة هنا ، حيث ينظرون إلى نتائج كل خدمة على حدة.

كما ترى ، يعد التعلم الآلي أكثر فائدة للمهام الإستراتيجية والتكتيكية. في بعض الأحيان يتم تطبيقه أيضًا على مستوى التنفيذ ، ولكن الاتجاه العام هو أن أنظمة الإعلان تتطور بسرعة ولديها الكثير من البيانات. تنتج الخوارزميات الداخلية المستخدمة في هذه الأنظمة لإدارة الحملات الإعلانية نتائج أفضل من النموذج الخارجي القائم على التعلم الآلي.

والسبب هو أنه من أجل تطبيق التعلم الآلي ، من الضروري تصدير كميات كبيرة من البيانات من خدمة الإعلان بسرعة ثم استيراد النتائج بسرعة. من الناحية الفنية ، هذه مهمة صعبة الحل على نطاق صناعي. لذلك ، على مستوى التنفيذ ، يميل المسوقون إلى الاعتماد على الخوارزميات الداخلية لتحسين الخدمات الإعلانية.

لاستخدام التعلم الآلي في حل المشكلات التكتيكية والاستراتيجية ، تحتاج إلى التأكد من اكتمال بياناتك. يمكنك القيام بذلك مع OWOX BI. يجمع OWOX بين بياناتك من موقع الويب الخاص بك ، والخدمات الإعلانية ، و CRM حتى تتمكن من إنشاء مسار يأخذ في الاعتبار خصوصيات وجهود عملك ويهدف إلى جذب العملاء وزيادة المبيعات.