Pembelajaran mesin dalam pemasaran digital: Contoh kasus penggunaan

Beberapa dekade yang lalu, hal pertama yang terlintas dalam pikiran ketika Anda mendengar kata-kata "kecerdasan buatan" kemungkinan adalah munculnya mesin dan Terminator dengan senapan yang digergaji. Hari ini, istilah ini memiliki asosiasi yang agak positif. Hampir setiap orang menemukan pembelajaran mesin dalam kehidupan sehari-hari. Misalnya, Anda mungkin berkomunikasi dengan chatbot di situs web, diperlihatkan penawaran promosi yang sesuai dengan hobi Anda, atau menyiapkan filter spam di layanan email Anda.

Bagi pemasar, pembelajaran mesin adalah peluang untuk membuat keputusan penting dengan cepat berdasarkan data besar. Dalam artikel ini, kita akan berbicara tentang keputusan apa yang dapat Anda buat berdasarkan data besar.

Mari kita mulai dengan sedikit terminologi. Menurut Wikipedia, pembelajaran mesin (ML) adalah kelas metode kecerdasan buatan yang ditandai dengan tidak memberikan solusi langsung untuk masalah melainkan sistem pelatihan untuk menerapkan solusi.

Ada banyak metode pembelajaran mesin, tetapi mereka secara kasar dapat dibagi menjadi dua kelompok: belajar dengan guru dan belajar tanpa guru.

Dalam kasus belajar dengan seorang guru, seseorang memasok mesin dengan data awal dalam bentuk pasangan situasi-solusi . Sistem pembelajaran mesin kemudian menganalisis pasangan ini dan belajar untuk mengklasifikasikan situasi berdasarkan solusi yang diketahui. Misalnya, sistem dapat mempelajari kapan harus menandai pesan masuk sebagai spam.

Dalam kasus pembelajaran tanpa guru, mesin menerima informasi yang tidak disortir — situasi — tanpa solusi dan belajar untuk mengklasifikasikan situasi tersebut berdasarkan tanda-tanda yang serupa atau berbeda tanpa bimbingan manusia.

Pemasar menggunakan pembelajaran mesin untuk menemukan pola dalam aktivitas pengguna di situs web. Ini membantu mereka memprediksi perilaku pengguna selanjutnya dan dengan cepat mengoptimalkan penawaran iklan.

Dalam psikologi, pola adalah serangkaian reaksi perilaku atau urutan tindakan yang umum. Oleh karena itu, kita dapat berbicara tentang pola sehubungan dengan area mana pun di mana orang menggunakan templat (yang merupakan sebagian besar area kehidupan).

Perhatikan contoh pola yang digunakan di situs web. Jika pengguna tidak tertarik dengan penawaran di jendela pop-up yang ditampilkan di bawah, mereka dapat menutup jendela ini dengan:

1. mengklik tanda X
2. mengklik Tidak, terima kasih
3. mengklik di mana saja di situs yang berada di luar jendela pop-up.

Selain ketiga tindakan yang dapat dilakukan pengguna ini, jendela pop-up akan menutup dengan sendirinya setelah jangka waktu tertentu.

Jadi kami mendapatkan empat kemungkinan tindakan pengguna:

1. Klik X — Bisa benar/salah
2. Klik Tidak, terima kasih — Bisa benar/salah
3. Klik melewati pop-up — Bisa benar/salah
4. Waktu menonton pop-up adalah 5 detik

Ketika ratusan parameter tersebut dikumpulkan, data yang dikumpulkan memperoleh nilai karena mengandung pola perilaku dan ketergantungan. Ini menyembunyikan potensi besar data perilaku, memungkinkan kami untuk melengkapi data pengguna dengan parameter yang hilang berdasarkan data yang sudah kami miliki untuk pengguna lain.

Misalnya, cara paling sederhana untuk menentukan audiens target adalah berdasarkan jenis kelamin dan usia. Tetapi bagaimana jika pengguna mengisi data ini hanya dalam 10% kasus? Bagaimana Anda bisa memahami berapa banyak pengguna situs web Anda yang termasuk dalam audiens target Anda? Pola perilaku dapat membantu.

Anda dapat menggunakan data jenis kelamin dan usia dari 10% pengguna untuk menentukan pola khusus untuk jenis kelamin dan usia tertentu. Kemudian Anda dapat menggunakan pola ini untuk memprediksi jenis kelamin dan usia 90% pengguna yang tersisa.

Memiliki data lengkap tentang jenis kelamin dan usia, kini Anda dapat membuat penawaran yang dipersonalisasi kepada semua pengunjung situs web.

Peran pembelajaran mesin dalam pemasaran adalah memungkinkan Anda membuat keputusan dengan cepat berdasarkan data besar.

Algoritma untuk pekerjaan pemasar adalah sebagai berikut: Pemasar membuat hipotesis, mengujinya, mengevaluasinya, dan menganalisisnya. Pekerjaan ini panjang dan padat karya, dan terkadang hasilnya salah karena informasi berubah setiap detik.

Misalnya, untuk mengevaluasi 20 kampanye iklan dengan mempertimbangkan 10 parameter perilaku untuk lima segmen yang berbeda, seorang pemasar akan membutuhkan waktu sekitar empat jam. Jika analisis seperti itu dilakukan setiap hari, maka pemasar akan menghabiskan separuh waktu mereka untuk menilai kualitas kampanye. Saat pembelajaran mesin digunakan, evaluasi membutuhkan waktu beberapa menit, dan jumlah segmen serta parameter perilaku tidak terbatas.

Dengan pembelajaran mesin, Anda dapat merespons lebih cepat terhadap perubahan kualitas lalu lintas yang dibawa oleh kampanye iklan. Akibatnya, Anda dapat mencurahkan lebih banyak waktu untuk membuat hipotesis daripada melakukan tindakan rutin.

Nilai hasil Anda tergantung pada relevansi data yang digunakan untuk analisis. Ketika data menjadi usang, nilainya menurun. Seseorang tidak dapat memproses volume informasi yang dikumpulkan setiap menit oleh sistem analitis. Sistem pembelajaran mesin dapat memproses ratusan permintaan, mengaturnya, dan memberikan hasil dalam bentuk jawaban siap pakai untuk sebuah pertanyaan.

Manfaat utama pembelajaran mesin dalam pemasaran:

• Meningkatkan kualitas analisis data
• Memungkinkan Anda menganalisis lebih banyak data dalam waktu yang lebih singkat
• Beradaptasi dengan perubahan dan data baru
• Memungkinkan Anda mengotomatiskan proses pemasaran dan menghindari pekerjaan rutin
• Apakah semua hal di atas dengan cepat?

Inti dari sistem rekomendasi adalah menawarkan produk yang mereka minati saat ini kepada pelanggan.

Apa yang diprediksi oleh sistem rekomendasi: Barang yang kemungkinan besar akan dibeli pelanggan.

Bagaimana data ini digunakan: Untuk membuat email dan pemberitahuan push serta blok “Produk yang direkomendasikan” dan “Produk serupa” di situs web.

Hasil: Pengguna melihat penawaran yang dipersonalisasi, meningkatkan kemungkinan mereka melakukan pembelian.

Algoritma umum untuk tujuan ini: K-means clustering.

Secara umum, inti dari semua jenis penargetan adalah membelanjakan anggaran iklan hanya pada pengguna target.

Jenis penargetan yang paling sering digunakan:

• Penargetan segmen — Menampilkan iklan ke grup pengguna dengan kumpulan atribut yang sama
• Pemicu penargetan — Menampilkan iklan kepada pengguna setelah mereka melakukan tindakan tertentu (misalnya, melihat produk atau menambahkan item ke keranjang belanja)

Ada juga penargetan prediktif , di mana Anda menampilkan iklan kepada pengguna berdasarkan kemungkinan mereka melakukan pembelian.

Perbedaan utama antara jenis penargetan ini adalah bahwa penargetan prediktif menggunakan semua kemungkinan kombinasi dari puluhan atau ratusan parameter pengguna dengan semua kemungkinan nilai. Semua jenis penargetan lainnya bergantung pada sejumlah parameter dengan rentang nilai tertentu.

Apa yang diprediksi oleh penargetan perkiraan : Probabilitas bahwa pengguna akan melakukan pembelian dalam Bagaimana data ini digunakan:

Contoh 1: Untuk meluncurkan kampanye iklan. Untuk tujuan ini, buat segmen berdasarkan probabilitas pembelian dan unggah segmen tersebut ke Google Ads, Facebook Ads, dan sistem periklanan lainnya.

Contoh 2: Untuk menganalisis efektivitas kampanye iklan. Untuk tujuan ini, buat segmen berdasarkan probabilitas pembelian dan unggah segmen tersebut ke Google Analytics dan gunakan untuk menganalisis efektivitas kampanye iklan (kampanye mana yang menghasilkan konversi paling banyak).

Hasil: Iklan ditampilkan kepada audiens yang lebih bertarget, meningkatkan efektivitas kampanye.

Algoritme umum untuk tujuan ini: XGBoost, CATBoost, Pohon Keputusan (jika sedikit data tersedia atau sedikit pola yang terlihat).

Metode paling terkenal untuk menghitung nilai seumur hidup, atau LTV, didasarkan pada pengetahuan tentang total keuntungan dari pelanggan dan waktu pelanggan berinteraksi dengan bisnis. Namun, banyak tugas bisnis modern mengharuskan Anda menghitung LTV bahkan sebelum pelanggan pergi. Dalam hal ini, satu-satunya solusi adalah memprediksi LTV berdasarkan data yang tersedia.

Apa yang diprediksi oleh prakiraan LTV: LTV setiap pengguna menurut segmen.

Bagaimana data ini digunakan:

1. Segmen dimuat ke dalam pemberitahuan push atau layanan email dan digunakan untuk pengiriman surat guna mengurangi arus keluar pelanggan (tingkat churn).
2. Segmen diunggah ke Google Analytics dan digunakan untuk menganalisis efektivitas kampanye iklan berdasarkan LTV yang diprediksi.

Hasil : Anggaran iklan per pengguna ditentukan berdasarkan LTV, yang meningkatkan efektivitas kampanye.

Algoritma umum untuk tujuan ini: XGBoost, SVM, Hutan Acak, Regresi Logistik.

Dalam pemasaran, konsep churn atau outflow mengacu pada pelanggan yang telah meninggalkan perusahaan dan kehilangan pendapatan terkait dan biasanya dinyatakan dalam persentase atau istilah moneter.

Peramalan tingkat churn memungkinkan Anda untuk menanggapi niat pelanggan untuk meninggalkan produk atau layanan Anda sebelum mereka benar-benar melakukannya.

Apa yang diprediksi oleh peramalan tingkat churn: Probabilitas pengguna keluar berdasarkan segmen pengguna

Bagaimana data ini digunakan: Segmen dapat diunggah ke email atau layanan pemberitahuan push serta ke Google Ads, Facebook Ads, dan sistem periklanan lainnya. Anda juga dapat menyampaikan informasi ini ke departemen retensi sehingga mereka dapat secara pribadi menjangkau pelanggan dengan kemungkinan besar untuk pergi.

Hasil: Mempertahankan pelanggan.

Algoritma umum untuk tujuan ini: SVM, Regresi Logistik, dan algoritma klasifikasi lainnya.

Algoritme AI di OWOX BI menganalisis hasil pemasaran Anda, membandingkannya dengan data pasar, dan menunjukkan di mana zona pertumbuhan dan risiko Anda. Ini juga memperkirakan implementasi rencana tahunan Anda sehingga Anda dapat dengan cepat mengubah strategi pemasaran Anda.

Kapasitas saluran dan tren pasar adalah pengetahuan yang tidak dapat diperoleh bisnis sendiri. Beruntung bagi Anda, model pembelajaran mesin di OWOX BI Insights memperhitungkan data dari puluhan ribu proyek untuk membuat prediksi yang akurat. Ini memberikan kepercayaan kepada bisnis dalam rekomendasi untuk mendistribusikan kembali anggaran iklan mereka, karena rekomendasi ini didasarkan pada sesi untuk situs tertentu. Mereka juga memperhitungkan tren pasar, kapasitas saluran, biaya iklan granular, dan tayangan iklan media di tahap atas corong.

Model atribusi berbasis data OWOX BI menilai efektivitas kampanye iklan Anda, dengan mempertimbangkan kontribusi setiap saluran terhadap promosi pelanggan melalui corong konversi. Dengan model ini, Anda dapat mengalokasikan anggaran iklan secara adil, dengan mempertimbangkan kontribusi nyata saluran terhadap konversi dan pengaruh timbal baliknya.

Perhitungan model di OWOX BI didasarkan pada rantai Markov dan pembelajaran mesin. Rantai Markov adalah model probabilistik yang, melalui penghitungan probabilitas transisi antara langkah-langkah corong, memungkinkan Anda untuk mengevaluasi pengaruh timbal balik dari langkah-langkah pada konversi dan mencari tahu langkah mana yang paling signifikan.

Jika Anda ingin melihat cara kerja atribusi OWOX BI, daftar untuk mendapatkan demo. Rekan-rekan kami akan menunjukkan kepada Anda contoh nyata tentang cara menerapkan atribusi dan menunjukkan bagaimana atribusi dapat berguna untuk bisnis Anda.

Mengapa pembelajaran mesin diperlukan dan bagaimana hal itu membantu Anda memecahkan masalah atribusi? Ini adalah topik untuk artikel terpisah (yang sudah kami siapkan).

Dalam artikel ini, mari kita cari tahu di level apa keputusan dibuat menggunakan atribusi. Kami akan membandingkan level ini berdasarkan beberapa kriteria:

• Levelnya sendiri
• Pengambil keputusan utama
• Jenis keputusan yang dibuat
• Alat yang digunakan
• Model atribusi paling sering digunakan

Tingkat di mana keputusan berbasis atribusi dibuat:

1. Visi. Visi perusahaan dibentuk oleh dewan direksi, CEO, dan direktur pemasarannya. Keputusan tingkat visi dikaitkan dengan investasi dalam merek dan menyeimbangkan anggaran antara online dan offline. Alat yang digunakan untuk membuat keputusan tersebut adalah riset pasar dan konsultan. Jarang ada tempat untuk model atribusi berbasis data klasik, karena data yang menjadi dasar keputusan tidak cukup digital.

2. Strategis. Keputusan strategis dibuat setiap bulan, sebagai suatu peraturan, oleh direktur pemasaran dan e-niaga. Keputusan ini dikhususkan untuk alokasi anggaran antar saluran dan definisi KPI tingkat atas. Alat yang membantu dalam membuat keputusan strategis adalah Visual IQ, OWOX BI, atau model kasual. Di sini, bisnis menggunakan atribusi berdasarkan data, variasi pada tema nilai Shapley dan rantai Markov, atau atribusi berbasis corong. Pada tingkat ini, penting untuk memahami pengaruh timbal balik saluran dan membuat keputusan strategis untuk pengembangannya.

3. Taktis. Biasanya, keputusan taktis dibuat mingguan atau bahkan lebih sering oleh manajer akuisisi lalu lintas berbayar. Alokasi anggaran terjadi antara kampanye dan set iklan, dan keputusan ditujukan untuk memperjelas KPI dan tujuan kampanye. Untuk membuat keputusan taktis, Anda dapat menggunakan Google Spreadsheet atau OWOX BI. Seringkali pada tingkat ini, pakar bekerja dengan Google Analytics. Untuk menilai dampak iklan media, sebagian besar model atribusi menggunakan konversi terkait, peluruhan waktu, dan pasca-tampilan.

Keunikan tahap ini adalah anggaran untuk saluran sudah dialokasikan. Jadi pada titik ini, penting untuk memahami kampanye apa yang akan digunakan untuk membelanjakannya, mengontrol hasil, dan dengan cepat mematikan kampanye yang tidak efisien.

4. Eksekusi. Ini adalah saat keputusan untuk mengevaluasi kontribusi dari pengumuman atau kata kunci tertentu terjadi hampir secara real time. Keputusan seperti itu biasanya dibuat di dalam layanan periklanan (Google Ads, Facebook Ads). Faktanya, pelanggan tidak peduli mekanisme pengoptimalan apa yang digunakan di sini, karena mereka melihat hasil setiap layanan secara terpisah.

Seperti yang Anda lihat, pembelajaran mesin paling berguna untuk tugas-tugas strategis dan taktis. Terkadang ini juga diterapkan pada tingkat eksekusi, tetapi tren umumnya adalah sistem periklanan berkembang pesat dan memiliki banyak data. Algoritme internal yang digunakan dalam sistem ini untuk mengelola kampanye iklan menghasilkan hasil yang lebih baik daripada model eksternal berdasarkan pembelajaran mesin.

Alasannya adalah untuk menerapkan pembelajaran mesin, perlu mengekspor sejumlah besar data dari layanan periklanan dengan cepat dan kemudian dengan cepat mengimpor kembali hasilnya. Secara teknis, ini adalah tugas yang sulit untuk dipecahkan pada skala industri. Oleh karena itu, pada tingkat eksekusi, pemasar cenderung mengandalkan algoritme internal untuk mengoptimalkan layanan periklanan.

Untuk menggunakan pembelajaran mesin untuk memecahkan masalah taktis dan strategis, Anda perlu memastikan kelengkapan data Anda. Anda dapat melakukannya dengan OWOX BI. OWOX menggabungkan data Anda dari situs web, layanan periklanan, dan CRM sehingga Anda dapat membuat corong yang memperhitungkan kekhasan dan upaya bisnis Anda dan ditujukan untuk menarik pelanggan dan meningkatkan penjualan.