디지털 마케팅의 기계 학습: 사용 사례의 예

수십 년 전, "인공 지능"이라는 단어를 들었을 때 가장 먼저 떠오른 것은 기계의 부상과 톱날로 자른 샷건을 든 터미네이터였을 것입니다. 오늘날 이 용어는 다소 긍정적인 연관성이 있습니다. 거의 모든 사람은 일상 생활에서 기계 학습을 접합니다. 예를 들어, 웹사이트에서 챗봇과 통신하거나, 취미에 해당하는 프로모션 제안을 받거나, 이메일 서비스에 스팸 필터를 설정할 수 있습니다.

마케터에게 머신 러닝은 빅 데이터를 기반으로 중요한 결정을 빠르게 내릴 수 있는 기회입니다. 이 기사에서는 빅 데이터를 기반으로 할 수 있는 결정에 대해 설명합니다.

약간의 용어부터 시작하겠습니다. Wikipedia에 따르면 머신 러닝(ML)은 문제에 대한 직접적인 솔루션을 제공하는 것이 아니라 솔루션을 적용하는 교육 시스템을 특징으로 하는 인공 지능 방법의 한 종류입니다.

머신 러닝에는 여러 가지 방법이 있지만 크게 교사와 함께 학습하는 것과 교사 없이 학습하는 두 그룹으로 나눌 수 있습니다.

교사와 함께 학습하는 경우 사람이 상황-해결 쌍의 형태로 초기 데이터를 기계에 제공합니다. 그런 다음 기계 학습 시스템은 이러한 쌍을 분석하고 알려진 솔루션을 기반으로 상황을 분류하는 방법을 학습합니다. 예를 들어 시스템은 수신 메시지를 스팸으로 표시해야 하는 시기를 학습할 수 있습니다.

교사 없이 학습하는 경우 기계는 솔루션 없이 분류되지 않은 정보( 상황 )를 수신하고 사람의 안내 없이 유사하거나 다른 기호를 기반으로 이러한 상황을 분류하는 방법을 학습합니다.

마케터는 기계 학습을 사용하여 웹 사이트에서 사용자 활동의 패턴을 찾습니다. 이를 통해 사용자의 추가 행동을 예측하고 광고 제안을 신속하게 최적화할 수 있습니다.

심리학에서 패턴 은 행동 반응의 특정 집합 또는 일반적인 행동 순서입니다. 따라서 사람들이 템플릿을 사용하는 모든 영역(대부분의 삶의 영역)과 관련하여 패턴에 대해 이야기할 수 있습니다.

웹사이트에서 사용되는 패턴의 예를 고려하십시오. 사용자가 아래 표시된 팝업 창의 제안에 관심이 없는 경우 다음 방법으로 이 창을 닫을 수 있습니다.

1. X 표시를 클릭하면
2. 아니요를 클릭합니다.
3. 팝업 창 외부에 있는 사이트의 아무 곳이나 클릭합니다.

사용자가 취할 수 있는 이 세 가지 작업 외에도 일정 시간이 지나면 팝업 창이 저절로 닫힙니다.

그래서 우리는 네 가지 가능한 사용자 작업을 얻습니다.

1. X 클릭 — 참/거짓일 수 있음
2. 아니요 를 클릭하십시오 — 참/거짓일 수 있습니다.
3. 팝업 지나서 클릭 — 참/거짓일 수 있음
4. 팝업 보기 시간은 5초입니다.

수백 개의 이러한 매개변수가 수집될 때 수집된 데이터는 행동 패턴 및 종속성을 포함하기 때문에 가치를 얻습니다. 행동 데이터의 엄청난 잠재력을 숨기므로 다른 사용자에 대해 이미 가지고 있는 데이터를 기반으로 누락된 매개변수로 사용자 데이터를 보완할 수 있습니다.

예를 들어 대상 고객을 정의하는 가장 간단한 방법은 성별과 연령을 기준으로 하는 것입니다. 그러나 사용자가 10%의 경우에만 이 데이터를 작성한다면 어떻게 될까요? 얼마나 많은 웹사이트 사용자가 타겟 고객에 속하는지 어떻게 알 수 있습니까? 행동 패턴이 도움이 될 수 있습니다.

10%의 사용자로부터 성별 및 연령 데이터를 사용하여 특정 성별 및 연령에 특정한 패턴을 결정할 수 있습니다. 그런 다음 이러한 패턴을 사용하여 나머지 90% 사용자의 성별과 연령을 예측할 수 있습니다.

성별과 나이에 대한 완전한 데이터를 가지고 있으므로 이제 모든 웹사이트 방문자에게 개인화된 제안을 할 수 있습니다.

마케팅에서 머신 러닝의 역할은 빅 데이터를 기반으로 신속하게 의사 결정을 내릴 수 있도록 하는 것입니다.

마케터가 하는 일의 알고리즘은 다음과 같다. 마케터는 가설을 세우고, 검증하고, 평가하고, 분석한다. 이 작업은 길고 노동 집약적이며 정보가 1초마다 바뀌기 때문에 때때로 결과가 정확하지 않습니다.

예를 들어, 5개의 다른 세그먼트에 대한 10개의 행동 매개변수를 고려하여 20개의 광고 캠페인을 평가하려면 마케터는 약 4시간이 필요합니다. 이러한 분석이 매일 수행되면 마케터는 캠페인 품질을 평가하는 데 정확히 절반의 시간을 할애하게 됩니다. 머신 러닝을 사용하는 경우 평가에 몇 분이 걸리며 세그먼트 및 동작 매개변수의 수에는 제한이 없습니다.

머신 러닝을 사용하면 광고 캠페인으로 인해 발생하는 트래픽 품질의 변화에 ​​더 빠르게 대응할 수 있습니다. 결과적으로 일상적인 작업을 수행하는 것보다 가설을 만드는 데 더 많은 시간을 할애할 수 있습니다.

결과의 가치는 분석이 수행된 데이터의 관련성에 따라 다릅니다. 데이터가 더 이상 사용되지 않으면 그 가치가 감소합니다. 사람은 분석 시스템에 의해 매분 수집되는 정보의 양을 처리할 수 없습니다. 머신 러닝 시스템은 수백 개의 요청을 처리하고 구성하며 질문에 대한 준비된 답변 형태로 결과를 제공할 수 있습니다.

마케팅에서 머신 러닝의 주요 이점:

• 데이터 분석 품질 향상
• 더 짧은 시간에 더 많은 데이터를 분석할 수 있습니다.
• 변화와 새로운 데이터에 적응
• 마케팅 프로세스를 자동화하고 일상적인 작업을 피할 수 있습니다.
• 위의 모든 작업을 빠르게 수행

추천 시스템의 본질은 고객이 현재 관심을 갖고 있는 제품을 제공하는 것입니다.

추천 시스템이 예측하는 것: 고객이 구매할 가능성이 있는 상품.

이 데이터가 사용되는 방법: 이메일 및 푸시 알림을 생성하고 웹사이트에서 "추천 제품" 및 "유사 제품" 차단.

결과: 사용자는 개인화된 제안을 보게 되어 구매 가능성이 높아집니다.

이를 위한 공통 알고리즘: K-평균 클러스터링.

일반적으로 모든 타겟팅 유형의 본질은 타겟 사용자에게만 광고 예산을 지출하는 것입니다.

가장 많이 사용되는 타겟팅 유형:

• 세그먼트 타겟팅 — 속성 집합이 동일한 사용자 그룹에 광고 게재
• 트리거 타겟팅 — 사용자가 특정 작업(예: 제품 보기 또는 장바구니에 항목 추가)을 수행한 후 광고를 표시합니다.

사용자가 구매할 가능성을 기반으로 사용자에게 광고를 표시하는 예측 타겟팅 도 있습니다.

이러한 유형의 타겟팅 간의 주요 차이점은 예측 타겟팅은 가능한 모든 값과 함께 수십 또는 수백 개의 사용자 매개변수의 가능한 모든 조합을 사용한다는 것입니다. 다른 모든 유형의 타겟팅은 특정 범위의 값이 있는 제한된 수의 매개변수에 의존합니다.

예측 타겟팅이 예측 하는 것: 사용자가 이 데이터가 사용되는 방법:

예 1: 광고 캠페인을 시작합니다. 이를 위해 구매 확률을 기반으로 세그먼트를 만들고 해당 세그먼트를 Google Ads, Facebook 광고 및 기타 광고 시스템에 업로드합니다.

예 2: 광고 캠페인의 효과를 분석하기 위해. 이를 위해 구매 확률을 기반으로 세그먼트를 생성하고 해당 세그먼트를 Google Analytics에 업로드하고 이를 사용하여 광고 캠페인(가장 많은 전환으로 이어지는 캠페인)의 효율성을 분석합니다.

결과: 광고가 보다 표적화된 청중에게 표시되어 캠페인의 효율성이 높아집니다.

이 목적을 위한 공통 알고리즘: XGBoost, CATBoost, Decision Tree(사용 가능한 데이터가 거의 없거나 패턴이 거의 없는 경우).

평생 가치(LTV)를 계산하는 가장 잘 알려진 방법은 고객의 총 이익과 고객이 비즈니스와 상호 작용한 시간에 대한 지식을 기반으로 합니다. 그러나 많은 현대 비즈니스 작업에서는 고객이 떠나기 전에도 LTV를 계산해야 합니다. 이 경우 유일한 솔루션은 사용 가능한 데이터를 기반으로 LTV를 예측하는 것입니다.

LTV 예측이 예측하는 것: 세그먼트별 각 사용자의 LTV.

이 데이터가 사용되는 방법:

1. 세그먼트는 푸시 알림 또는 이메일 서비스에 로드되고 고객 유출(해지율)을 줄이기 위해 메일링에 사용됩니다.
2. 세그먼트는 Google Analytics에 업로드되고 예측된 LTV를 기반으로 광고 캠페인의 효과를 분석하는 데 사용됩니다.

결과 : LTV를 기준으로 사용자당 광고예산을 결정하여 캠페인의 효율성을 높입니다.

이를 위한 공통 알고리즘: XGBoost, SVM, Random Forest, Logistic Regression.

마케팅에서 이탈 또는 유출 의 개념은 회사를 떠난 고객 및 관련 수익 손실을 의미하며 일반적으로 백분율 또는 금전적 용어로 표시됩니다.

이탈률 예측을 사용하면 실제로 제품이나 서비스를 포기하기 전에 고객의 의도에 응답할 수 있습니다.

이탈률 예측 예측: 사용자 세그먼트별 사용자 이탈 확률

이 데이터가 사용되는 방법: 세그먼트는 이메일 또는 푸시 알림 서비스는 물론 Google Ads, Facebook 광고 및 기타 광고 시스템에 업로드할 수 있습니다. 또한 이 정보를 유지 부서에 전달하여 이탈 가능성이 높은 고객에게 개인적으로 연락할 수 있습니다.

결과: 고객을 유지합니다.

이를 위한 공통 알고리즘: SVM, 로지스틱 회귀 및 기타 분류 알고리즘.

OWOX BI의 AI 알고리즘은 마케팅 결과를 분석하고 시장 데이터와 비교하여 성장 영역과 위험이 어디에 있는지 보여줍니다. 또한 연간 계획의 구현을 예측하여 마케팅 전략을 신속하게 변경할 수 있습니다.

채널 용량과 시장 동향은 기업이 스스로 얻을 수 없는 지식입니다. 다행스럽게도 OWOX BI Insights의 기계 학습 모델은 수만 개의 프로젝트 데이터를 고려하여 정확한 예측을 합니다. 이러한 권장 사항은 특정 사이트의 세션을 기반으로 하기 때문에 기업은 광고 예산을 재분배하기 위한 권장 사항을 신뢰할 수 있습니다. 또한 퍼널의 상위 단계에서 시장 동향, 채널 용량, 세분화된 광고 비용 및 미디어 광고 노출을 고려합니다.

OWOX BI 데이터 기반 기여 모델은 전환 깔때기를 통한 고객 프로모션에 대한 각 채널의 기여도를 고려하여 광고 캠페인의 효율성을 평가합니다. 이 모델을 사용하면 전환에 대한 채널의 실제 기여도와 상호 영향을 고려하여 광고 예산을 공정하게 할당할 수 있습니다.

OWOX BI의 모델 계산은 Markov 체인과 기계 학습을 기반으로 합니다. Markov 체인은 퍼널 단계 간의 전환 확률을 계산하여 전환에 대한 단계의 상호 영향을 평가하고 가장 중요한 단계를 찾을 수 있는 확률 모델입니다.

OWOX BI 어트리뷰션이 어떻게 작동하는지 알고 싶다면 데모에 등록하세요. 동료들이 기여를 적용하는 방법에 대한 실제 예를 보여주고 비즈니스에 어떻게 유용할 수 있는지 보여줄 것입니다.

머신 러닝이 필요한 이유는 무엇이며 기여 문제를 해결하는 데 어떻게 도움이 됩니까? 이것은 우리가 이미 준비하고 있는 별도의 기사에 대한 주제입니다.

이 기사에서는 어트리뷰션을 사용하여 어떤 수준에서 결정이 내려지는지 알아보겠습니다. 몇 가지 기준에 따라 이러한 수준을 비교할 것입니다.

• 레벨 자체
• 주요 의사 결정권자
• 결정 유형
• 사용 도구
• 가장 자주 사용되는 기여 모델

기여 기반 결정이 내려지는 수준:

1. 비전. 회사의 비전은 이사회, CEO 및 마케팅 이사에 의해 형성됩니다. 비전 수준의 결정은 브랜드에 대한 투자 및 온라인과 오프라인 간의 예산 균형과 관련이 있습니다. 그러한 결정을 내리는 데 사용되는 도구는 시장 조사 및 컨설턴트입니다. 의사 결정의 기반이 되는 데이터가 충분히 디지털화되지 않았기 때문에 전통적인 데이터 기반 기여 모델을 사용할 수 있는 곳은 거의 없습니다.

2. 전략적. 전략적 결정은 원칙적으로 마케팅 및 전자 상거래 책임자에 의해 매월 이루어집니다. 이러한 결정은 채널 간 예산 할당 및 최상위 KPI 정의에 사용됩니다. 전략적 결정을 내리는 데 도움이 되는 도구는 Visual IQ, OWOX BI 또는 캐주얼 모델입니다. 여기에서 비즈니스는 데이터 기반 속성, Shapley 가치 및 Markov 체인 테마의 변형 또는 깔때기 기반 속성을 사용합니다. 이 수준에서는 채널의 상호 영향을 이해하고 개발에 대한 전략적 결정을 내리는 것이 중요합니다.

3. 전술. 일반적으로 전술적 결정은 매주 또는 더 자주 유료 트래픽 획득 관리자가 내립니다. 예산 할당은 캠페인과 광고 세트 간에 이루어지며 결정은 KPI 및 캠페인 목표를 명확히 하는 것을 목표로 합니다. 전술적 결정을 내리기 위해 Google 스프레드시트 또는 OWOX BI를 사용할 수 있습니다. 종종 이 수준에서 전문가가 Google Analytics를 사용합니다. 미디어 광고의 영향을 평가하기 위해 대부분의 기여 모델은 관련 전환, 시간 감소 및 조회 후를 사용합니다.

이 단계의 특징은 채널에 대한 예산이 이미 할당되었다는 것입니다. 따라서 이 시점에서 비용을 지출할 캠페인을 이해하고 결과를 제어하며 비효율적인 캠페인을 신속하게 해제하는 것이 중요합니다.

4. 실행. 특정 공지사항이나 키워드의 기여도를 평가하기 위한 결정이 거의 실시간으로 발생하는 경우입니다. 이러한 결정은 일반적으로 광고 서비스(Google Ads, Facebook Ads) 내에서 이루어집니다. 실제로 고객은 각 서비스의 결과를 개별적으로 보기 때문에 여기에서 어떤 최적화 메커니즘이 사용되었는지 신경 쓰지 않습니다.

보시다시피 기계 학습은 전략 및 전술 작업에 가장 유용합니다. 때로는 실행 단계에서도 적용되지만 일반적으로 광고 시스템은 빠르게 발전하고 데이터가 많다는 것이 일반적인 추세입니다. 광고 캠페인을 관리하기 위해 이러한 시스템에서 사용되는 내부 알고리즘은 기계 학습을 기반으로 하는 외부 모델보다 더 나은 결과를 생성합니다.

그 이유는 머신러닝을 적용하기 위해서는 광고 서비스에서 많은 양의 데이터를 빠르게 내보내고 그 결과를 빠르게 다시 가져와야 하기 때문입니다. 기술적으로 이것은 산업적 규모에서 해결하기 어려운 작업입니다. 따라서 실행 수준에서 마케터는 광고 서비스를 최적화하기 위해 내부 알고리즘에 의존하는 경향이 있습니다.

기계 학습을 사용하여 전술 및 전략적 문제를 해결하려면 데이터의 완전성을 보장해야 합니다. OWOX BI로 할 수 있습니다. OWOX는 웹사이트, 광고 서비스 및 CRM의 데이터를 결합하여 비즈니스의 특성과 노력을 고려하고 고객 유치 및 매출 증대를 목표로 하는 깔때기를 만들 수 있습니다.