Uczenie maszynowe w marketingu cyfrowym: przykłady zastosowań

Kilkadziesiąt lat temu pierwszą rzeczą, jaka przyszła mi do głowy, gdy usłyszałeś słowa „sztuczna inteligencja”, było prawdopodobnie powstanie maszyn i Terminatora z obrzynem. Dziś termin ten kojarzy się raczej pozytywnie. Prawie każdy spotyka się w codziennym życiu z uczeniem maszynowym. Na przykład możesz komunikować się z chatbotem na stronie internetowej, otrzymywać oferty promocyjne odpowiadające Twoim hobby lub skonfigurować filtr antyspamowy w swojej usłudze poczty e-mail.

Dla marketerów uczenie maszynowe jest okazją do szybkiego podejmowania kluczowych decyzji w oparciu o big data. W tym artykule porozmawiamy o tym, jakie decyzje możesz podjąć na podstawie dużych zbiorów danych.

Zacznijmy od małej terminologii. Według Wikipedii uczenie maszynowe (ML) to klasa metod sztucznej inteligencji charakteryzujących się tym, że nie dostarczają bezpośrednich rozwiązań problemów, ale raczej szkolą systemy stosowania rozwiązań.

Istnieje wiele metod uczenia maszynowego, ale można je z grubsza podzielić na dwie grupy: uczenie się z nauczycielem i uczenie się bez nauczyciela.

W przypadku nauki z nauczycielem, osoba zaopatruje maszynę w dane wyjściowe w postaci par sytuacja-rozwiązanie . System uczenia maszynowego następnie analizuje te pary i uczy się klasyfikować sytuacje w oparciu o znane rozwiązania. Na przykład system może się nauczyć, kiedy oznaczać wiadomości przychodzące jako spam.

W przypadku uczenia się bez nauczyciela maszyna otrzymuje nieposortowane informacje — sytuacje — bez rozwiązań i uczy się klasyfikować te sytuacje na podstawie podobnych lub różnych znaków bez pomocy człowieka.

Marketerzy wykorzystują uczenie maszynowe do znajdowania wzorców w działaniach użytkowników na stronie internetowej. Pomaga im to przewidywać dalsze zachowania użytkowników i szybko optymalizować oferty reklamowe.

W psychologii wzorzec to określony zestaw reakcji behawioralnych lub wspólna sekwencja działań. Dlatego o wzorcach możemy mówić w odniesieniu do każdego obszaru, w którym ludzie korzystają z szablonów (czyli większości dziedzin życia).

Rozważ przykład wzorca używanego na stronach internetowych. Jeżeli użytkownik nie jest zainteresowany ofertą w wyskakującym okienku pokazanym poniżej, może zamknąć to okno poprzez:

1. klikając na znak X
2. klikając Nie, dziękuję
3. kliknięcie w dowolnym miejscu witryny poza wyskakującym okienkiem.

Oprócz tych trzech czynności, które użytkownik może wykonać, wyskakujące okienko zamknie się samo po pewnym czasie.

Otrzymujemy więc cztery możliwe działania użytkownika:

1. Kliknij X — Może być prawda/fałsz
2. Kliknij Nie, dziękuję — Może być prawda/fałsz
3. Kliknij obok wyskakującego okienka — Może być prawda/fałsz
4. Czas wyświetlania wyskakującego okienka to 5 sekund

Po zebraniu setek takich parametrów zebrane dane zyskują na wartości, ponieważ zawierają wzorce zachowań i zależności. Kryje w sobie ogromny potencjał danych behawioralnych, dzięki czemu możemy uzupełnić dane użytkownika o brakujące parametry na podstawie danych, które już posiadamy dla innych użytkowników.

Na przykład najprostszym sposobem zdefiniowania grupy docelowej jest płeć i wiek. Ale co, jeśli użytkownicy wypełnią te dane tylko w 10% przypadków? Jak możesz zrozumieć, ilu użytkowników Twojej witryny należy do grupy docelowej? Pomóc mogą wzorce zachowań.

Możesz użyć danych dotyczących płci i wieku od 10% użytkowników, aby określić wzorce specyficzne dla określonej płci i wieku. Następnie możesz użyć tych wzorców, aby przewidzieć płeć i wiek pozostałych 90% użytkowników.

Mając pełne dane dotyczące płci i wieku, możesz teraz składać spersonalizowane oferty dla wszystkich odwiedzających witrynę.

Rolą uczenia maszynowego w marketingu jest umożliwienie szybkiego podejmowania decyzji w oparciu o big data.

Algorytm pracy marketerów jest następujący: marketerzy tworzą hipotezy, testują je, oceniają i analizują. Ta praca jest długa i pracochłonna, a czasami wyniki są błędne, ponieważ informacje zmieniają się co sekundę.

Na przykład, aby ocenić 20 kampanii reklamowych uwzględniających 10 parametrów behawioralnych dla pięciu różnych segmentów, marketer będzie potrzebował około czterech godzin. Jeśli taka analiza jest przeprowadzana codziennie, to marketer poświęci dokładnie połowę swojego czasu na ocenę jakości kampanii. W przypadku korzystania z uczenia maszynowego ocena trwa kilka minut, a liczba segmentów i parametrów zachowania jest nieograniczona.

Dzięki uczeniu maszynowemu możesz szybciej reagować na zmiany w jakości ruchu powodowane przez kampanie reklamowe. Dzięki temu możesz poświęcić więcej czasu na tworzenie hipotez niż na wykonywanie rutynowych działań.

Wartość Twoich wyników zależy od trafności danych, na których przeprowadzono analizę. Gdy dane stają się przestarzałe, ich wartość maleje. Człowiek po prostu nie jest w stanie przetworzyć ogromu informacji gromadzonych co minutę przez systemy analityczne. Systemy uczenia maszynowego mogą przetwarzać setki żądań, organizować je i dostarczać wyniki w postaci gotowej odpowiedzi na pytanie.

Kluczowe korzyści uczenia maszynowego w marketingu:

• Poprawia jakość analizy danych
• Umożliwia analizę większej ilości danych w krótszym czasie
• Dostosowuje się do zmian i nowych danych
• Pozwala zautomatyzować procesy marketingowe i uniknąć rutynowej pracy
• Czy wszystko powyższe szybko?

Istotą systemu rekomendacji jest oferowanie klientom produktów, którymi są w danej chwili zainteresowani.

Co przewiduje system rekomendacji: Towary, które klient prawdopodobnie kupi.

Jak wykorzystywane są te dane: Do generowania powiadomień e-mail i push, a także blokad „Polecane produkty” i „Podobne produkty” na stronie internetowej.

Wynik: Użytkownicy widzą spersonalizowane oferty, zwiększając prawdopodobieństwo dokonania przez nich zakupu.

Powszechnie stosowane algorytmy do tego celu: grupowanie K-średnich.

Ogólnie rzecz biorąc, istotą wszystkich rodzajów kierowania jest wydawanie budżetu reklamowego tylko na docelowych użytkowników.

Najczęściej używane typy kierowania:

• Kierowanie na segmenty — Wyświetlaj reklamy grupom użytkowników o tym samym zestawie atrybutów
• Wyzwalanie kierowania — wyświetlaj reklamy użytkownikom po wykonaniu określonej czynności (na przykład obejrzeniu produktu lub dodaniu elementu do koszyka)

Istnieje również kierowanie predykcyjne , w ramach którego wyświetlasz reklamy użytkownikom na podstawie prawdopodobieństwa dokonania przez nich zakupu.

Główna różnica między tymi typami kierowania polega na tym, że kierowanie predykcyjne wykorzystuje wszystkie możliwe kombinacje dziesiątek lub setek parametrów użytkownika ze wszystkimi możliwymi wartościami. Wszystkie inne typy kierowania opierają się na ograniczonej liczbie parametrów z pewnymi zakresami wartości.

Co przewiduje kierowanie prognozy : prawdopodobieństwo, że użytkownik dokona zakupu w ciągu Jak wykorzystywane są te dane:

Przykład 1: Aby rozpocząć kampanie reklamowe. W tym celu utwórz segmenty na podstawie prawdopodobieństwa zakupu i prześlij te segmenty do Google Ads, Facebook Ads i innych systemów reklamowych.

Przykład 2: Analiza skuteczności kampanii reklamowych. W tym celu utwórz segmenty na podstawie prawdopodobieństwa zakupu i prześlij te segmenty do Google Analytics i wykorzystaj je do analizy skuteczności kampanii reklamowych (która kampania prowadzi do największej liczby konwersji).

Wynik: Reklama jest wyświetlana bardziej ukierunkowanym odbiorcom, zwiększając skuteczność kampanii.

Typowe algorytmy do tego celu: XGBoost, CATBoost, Drzewo decyzyjne (jeśli dostępnych jest mało danych lub widocznych jest kilka wzorców).

Najbardziej znane metody obliczania wartości życia, czyli LTV, opierają się na wiedzy o całkowitym zysku klienta i czasie, przez jaki klient wchodzi w interakcję z biznesem. Jednak wiele współczesnych zadań biznesowych wymaga obliczenia LTV jeszcze przed odejściem klienta. W takim przypadku jedynym rozwiązaniem jest prognozowanie LTV na podstawie dostępnych danych.

Co przewiduje prognozowanie LTV: LTV każdego użytkownika według segmentu.

Jak wykorzystywane są te dane:

1. Segmenty są ładowane do usług powiadomień push lub wiadomości e-mail i wykorzystywane do wysyłania wiadomości e-mail w celu zmniejszenia odpływów klientów (wskaźnik churn).
2. Segmenty są przesyłane do Google Analytics i wykorzystywane do analizy skuteczności kampanii reklamowych na podstawie przewidywanego LTV.

Wynik : Budżet reklamowy na użytkownika jest ustalany na podstawie LTV, co poprawia skuteczność kampanii.

Typowe algorytmy do tego celu: XGBoost, SVM, Random Forest, Logistic Regression.

W marketingu pojęcie odpływu lub odpływu odnosi się do klientów, którzy odeszli z firmy i związanej z tym utraty przychodów i jest zwykle wyrażane w wartościach procentowych lub pieniężnych.

Prognozowanie współczynnika rezygnacji pozwala odpowiedzieć na zamiar klienta, aby zrezygnować z produktu lub usługi, zanim faktycznie to zrobi.

Co przewiduje prognozowanie współczynnika rezygnacji: prawdopodobieństwo odejścia użytkowników według segmentu użytkowników

Jak wykorzystywane są te dane: Segmenty można przesyłać do usług e-mail lub powiadomień push, a także do Google Ads, Facebook Ads i innych systemów reklamowych. Możesz również przekazać te informacje do działu retencji, aby mógł osobiście dotrzeć do klientów z dużym prawdopodobieństwem odejścia.

Wynik: zatrzymanie klientów.

Typowe algorytmy do tego celu: SVM, Regresja logistyczna i inne algorytmy klasyfikacji.

Algorytm AI w OWOX BI analizuje Twoje wyniki marketingowe, porównuje je z danymi rynkowymi i pokazuje, gdzie znajdują się Twoje strefy wzrostu i zagrożenia. Przewiduje również realizację rocznego planu, dzięki czemu możesz szybko zmienić strategię marketingową.

Przepustowość kanału i trendy rynkowe to wiedza, której firma nie może zdobyć samodzielnie. Na szczęście model uczenia maszynowego w OWOX BI Insights uwzględnia dane z dziesiątek tysięcy projektów, aby tworzyć dokładne prognozy. Daje to firmom pewność co do rekomendacji redystrybucji budżetów reklamowych, ponieważ te rekomendacje są oparte na sesjach dla konkretnej witryny. Uwzględniają również trendy rynkowe, przepustowość kanału, szczegółowe koszty reklamy i wyświetlenia reklamy w mediach na wyższych etapach lejka.

Model atrybucji oparty na danych OWOX BI ocenia skuteczność Twoich kampanii reklamowych, biorąc pod uwagę wkład każdego kanału w promocję klienta poprzez lejek konwersji. Dzięki temu modelowi będziesz w stanie sprawiedliwie przydzielić budżet reklamowy, biorąc pod uwagę rzeczywisty udział kanałów w konwersjach i ich wzajemny wpływ.

Obliczenia modelu w OWOX BI opierają się na łańcuchach Markowa i uczeniu maszynowym. Łańcuch Markowa to model probabilistyczny, który poprzez obliczenie prawdopodobieństw przejść pomiędzy krokami lejka pozwala ocenić wzajemny wpływ kroków na konwersje i dowiedzieć się, które kroki są najbardziej znaczące.

Jeśli chcesz zobaczyć, jak działa atrybucja OWOX BI, zarejestruj się na demo. Nasi koledzy pokażą Ci prawdziwe przykłady stosowania atrybucji i pokażą, jak może to być przydatne dla Twojej firmy.

Dlaczego uczenie maszynowe jest potrzebne i jak pomaga rozwiązać problem atrybucji? To temat na osobny artykuł (który już przygotowujemy).

W tym artykule dowiemy się, na jakim poziomie atrybucji podejmuje się decyzje. Porównamy te poziomy na podstawie kilku kryteriów:

• Sam poziom
• Kluczowi decydenci
• Rodzaje podejmowanych decyzji
• Narzędzia użyte
• Najczęściej stosowane modele atrybucji

Poziomy podejmowania decyzji opartych na atrybucji:

1. Wizja. Wizję firmy tworzy jej zarząd, dyrektor generalny i dyrektor ds. marketingu. Decyzje na poziomie wizji wiążą się z inwestycjami w markę i równoważeniem budżetów między online i offline. Narzędziami wykorzystywanymi do podejmowania takich decyzji są badania rynku i konsultanci. Rzadko jest miejsce na klasyczne modele atrybucji oparte na danych, ponieważ dane, na których opierają się decyzje, nie są wystarczająco zdigitalizowane.

2. Strategiczny. Decyzje strategiczne podejmowane są co miesiąc przez dyrektorów marketingu i e-commerce. Decyzje te poświęcone są alokacji budżetu między kanałami oraz zdefiniowaniu KPI najwyższego poziomu. Narzędziami pomagającymi w podejmowaniu strategicznych decyzji są Visual IQ, OWOX BI czy modele casual. W tym przypadku firma wykorzystuje atrybucję opartą na danych, wariacje na temat łańcucha wartości Shapleya i łańcucha Markowa lub atrybucję opartą na lejku. Na tym poziomie ważne jest zrozumienie wzajemnego wpływu kanałów i podejmowanie strategicznych decyzji dotyczących ich rozwoju.

3. Taktyczny. Zazwyczaj decyzje taktyczne są podejmowane co tydzień lub nawet częściej przez menedżera pozyskiwania płatnego ruchu. Alokacja budżetu odbywa się między kampaniami i zestawami reklam, a decyzje mają na celu wyjaśnienie kluczowych wskaźników wydajności i celów kampanii. Do podejmowania decyzji taktycznych możesz wykorzystać Arkusze Google lub OWOX BI. Często na tym poziomie specjaliści pracują z Google Analytics. Do oceny wpływu reklam medialnych większość modeli atrybucji wykorzystuje powiązane konwersje, rozkład czasowy i post-view.

Osobliwością tego etapu jest to, że budżet na kanał został już przydzielony. W tym momencie ważne jest, aby zrozumieć, na jakie kampanie je wydać, kontrolować wyniki i szybko wyłączać nieefektywne kampanie.

4. Wykonanie. To wtedy decyzja o ocenie wkładu konkretnego ogłoszenia lub słowa kluczowego pojawia się w czasie zbliżonym do rzeczywistego. Takie decyzje są zazwyczaj podejmowane wewnątrz serwisów reklamowych (Google Ads, Facebook Ads). Tak naprawdę klient nie dba o to, jakie mechanizmy optymalizacyjne są tu stosowane, ponieważ patrzy na wyniki każdej usługi z osobna.

Jak widać, uczenie maszynowe jest najbardziej przydatne w zadaniach strategicznych i taktycznych. Czasami jest to również stosowane na poziomie wykonania, ale generalnym trendem jest to, że systemy reklamowe rozwijają się szybko i mają dużo danych. Wewnętrzne algorytmy wykorzystywane w tych systemach do zarządzania kampaniami reklamowymi dają lepsze wyniki niż model zewnętrzny oparty na uczeniu maszynowym.

Powodem jest to, że aby zastosować uczenie maszynowe, należy szybko wyeksportować duże ilości danych z serwisu reklamowego, a następnie szybko zaimportować wyniki z powrotem. Technicznie jest to trudne zadanie na skalę przemysłową. Dlatego na poziomie realizacji, marketerzy mają tendencję do polegania na wewnętrznych algorytmach do optymalizacji usług reklamowych.

Aby wykorzystać uczenie maszynowe do rozwiązywania problemów taktycznych i strategicznych, musisz zadbać o kompletność swoich danych. Możesz to zrobić z OWOX BI. OWOX łączy Twoje dane z Twojej strony internetowej, usług reklamowych i CRM, dzięki czemu możesz stworzyć lejek, który uwzględnia specyfikę i wysiłki Twojej firmy i ma na celu przyciągnięcie klientów i zwiększenie sprzedaży.