Aprendizado de máquina no marketing digital: exemplos de casos de uso

Algumas décadas atrás, a primeira coisa que veio à mente quando você ouviu as palavras “inteligência artificial” foi provavelmente a ascensão das máquinas e do Exterminador do Futuro com uma espingarda de cano serrado. Hoje, este termo tem associações bastante positivas. Quase todo mundo encontra aprendizado de máquina na vida comum. Por exemplo, você pode se comunicar com um chatbot em um site, receber ofertas promocionais que correspondam aos seus hobbies ou configurar um filtro de spam em seu serviço de e-mail.

Para os profissionais de marketing, o aprendizado de máquina é uma oportunidade de tomar decisões cruciais rapidamente com base em big data. Neste artigo, falaremos sobre quais decisões você pode tomar com base em big data.

Vamos começar com um pouco de terminologia. Segundo a Wikipedia, o aprendizado de máquina (ML) é uma classe de métodos de inteligência artificial caracterizados por não fornecer soluções diretas para problemas, mas sim sistemas de treinamento para aplicar soluções.

Existem muitos métodos de aprendizado de máquina, mas eles podem ser divididos em dois grupos: aprender com um professor e aprender sem professor.

No caso de aprender com um professor, uma pessoa fornece à máquina os dados iniciais na forma de pares situação-solução . O sistema de aprendizado de máquina analisa esses pares e aprende a classificar situações com base em soluções conhecidas. Por exemplo, um sistema pode aprender quando marcar as mensagens recebidas como spam.

No caso de aprendizagem sem professor, a máquina recebe informações não classificadas — situações — sem soluções e aprende a classificar essas situações com base em sinais semelhantes ou diferentes sem orientação humana.

Os profissionais de marketing usam o aprendizado de máquina para encontrar padrões nas atividades do usuário em um site. Isso os ajuda a prever o comportamento dos usuários e otimizar rapidamente as ofertas de publicidade.

Na psicologia, um padrão é um conjunto particular de reações comportamentais ou uma sequência comum de ações. Portanto, podemos falar sobre padrões em relação a qualquer área em que as pessoas usem modelos (que é a maioria das áreas da vida).

Considere o exemplo de um padrão usado em sites. Se o usuário não estiver interessado na oferta na janela pop-up mostrada abaixo, ele poderá fechar esta janela:

1. clicando no sinal X
2. clicando em Não, obrigado
3. clicando em qualquer lugar do site que esteja fora da janela pop-up.

Além dessas três ações que o usuário pode realizar, a janela pop-up fechará sozinha após um determinado período de tempo.

Assim, obtemos quatro ações possíveis do usuário:

1. Clique em X — Pode ser verdadeiro/falso
2. Clique em Não, obrigado — Pode ser verdadeiro/falso
3. Clique após o pop-up — Pode ser verdadeiro/falso
4. O tempo de visualização do pop-up é de 5 segundos

Quando centenas desses parâmetros são coletados, os dados coletados ganham valor porque contêm padrões de comportamento e dependências. Ele esconde o enorme potencial dos dados comportamentais, permitindo-nos complementar os dados do usuário com os parâmetros ausentes com base nos dados que já temos para outros usuários.

Por exemplo, a maneira mais simples de definir um público-alvo é por sexo e idade. Mas e se os usuários preencherem esses dados apenas em 10% dos casos? Como você pode entender quantos usuários do seu site se enquadram no seu público-alvo? Padrões de comportamento podem ajudar.

Você pode usar dados de sexo e idade de 10% dos usuários para determinar padrões específicos para um determinado sexo e idade. Em seguida, você pode usar esses padrões para prever o sexo e a idade dos 90% restantes dos usuários.

Com dados completos sobre sexo e idade, agora você pode fazer ofertas personalizadas para todos os visitantes do site.

O papel do aprendizado de máquina no marketing é permitir que você tome decisões rapidamente com base em big data.

O algoritmo para o trabalho dos profissionais de marketing é o seguinte: os profissionais de marketing criam hipóteses, testam-nas, avaliam-nas e analisam-nas. Esse trabalho é longo e trabalhoso e, às vezes, os resultados são incorretos porque as informações mudam a cada segundo.

Por exemplo, para avaliar 20 campanhas publicitárias considerando 10 parâmetros comportamentais para cinco segmentos diferentes, um profissional de marketing precisará de cerca de quatro horas. Se essa análise for realizada todos os dias, o profissional de marketing gastará exatamente metade do tempo avaliando a qualidade das campanhas. Quando o aprendizado de máquina é usado, a avaliação leva minutos e o número de segmentos e parâmetros de comportamento é ilimitado.

Com o aprendizado de máquina, você pode responder mais rapidamente às mudanças na qualidade do tráfego trazidas por campanhas publicitárias. Como resultado, você pode dedicar mais tempo à criação de hipóteses do que à execução de ações rotineiras.

O valor de seus resultados depende da relevância dos dados sobre os quais a análise foi realizada. À medida que os dados se tornam obsoletos, seu valor diminui. Uma pessoa simplesmente não consegue processar os volumes de informação que são coletados a cada minuto pelos sistemas analíticos. Os sistemas de aprendizado de máquina podem processar centenas de solicitações, organizá-las e fornecer resultados na forma de uma resposta pronta para uma pergunta.

Principais benefícios do aprendizado de máquina no marketing:

• Melhora a qualidade da análise de dados
• Permite que você analise mais dados em menos tempo
• Adapta-se a mudanças e novos dados
• Permite automatizar os processos de marketing e evitar o trabalho rotineiro
• Faz todos os itens acima rapidamente

A essência de um sistema de recomendação é oferecer aos clientes produtos nos quais eles estejam interessados ​​no momento.

O que um sistema de recomendação prevê: Bens que um cliente provavelmente comprará.

Como esses dados são usados: Para gerar notificações por e-mail e push, bem como blocos “Produtos recomendados” e “Produtos semelhantes” em um site.

Resultado: os usuários veem ofertas personalizadas, aumentando a probabilidade de fazer uma compra.

Algoritmos comuns para esta finalidade: agrupamento K-means.

Em geral, a essência de todos os tipos de segmentação é gastar o orçamento de publicidade apenas nos usuários-alvo.

Tipos de segmentação mais usados:

• Segmentação por segmento — Exiba anúncios para grupos de usuários com o mesmo conjunto de atributos
• Segmentação por gatilho — Exiba anúncios aos usuários depois que eles realizarem uma determinada ação (por exemplo, visualizar um produto ou adicionar um item ao carrinho de compras)

Há também a segmentação preditiva , na qual você exibe anúncios aos usuários com base na probabilidade de eles fazerem uma compra.

A principal diferença entre esses tipos de segmentação é que a segmentação preditiva usa todas as combinações possíveis de dezenas ou centenas de parâmetros do usuário com todos os valores possíveis. Todos os outros tipos de segmentação dependem de um número limitado de parâmetros com determinados intervalos de valores.

O que a segmentação de previsão prevê : a probabilidade de um usuário fazer uma compra em Como esses dados são usados:

Exemplo 1: Para lançar campanhas publicitárias. Para isso, crie segmentos com base na probabilidade de compra e carregue esses segmentos nos anúncios do Google, anúncios do Facebook e outros sistemas de publicidade.

Exemplo 2: Analisar a eficácia das campanhas publicitárias. Para isso, crie segmentos com base na probabilidade de compra e carregue esses segmentos no Google Analytics e use-os para analisar a eficácia das campanhas publicitárias (qual campanha gera mais conversões).

Resultado: a publicidade é mostrada para um público mais segmentado, aumentando a eficácia das campanhas.

Algoritmos comuns para esta finalidade: XGBoost, CATBoost, Decision Tree (se houver poucos dados disponíveis ou poucos padrões forem evidentes).

Os métodos mais conhecidos de cálculo do valor da vida útil, ou LTV, são baseados no conhecimento do lucro total de um cliente e no tempo em que o cliente interage com o negócio. No entanto, muitas tarefas de negócios modernas exigem que você calcule o LTV antes mesmo de um cliente sair. Nesse caso, a única solução é prever o LTV com base nos dados disponíveis.

O que a previsão de LTV prevê: O LTV de cada usuário por segmento.

Como esses dados são usados:

1. Os segmentos são carregados em serviços de notificação por push ou de e-mail e usados ​​para correspondência para reduzir as saídas de clientes (a taxa de rotatividade).
2. Os segmentos são carregados no Google Analytics e usados ​​para analisar a eficácia das campanhas publicitárias com base no LTV previsto.

Resultado : O orçamento de publicidade por usuário é determinado com base no LTV, o que melhora a eficácia das campanhas.

Algoritmos comuns para este fim: XGBoost, SVM, Random Forest, Logistic Regression.

Em marketing, o conceito de churn ou outflow refere-se aos clientes que deixaram a empresa e à perda de receita associada e geralmente é expresso em termos percentuais ou monetários.

A previsão da taxa de churn permite que você responda à intenção de um cliente de abandonar seu produto ou serviço antes que ele realmente o faça.

O que a previsão de taxa de cancelamento prevê: a probabilidade de saída de usuários por segmento de usuário

Como esses dados são usados: os segmentos podem ser enviados para serviços de notificação por e-mail ou push, bem como para anúncios do Google, anúncios do Facebook e outros sistemas de publicidade. Você também pode passar essas informações para o departamento de retenção para que eles possam entrar em contato pessoalmente com clientes com alta probabilidade de sair.

Resultado: Reter clientes.

Algoritmos comuns para esta finalidade: SVM, Regressão Logística e outros algoritmos de classificação.

O algoritmo de IA no OWOX BI analisa seus resultados de marketing, compara-os com dados de mercado e mostra onde estão suas zonas de crescimento e riscos. Ele também prevê a implementação do seu plano anual para que você possa alterar rapidamente sua estratégia de marketing.

A capacidade do canal e as tendências do mercado são conhecimentos que uma empresa não pode obter por conta própria. Para sua sorte, o modelo de aprendizado de máquina no OWOX BI Insights leva em consideração dados de dezenas de milhares de projetos para fazer previsões precisas. Isso dá às empresas confiança nas recomendações para redistribuir seus orçamentos de publicidade, pois essas recomendações são baseadas em sessões de um site específico. Eles também levam em consideração tendências de mercado, capacidade do canal, custos de publicidade granular e impressões de publicidade de mídia nos estágios superiores do funil.

O modelo de atribuição orientado a dados OWOX BI avalia a eficácia de suas campanhas publicitárias, considerando a contribuição de cada canal para a promoção do cliente por meio do funil de conversão. Com este modelo, você poderá alocar de forma justa seu orçamento de publicidade, levando em consideração a real contribuição dos canais para as conversões e sua influência mútua.

O cálculo do modelo no OWOX BI é baseado em cadeias de Markov e aprendizado de máquina. Uma cadeia de Markov é um modelo probabilístico que, por meio do cálculo das probabilidades de transições entre as etapas do funil, permite avaliar a influência mútua das etapas nas conversões e descobrir quais etapas são as mais significativas.

Se você quiser ver como funciona a atribuição OWOX BI, inscreva-se para uma demonstração. Nossos colegas mostrarão exemplos reais de como aplicar a atribuição e demonstrarão como ela pode ser útil para sua empresa.

Por que o aprendizado de máquina é necessário e como ele ajuda a resolver o problema de atribuição? Este é um tópico para um artigo separado (que já estamos preparando).

Neste artigo, vamos descobrir em que nível as decisões são tomadas usando a atribuição. Compararemos esses níveis com base em vários critérios:

• O próprio nível
• Principais tomadores de decisão
• Tipos de decisões tomadas
• Ferramentas usadas
• Modelos de atribuição mais usados

Níveis em que as decisões baseadas em atribuição são tomadas:

1. Visão. A visão de uma empresa é formada por seu conselho de administração, CEO e diretor de marketing. As decisões em nível de visão estão associadas a investimentos na marca e equilíbrio de orçamentos entre online e offline. As ferramentas utilizadas para tomar tais decisões são pesquisas de mercado e consultorias. Raramente há lugar para modelos clássicos de atribuição baseados em dados, pois os dados nos quais as decisões se baseiam não são digitalizados o suficiente.

2. Estratégico. As decisões estratégicas são tomadas mensalmente, via de regra, pelos diretores de marketing e comércio eletrônico. Essas decisões são dedicadas à alocação do orçamento entre os canais e à definição do KPI de nível superior. As ferramentas que auxiliam na tomada de decisões estratégicas são Visual IQ, OWOX BI ou modelos casuais. Aqui, a empresa usa atribuição orientada por dados, variações sobre o tema do valor Shapley e cadeias de Markov, ou atribuição baseada em funil. Nesse nível, é importante entender a influência mútua dos canais e tomar decisões estratégicas sobre seu desenvolvimento.

3. Tático. Normalmente, as decisões táticas são tomadas semanalmente ou com maior frequência pelo gestor de aquisição de tráfego pago. A alocação de orçamento ocorre entre campanhas e conjuntos de anúncios, e as decisões visam esclarecer o KPI e as metas da campanha. Para tomar decisões táticas, você pode usar o Planilhas Google ou o OWOX BI. Muitas vezes, neste nível, os especialistas trabalham com o Google Analytics. Para avaliar o impacto da publicidade de mídia, a maioria dos modelos de atribuição usa conversões associadas, redução de tempo e pós-visualização.

A peculiaridade desta etapa é que o orçamento de um canal já foi alocado. Portanto, neste ponto, é importante entender em quais campanhas gastar, controlar os resultados e desativar rapidamente as campanhas ineficientes.

4. Execução. É quando a decisão de avaliar a contribuição de um determinado anúncio ou palavra-chave ocorre quase em tempo real. Essas decisões são normalmente tomadas dentro de serviços de publicidade (Google Ads, Facebook Ads). Na verdade, o cliente não se importa com os mecanismos de otimização usados ​​aqui, pois analisa os resultados de cada serviço separadamente.

Como você pode ver, o aprendizado de máquina é mais útil para tarefas estratégicas e táticas. Às vezes, também é aplicado no nível de execução, mas a tendência geral é que os sistemas de publicidade se desenvolvam rapidamente e tenham muitos dados. Os algoritmos internos usados ​​nesses sistemas para gerenciar campanhas publicitárias produzem melhores resultados do que um modelo externo baseado em aprendizado de máquina.

O motivo é que, para aplicar o aprendizado de máquina, é necessário exportar rapidamente grandes quantidades de dados do serviço de publicidade e importar os resultados rapidamente. Tecnicamente, esta é uma tarefa difícil de resolver em escala industrial. Portanto, no nível de execução, os profissionais de marketing tendem a confiar em algoritmos internos para otimizar os serviços de publicidade.

Para usar o aprendizado de máquina para resolver problemas táticos e estratégicos, você precisa garantir a integridade de seus dados. Você pode fazer isso com o OWOX BI. OWOX combina seus dados de seu site, serviços de publicidade e CRM para que você possa criar um funil que leve em conta as peculiaridades e esforços do seu negócio e que visa atrair clientes e aumentar as vendas.