Învățarea automată în marketingul digital: exemple de cazuri de utilizare

Cu câteva decenii în urmă, primul lucru care mi-a venit în minte când ați auzit cuvintele „inteligență artificială” a fost probabil ascensiunea mașinilor și a Terminator-ului cu o pușcă tăiată. Astăzi, acest termen are asocieri destul de pozitive. Aproape toată lumea se confruntă cu învățarea automată în viața obișnuită. De exemplu, este posibil să comunicați cu un chatbot pe un site web, să vi se afișeze oferte promoționale care corespund hobby-urilor dvs. sau să configurați un filtru de spam în serviciul dvs. de e-mail.

Pentru marketerii, învățarea automată este o oportunitate de a lua rapid decizii cruciale pe baza datelor mari. În acest articol, vom vorbi despre ce decizii puteți lua pe baza datelor mari.

Să începem cu puțină terminologie. Potrivit Wikipedia, învățarea automată (ML) este o clasă de metode de inteligență artificială caracterizată prin faptul că nu oferă soluții directe la probleme, ci mai degrabă sisteme de instruire pentru a aplica soluții.

Există multe metode de învățare automată, dar acestea pot fi împărțite aproximativ în două grupuri: învățarea cu un profesor și învățarea fără profesor.

În cazul învățării cu un profesor, o persoană furnizează mașinii date inițiale sub formă de perechi situație-soluție . Sistemul de învățare automată analizează apoi aceste perechi și învață să clasifice situațiile pe baza soluțiilor cunoscute. De exemplu, un sistem poate afla când să marcheze mesajele primite ca spam.

În cazul învățării fără profesor, mașina primește informații nesortate — situații — fără soluții și învață să clasifice acele situații pe baza unor semne similare sau diferite fără îndrumarea umană.

Specialiștii în marketing folosesc învățarea automată pentru a găsi modele în activitățile utilizatorilor pe un site web. Acest lucru îi ajută să prezică comportamentul suplimentar al utilizatorilor și să optimizeze rapid ofertele publicitare.

În psihologie, un model este un anumit set de reacții comportamentale sau o secvență comună de acțiuni. Prin urmare, putem vorbi despre tipare în ceea ce privește orice domeniu în care oamenii folosesc șabloane (care este majoritatea domeniilor vieții).

Luați în considerare exemplul unui model utilizat pe site-uri web. Dacă utilizatorul nu este interesat de oferta din fereastra pop-up prezentată mai jos, poate închide această fereastră prin:

1. făcând clic pe semnul X
2. făcând clic pe Nu, mulțumesc
3. făcând clic oriunde pe site care se află în afara ferestrei pop-up.

Pe lângă aceste trei acțiuni pe care utilizatorul le poate face, fereastra pop-up se va închide singură după o anumită perioadă de timp.

Astfel, obținem patru acțiuni posibile ale utilizatorului:

1. Faceți clic pe X — Poate fi adevărat/fals
2. Faceți clic pe Nu, mulțumesc — Poate fi adevărat/fals
3. Faceți clic pe lângă fereastra pop-up — Poate fi adevărat/fals
4. Timpul de vizionare pop-up este de 5 secunde

Când sunt colectați sute de astfel de parametri, datele colectate câștigă valoare deoarece conțin modele de comportament și dependențe. Ascunde potențialul enorm al datelor comportamentale, permițându-ne să suplimentăm datele utilizatorilor cu parametrii lipsă pe baza datelor pe care le avem deja pentru alți utilizatori.

De exemplu, cel mai simplu mod de a defini un public țintă este după sex și vârstă. Dar ce se întâmplă dacă utilizatorii completează aceste date doar în 10% din cazuri? Cum puteți înțelege câți dintre utilizatorii site-ului dvs. se încadrează în publicul țintă? Modelele de comportament pot ajuta.

Puteți utiliza datele despre sex și vârstă de la 10% dintre utilizatori pentru a determina modele specifice unui anumit sex și vârstă. Apoi puteți utiliza aceste modele pentru a prezice sexul și vârsta celorlalți 90% dintre utilizatori.

Având date complete despre sex și vârstă, acum puteți face oferte personalizate tuturor vizitatorilor site-ului.

Rolul învățării automate în marketing este de a vă permite să luați rapid decizii bazate pe date mari.

Algoritmul pentru activitatea marketerilor este următorul: marketerii creează ipoteze, le testează, le evaluează și le analizează. Această muncă este lungă și necesită multă muncă, iar uneori rezultatele sunt incorecte, deoarece informațiile se schimbă în fiecare secundă.

De exemplu, pentru a evalua 20 de campanii de publicitate luând în considerare 10 parametri comportamentali pentru cinci segmente diferite, un agent de marketing va avea nevoie de aproximativ patru ore. Dacă o astfel de analiză este efectuată în fiecare zi, atunci marketerul își va petrece exact jumătate din timp evaluând calitatea campaniilor. Când se utilizează învățarea automată, evaluarea durează câteva minute, iar numărul de segmente și parametri de comportament este nelimitat.

Cu învățarea automată, puteți răspunde mai rapid la schimbările în calitatea traficului aduse de campaniile publicitare. Ca rezultat, puteți dedica mai mult timp creării de ipoteze, mai degrabă decât realizării acțiunilor de rutină.

Valoarea rezultatelor dvs. depinde de relevanța datelor pe baza cărora a fost efectuată analiza. Pe măsură ce datele devin învechite, valoarea lor scade. O persoană pur și simplu nu poate procesa volumele de informații care sunt colectate în fiecare minut de sistemele analitice. Sistemele de învățare automată pot procesa sute de solicitări, le pot organiza și pot oferi rezultate sub forma unui răspuns gata la o întrebare.

Beneficiile cheie ale învățării automate în marketing:

• Îmbunătățește calitatea analizei datelor
• Vă permite să analizați mai multe date în mai puțin timp
• Se adaptează la schimbări și date noi
• Vă permite să automatizați procesele de marketing și să evitați munca de rutină
• Face toate cele de mai sus rapid

Esența unui sistem de recomandare este de a oferi clienților produse de care sunt interesați în acest moment.

Ce prezice un sistem de recomandare: Bunuri pe care un client este probabil să le cumpere.

Cum sunt utilizate aceste date: Pentru a genera notificări prin e-mail și push, precum și blocuri „Produse recomandate” și „Produse similare” pe un site web.

Rezultat: Utilizatorii văd oferte personalizate, crescând probabilitatea de a face o achiziție.

Algoritmi comuni în acest scop: K-means clustering.

În general, esența tuturor tipurilor de direcționare este cheltuirea bugetului de publicitate doar pentru utilizatorii țintă.

Cele mai utilizate tipuri de direcționare:

• Direcționare pe segmente — Afișați anunțuri pentru grupuri de utilizatori cu același set de atribute
• Declanșați direcționarea — Afișați reclame utilizatorilor după ce aceștia efectuează o anumită acțiune (de exemplu, vizualizarea unui produs sau adăugarea unui articol în coșul de cumpărături)

Există, de asemenea, direcționarea predictivă , în care afișați anunțuri utilizatorilor în funcție de probabilitatea ca aceștia să facă o achiziție.

Principala diferență dintre aceste tipuri de direcționare este că direcționarea predictivă utilizează toate combinațiile posibile de zeci sau sute de parametri de utilizator cu toate valorile posibile. Toate celelalte tipuri de direcționare se bazează pe un număr limitat de parametri cu anumite intervale de valori.

Ce prezice direcționarea prognozată : probabilitatea ca un utilizator să facă o achiziție în Cum sunt utilizate aceste date:

Exemplul 1: Pentru a lansa campanii de publicitate. În acest scop, creați segmente pe baza probabilității unei achiziții și încărcați acele segmente în Google Ads, Facebook Ads și alte sisteme de publicitate.

Exemplul 2: Pentru a analiza eficacitatea campaniilor de publicitate. În acest scop, creați segmente pe baza probabilității unei achiziții și încărcați acele segmente în Google Analytics și utilizați-le pentru a analiza eficacitatea campaniilor de publicitate (care campanie duce la cele mai multe conversii).

Rezultat: Publicitatea este prezentată unui public mai țintit, sporind eficiența campaniilor.

Algoritmi comuni în acest scop: XGBoost, CATBoost, Decision Tree (dacă sunt disponibile puține date sau sunt evidente puține modele).

Cele mai cunoscute metode de calculare a valorii de viață, sau LTV, se bazează pe cunoașterea profitului total de la un client și a timpului pentru care clientul a interacționat cu afacerea. Cu toate acestea, multe sarcini de afaceri moderne necesită să calculați LTV chiar înainte ca un client să plece. În acest caz, singura soluție este de a prezice LTV pe baza datelor disponibile.

Ce prezice prognoza LTV: LTV-ul fiecărui utilizator pe segment.

Cum sunt utilizate aceste date:

1. Segmentele sunt încărcate în servicii de notificare push sau de e-mail și utilizate pentru corespondență pentru a reduce fluxurile de clienți (rata de abandon).
2. Segmentele sunt încărcate în Google Analytics și utilizate pentru a analiza eficacitatea campaniilor de publicitate pe baza LTV-ului estimat.

Rezultat : Bugetul de publicitate per utilizator este determinat pe baza LTV, ceea ce îmbunătățește eficiența campaniilor.

Algoritmi comuni în acest scop: XGBoost, SVM, Random Forest, Regresie logistică.

În marketing, conceptul de abandon sau ieșire se referă la clienții care au părăsit compania și la pierderea de venituri asociată și este de obicei exprimat în termeni procentuali sau monetari.

Prognoza ratei de abandon vă permite să răspundeți la intenția unui client de a vă abandona produsul sau serviciul înainte ca acesta să o facă.

Ce prezice prognoza ratei de abandon: probabilitatea ca utilizatorii să părăsească în funcție de segmentul de utilizatori

Cum sunt utilizate aceste date: Segmentele pot fi încărcate în serviciile de e-mail sau notificare push, precum și în Google Ads, Facebook Ads și alte sisteme de publicitate. De asemenea, puteți transmite aceste informații departamentului de reținere, astfel încât acesta să poată contacta personal clienții cu o mare probabilitate de a pleca.

Rezultat: Păstrarea clienților.

Algoritmi comuni în acest scop: SVM, regresie logistică și alți algoritmi de clasificare.

Algoritmul AI din OWOX BI analizează rezultatele dvs. de marketing, le compară cu datele pieței și arată unde sunt zonele dvs. de creștere și riscurile. De asemenea, prognozează implementarea planului dvs. anual, astfel încât să vă puteți schimba rapid strategia de marketing.

Capacitatea canalului și tendințele pieței sunt cunoștințe pe care o afacere nu le poate obține singură. Din fericire pentru tine, modelul de învățare automată din OWOX BI Insights ia în considerare datele de la zeci de mii de proiecte pentru a face predicții precise. Acest lucru oferă companiilor încredere în recomandările pentru a-și redistribui bugetele de publicitate, deoarece aceste recomandări se bazează pe sesiuni pentru un anumit site. De asemenea, iau în considerare tendințele pieței, capacitatea canalului, costurile de publicitate granulare și impresiile publicitare media în etapele superioare ale canalului.

Modelul de atribuire bazat pe date OWOX BI evaluează eficacitatea campaniilor dvs. de publicitate, luând în considerare contribuția fiecărui canal la promovarea clientului prin canalul de conversie. Cu acest model, veți putea să vă alocați în mod corect bugetul de publicitate, ținând cont de contribuția reală a canalelor la conversii și de influența lor reciprocă.

Calculul modelului în OWOX BI se bazează pe lanțuri Markov și învățarea automată. Un lanț Markov este un model probabilistic care, prin calcularea probabilităților de tranziție între pașii pâlniei, vă permite să evaluați influența reciprocă a pașilor asupra conversiilor și să aflați care pași sunt cei mai semnificativi.

Dacă doriți să vedeți cum funcționează atribuirea OWOX BI, înscrieți-vă pentru o demonstrație. Colegii noștri vă vor arăta exemple reale despre cum să aplicați atribuirea și vă vor demonstra cum poate fi utilă pentru afacerea dvs.

De ce este necesară învățarea automată și cum vă ajută aceasta să rezolvați problema atribuirii? Acesta este un subiect pentru un articol separat (pe care îl pregătim deja).

În acest articol, să ne dăm seama la ce nivel sunt luate deciziile folosind atribuirea. Vom compara aceste niveluri pe baza mai multor criterii:

• Nivelul în sine
• Factori de decizie cheie
• Tipuri de decizii luate
• Instrumente folosite
• Modelele de atribuire utilizate cel mai des

Niveluri la care sunt luate deciziile bazate pe atribuire:

1. Vedere. Viziunea unei companii este formată de consiliul său de administrație, CEO și directorul de marketing. Deciziile la nivel de viziune sunt asociate cu investițiile în marcă și cu echilibrarea bugetelor între online și offline. Instrumentele folosite pentru a lua astfel de decizii sunt cercetările de piață și consultanții. Rareori există un loc pentru modelele clasice de atribuire bazate pe date, deoarece datele pe care se bazează deciziile nu sunt suficient de digitalizate.

2. Strategic. Deciziile strategice sunt luate lunar, de regulă, de către directorii de marketing și comerț electronic. Aceste decizii sunt dedicate alocării bugetului între canale și definirii KPI-ului de nivel superior. Instrumentele care ajută la luarea deciziilor strategice sunt Visual IQ, OWOX BI sau modelele casual. Aici, afacerea folosește atribuirea bazată pe date, variații pe tema lanțurilor valorice Shapley și Markov sau atribuirea bazată pe pâlnie. La acest nivel, este important să înțelegem influența reciprocă a canalelor și să luăm decizii strategice privind dezvoltarea lor.

3. Tactic. De obicei, deciziile tactice sunt luate săptămânal sau chiar mai frecvent de către managerul de achiziție de trafic plătit. Alocarea bugetului are loc între campanii și seturi de anunțuri, iar deciziile au ca scop clarificarea KPI și obiectivele campaniei. Pentru a lua decizii tactice, puteți folosi Google Sheets sau OWOX BI. Adesea, la acest nivel, specialiștii lucrează cu Google Analytics. Pentru a evalua impactul publicității media, majoritatea modelelor de atribuire folosesc conversii asociate, decădere în timp și post-vizionare.

Particularitatea acestei etape este că bugetul pentru un canal a fost deja alocat. Deci, în acest moment, este important să înțelegeți în ce campanii să cheltuiți, să controlați rezultatele și să dezactivați rapid campaniile ineficiente.

4. Executarea. Acesta este momentul în care decizia de a evalua contribuția unui anumit anunț sau cuvânt cheie are loc aproape în timp real. Astfel de decizii sunt luate de obicei în cadrul serviciilor de publicitate (Google Ads, Facebook Ads). De fapt, clientului nu-i pasă ce mecanisme de optimizare sunt folosite aici, deoarece analizează rezultatele fiecărui serviciu separat.

După cum puteți vedea, învățarea automată este cea mai utilă pentru sarcini strategice și tactice. Uneori se aplică și la nivel de execuție, dar tendința generală este că sistemele de publicitate se dezvoltă rapid și au o mulțime de date. Algoritmii interni utilizați în aceste sisteme pentru gestionarea campaniilor publicitare produc rezultate mai bune decât un model extern bazat pe învățarea automată.

Motivul este că, pentru a aplica învățarea automată, este necesar să exportați rapid cantități mari de date din serviciul de publicitate și apoi să importați rapid rezultatele înapoi. Din punct de vedere tehnic, aceasta este o sarcină dificil de rezolvat la scară industrială. Prin urmare, la nivel de execuție, marketerii tind să se bazeze pe algoritmi interni pentru optimizarea serviciilor de publicitate.

Pentru a utiliza învățarea automată pentru a rezolva probleme tactice și strategice, trebuie să vă asigurați că datele dvs. sunt complete. Puteți face acest lucru cu OWOX BI. OWOX combină datele dvs. de pe site-ul dvs., serviciile de publicitate și CRM, astfel încât să puteți crea o pâlnie care ține cont de particularitățile și eforturile afacerii dvs. și are ca scop atragerea clienților și creșterea vânzărilor.