Машинное обучение в цифровом маркетинге: примеры использования

Пару десятков лет назад первое, что приходило на ум при слове «искусственный интеллект», — это, скорее всего, восстание машин и Терминатора с обрезом. Сегодня этот термин вызывает скорее положительные ассоциации. Практически каждый сталкивается с машинным обучением в обычной жизни. Например, вы можете общаться с чат-ботом на веб-сайте, получать рекламные предложения, соответствующие вашим увлечениям, или настроить спам-фильтр в почтовом сервисе.

Для маркетологов машинное обучение — это возможность быстро принимать важные решения на основе больших данных. В этой статье мы поговорим о том, какие решения вы можете принимать на основе больших данных.

Начнем с небольшой терминологии. Согласно Википедии, машинное обучение (МО) — это класс методов искусственного интеллекта, характеризующийся тем, что они не предоставляют прямых решений проблем, а скорее обучают системы применению решений.

Существует много методов машинного обучения, но их можно условно разделить на две группы: обучение с учителем и обучение без учителя.

В случае обучения с учителем человек подает в машину исходные данные в виде пар ситуация-решение . Затем система машинного обучения анализирует эти пары и учится классифицировать ситуации на основе известных решений. Например, система может узнать, когда помечать входящие сообщения как спам.

В случае обучения без учителя машина получает несортированную информацию — ситуации — без решений и учится классифицировать эти ситуации по сходным или разным признакам без участия человека.

Маркетологи используют машинное обучение, чтобы находить закономерности в действиях пользователей на веб-сайте. Это помогает им прогнозировать дальнейшее поведение пользователей и оперативно оптимизировать рекламные предложения.

В психологии паттерн — это определенный набор поведенческих реакций или общая последовательность действий. Следовательно, мы можем говорить о шаблонах в отношении любой области, где люди используют шаблоны (а это большинство сфер жизни).

Рассмотрим пример шаблона, используемого на веб-сайтах. Если пользователю не интересно предложение во всплывающем окне, показанном ниже, он может закрыть это окно, выполнив следующие действия:

1. нажав на значок X
2. нажав Нет, спасибо
3. щелкнув в любом месте сайта за пределами всплывающего окна.

В дополнение к этим трем действиям, которые может выполнить пользователь, всплывающее окно закроется само по себе через определенный период времени.

Таким образом, мы получаем четыре возможных действия пользователя:

1. Нажмите X — может быть верно/ложно
2. Нажмите «Нет, спасибо» — может быть верно/ложно
3. Нажмите за всплывающим окном — может быть верно/ложно
4. Время просмотра всплывающего окна составляет 5 секунд.

Когда собираются сотни таких параметров, собранные данные приобретают ценность, поскольку они содержат шаблоны поведения и зависимости. Он скрывает огромный потенциал поведенческих данных, позволяя нам дополнять пользовательские данные недостающими параметрами на основе уже имеющихся у нас данных о других пользователях.

Например, самый простой способ определить целевую аудиторию — по полу и возрасту. Но что, если пользователи заполняют эти данные только в 10% случаев? Как понять, сколько посетителей вашего сайта попадает в вашу целевую аудиторию? Модели поведения могут помочь.

Вы можете использовать данные о поле и возрасте 10% пользователей, чтобы определить закономерности, характерные для определенного пола и возраста. Затем вы можете использовать эти шаблоны, чтобы предсказать пол и возраст оставшихся 90% пользователей.

Имея полные данные о поле и возрасте, теперь вы можете делать персональные предложения всем посетителям сайта.

Роль машинного обучения в маркетинге заключается в том, чтобы позволить вам быстро принимать решения на основе больших данных.

Алгоритм работы маркетологов следующий: маркетологи выдвигают гипотезы, проверяют их, оценивают и анализируют. Работа эта долгая и трудоемкая, а иногда результаты неверны, потому что информация меняется каждую секунду.

Например, чтобы оценить 20 рекламных кампаний по 10 поведенческим параметрам для пяти разных сегментов, маркетологу потребуется около четырех часов. Если такой анализ проводить каждый день, то ровно половину своего времени маркетолог потратит на оценку качества кампаний. При использовании машинного обучения оценка занимает минуты, а количество сегментов и параметров поведения не ограничено.

Благодаря машинному обучению вы можете быстрее реагировать на изменения качества трафика, вызванного рекламными кампаниями. В результате вы можете уделить больше времени созданию гипотез, а не выполнению рутинных действий.

Ценность ваших результатов зависит от актуальности данных, по которым проводился анализ. По мере устаревания данных их ценность уменьшается. Человек просто не в состоянии обрабатывать те объемы информации, которые ежеминутно собирают аналитические системы. Системы машинного обучения могут обрабатывать сотни запросов, систематизировать их и выдавать результат в виде готового ответа на вопрос.

Ключевые преимущества машинного обучения в маркетинге:

• Улучшает качество анализа данных
• Позволяет анализировать больше данных за меньшее время
• Адаптируется к изменениям и новым данным
• Позволяет автоматизировать маркетинговые процессы и избежать рутинной работы
• Делает все вышеперечисленное быстро

Суть рекомендательной системы заключается в том, чтобы предлагать клиентам товары, которые их интересуют в данный момент.

Что предсказывает рекомендательная система: Товары, которые клиент, скорее всего, купит.

Как эти данные используются: Для генерации email и push-уведомлений, а также блоков «Рекомендуемые товары» и «Похожие товары» на сайте.

Результат: Пользователи видят персонализированные предложения, что повышает вероятность совершения ими покупки.

Общие алгоритмы для этой цели: Кластеризация K-средних.

В целом суть всех видов таргетинга заключается в расходовании рекламного бюджета только на целевых пользователей.

Наиболее используемые типы таргетинга:

• Сегментный таргетинг — показ объявлений группам пользователей с одинаковым набором атрибутов.
• Триггерный таргетинг — показ рекламы пользователям после того, как они совершат определенное действие (например, просмотрят товар или добавят товар в корзину).

Существует также предикативный таргетинг , при котором вы показываете пользователям рекламу в зависимости от вероятности совершения ими покупки.

Основное отличие этих видов таргетинга в том, что предикативный таргетинг использует все возможные комбинации десятков или сотен пользовательских параметров со всеми возможными значениями. Все остальные виды таргетинга опираются на ограниченное количество параметров с определенными диапазонами значений.

Что прогнозирует таргетинг : вероятность того, что пользователь совершит покупку через Как используются эти данные:

Пример 1: Запустить рекламные кампании. Для этого создайте сегменты на основе вероятности покупки и загрузите эти сегменты в Google Ads, Facebook Ads и другие рекламные системы.

Пример 2: Для анализа эффективности рекламных кампаний. Для этого создайте сегменты на основе вероятности покупки и загрузите эти сегменты в Google Analytics и используйте их для анализа эффективности рекламных кампаний (какая кампания приводит к большему количеству конверсий).

Результат: Реклама показывается более целевой аудитории, повышая эффективность кампаний.

Распространенные алгоритмы для этой цели: XGBoost, CATBoost, Decision Tree (если мало данных или мало паттернов).

Самые известные методы расчета пожизненной ценности, или LTV, основаны на знании общей прибыли от клиента и времени, в течение которого клиент взаимодействует с бизнесом. Однако многие современные бизнес-задачи требуют расчета LTV еще до того, как клиент уйдет. В этом случае единственное решение — прогнозировать LTV на основе имеющихся данных.

Что предсказывает прогнозирование LTV: LTV каждого пользователя по сегментам.

Как используются эти данные:

1. Сегменты загружаются в сервисы push-уведомлений или электронной почты и используются для рассылки, чтобы уменьшить отток клиентов (отток).
2. Сегменты загружаются в Google Analytics и используются для анализа эффективности рекламных кампаний на основе прогнозируемого LTV.

Результат : Рекламный бюджет на пользователя определяется на основе LTV, что повышает эффективность кампаний.

Распространенные алгоритмы для этой цели: XGBoost, SVM, Random Forest, Logistic Regression.

В маркетинге понятие оттока или оттока относится к клиентам, покинувшим компанию, и связанной с этим потерей доходов и обычно выражается в процентах или в денежном выражении.

Прогнозирование скорости оттока позволяет вам реагировать на намерение клиента отказаться от вашего продукта или услуги до того, как он это сделает.

Что предсказывает прогнозирование оттока: вероятность ухода пользователей по сегментам пользователей.

Как используются эти данные: сегменты можно загружать в службы электронной почты или push-уведомлений, а также в Google Ads, Facebook Ads и другие рекламные системы. Вы также можете передать эту информацию в отдел удержания, чтобы они могли лично связаться с клиентами с высокой вероятностью ухода.

Результат: удержание клиентов.

Общие алгоритмы для этой цели: SVM, логистическая регрессия и другие алгоритмы классификации.

Алгоритм ИИ в OWOX BI анализирует ваши маркетинговые результаты, сравнивает их с рыночными данными и показывает, где находятся ваши зоны роста и риски. Он также прогнозирует выполнение вашего годового плана, чтобы вы могли быстро изменить свою маркетинговую стратегию.

Емкость канала и рыночные тенденции — это знания, которые бизнес не может получить самостоятельно. К счастью для вас, модель машинного обучения в OWOX BI Insights учитывает данные десятков тысяч проектов, чтобы делать точные прогнозы. Это дает компаниям уверенность в рекомендациях по перераспределению рекламных бюджетов, поскольку эти рекомендации основаны на сеансах для определенного сайта. Они также учитывают рыночные тенденции, пропускную способность канала, детализированные затраты на рекламу и показы медийной рекламы на верхних этапах воронки.

Модель атрибуции на основе данных OWOX BI оценивает эффективность ваших рекламных кампаний, учитывая вклад каждого канала в продвижение клиента через воронку конверсии. С помощью этой модели вы сможете справедливо распределять рекламный бюджет, учитывая реальный вклад каналов в конверсию и их взаимное влияние.

Расчет модели в OWOX BI основан на цепях Маркова и машинном обучении. Цепь Маркова — это вероятностная модель, которая за счет расчета вероятностей переходов между шагами воронки позволяет оценить взаимное влияние шагов на конверсию и выяснить, какие шаги являются наиболее значимыми.

Если вы хотите увидеть, как работает атрибуция OWOX BI, запишитесь на демонстрацию. Наши коллеги покажут вам реальные примеры применения атрибуции и продемонстрируют, чем она может быть полезна для вашего бизнеса.

Зачем нужно машинное обучение и как оно помогает решить проблему атрибуции? Это тема для отдельной статьи (которую мы уже готовим).

В этой статье разберемся, на каком уровне принимаются решения с помощью атрибуции. Сравним эти уровни по нескольким критериям:

• Сам уровень
• Ключевые лица, принимающие решения
• Типы принимаемых решений
• Используемые инструменты
• Наиболее часто используемые модели атрибуции

Уровни, на которых принимаются решения на основе атрибуции:

1. Видение. Видение компании формируется ее советом директоров, генеральным директором и директором по маркетингу. Решения на уровне видения связаны с инвестициями в бренд и балансированием бюджетов между онлайн и офлайн. Инструментами, используемыми для принятия таких решений, являются маркетинговые исследования и консультанты. Классические модели атрибуции на основе данных редко находят место, поскольку данные, на которых основаны решения, недостаточно оцифрованы.

2. Стратегический. Стратегические решения принимаются ежемесячно, как правило, директорами по маркетингу и электронной коммерции. Эти решения посвящены распределению бюджета между каналами и определению KPI верхнего уровня. Инструменты, помогающие в принятии стратегических решений, — это Visual IQ, OWOX BI или казуальные модели. Здесь бизнес использует атрибуцию на основе данных, вариации на тему ценности Шепли и цепей Маркова или атрибуцию на основе воронки. На этом уровне важно понимать взаимовлияние каналов и принимать стратегические решения по их развитию.

3. Тактический. Обычно тактические решения еженедельно, а то и чаще принимает менеджер по привлечению платного трафика. Распределение бюджета происходит между кампаниями и наборами объявлений, а решения направлены на уточнение KPI и целей кампании. Для принятия тактических решений можно использовать Google Sheets или OWOX BI. Часто на этом уровне специалисты работают с Google Analytics. Для оценки воздействия медийной рекламы большинство моделей атрибуции используют связанные конверсии, временной спад и пост-просмотр.

Особенность этого этапа в том, что бюджет на канал уже выделен. Поэтому на данном этапе важно понимать, на какие кампании их тратить, контролировать результаты и быстро отключать неэффективные кампании.

4. Исполнение. Это когда решение оценить вклад конкретного объявления или ключевого слова происходит практически в режиме реального времени. Такие решения обычно принимаются внутри рекламных сервисов (Google Ads, Facebook Ads). По сути, заказчику все равно, какие здесь используются механизмы оптимизации, так как он смотрит на результаты каждой услуги отдельно.

Как видите, машинное обучение наиболее полезно для решения стратегических и тактических задач. Иногда это также применяется на уровне исполнения, но общая тенденция такова, что рекламные системы развиваются быстро и имеют много данных. Внутренние алгоритмы, используемые в этих системах для управления рекламными кампаниями, дают лучшие результаты, чем внешняя модель, основанная на машинном обучении.

Причина в том, что для применения машинного обучения необходимо быстро экспортировать большие объемы данных из рекламного сервиса, а затем быстро импортировать результаты обратно. Технически это сложная задача для решения в промышленных масштабах. Поэтому на уровне исполнения маркетологи склонны полагаться на внутренние алгоритмы оптимизации рекламных сервисов.

Чтобы использовать машинное обучение для решения тактических и стратегических задач, вам необходимо обеспечить полноту ваших данных. Вы можете сделать это с помощью OWOX BI. OWOX объединяет ваши данные с вашего сайта, рекламных сервисов и CRM, чтобы вы могли создать воронку, учитывающую особенности и усилия вашего бизнеса и направленную на привлечение клиентов и рост продаж.