แมชชีนเลิร์นนิงในการตลาดดิจิทัล: ตัวอย่างกรณีการใช้งาน

เมื่อสองสามทศวรรษก่อน สิ่งแรกที่คุณนึกถึงเมื่อคุณได้ยินคำว่า "ปัญญาประดิษฐ์" น่าจะเป็นเครื่องจักรที่เพิ่มขึ้นและเทอร์มิเนเตอร์ที่มีปืนลูกซองเลื่อย วันนี้ เทอมนี้มีความสัมพันธ์เชิงบวกค่อนข้างมาก เกือบทุกคนต้องเจอกับแมชชีนเลิร์นนิงในชีวิตปกติ ตัวอย่างเช่น คุณอาจสื่อสารกับแชทบ็อตบนเว็บไซต์ แสดงข้อเสนอส่งเสริมการขายที่สอดคล้องกับงานอดิเรกของคุณ หรือตั้งค่าตัวกรองสแปมในบริการอีเมลของคุณ

สำหรับนักการตลาด แมชชีนเลิร์นนิงเป็นโอกาสในการตัดสินใจที่สำคัญอย่างรวดเร็วโดยอิงจากข้อมูลขนาดใหญ่ ในบทความนี้ เราจะพูดถึงสิ่งที่คุณตัดสินใจได้จากข้อมูลขนาดใหญ่

เริ่มต้นด้วยคำศัพท์เล็กน้อย ตามวิกิพีเดีย แมชชีนเลิร์นนิง (ML) เป็นประเภทของวิธีการปัญญาประดิษฐ์ที่มีลักษณะเฉพาะโดย ไม่ได้ ให้วิธีแก้ไขปัญหาโดยตรง แต่เป็นการฝึกอบรมระบบเพื่อใช้วิธีแก้ปัญหา

การเรียนรู้ของเครื่องมีหลายวิธี แต่สามารถแบ่งคร่าวๆ ได้เป็น 2 กลุ่ม คือ การเรียนรู้กับครูและการเรียนรู้โดยไม่มีครู

ในกรณีของการเรียนรู้กับครู บุคคลจะจัดหาข้อมูลเบื้องต้นให้กับเครื่องในรูปแบบของคู่ สถานการณ์และวิธีแก้ปัญหา จากนั้นระบบการเรียนรู้ของเครื่องจะวิเคราะห์คู่เหล่านี้และเรียนรู้ที่จะจำแนกสถานการณ์ตามวิธีแก้ปัญหาที่ทราบ ตัวอย่างเช่น ระบบสามารถเรียนรู้ว่าเมื่อใดควรทำเครื่องหมายข้อความขาเข้าว่าเป็นจดหมายขยะ

ในกรณีของการเรียนรู้โดยไม่มีครู เครื่องจะได้รับข้อมูลที่ไม่เรียงลำดับ — สถานการณ์ — โดยไม่มี วิธีแก้ปัญหา และเรียนรู้ที่จะจำแนกสถานการณ์เหล่านั้นตามสัญญาณที่คล้ายคลึงกันหรือต่างกันโดยไม่มีคำแนะนำจากมนุษย์

นักการตลาดใช้แมชชีนเลิร์นนิงเพื่อค้นหารูปแบบในกิจกรรมของผู้ใช้บนเว็บไซต์ ซึ่งช่วยให้พวกเขาคาดการณ์พฤติกรรมเพิ่มเติมของผู้ใช้และเพิ่มประสิทธิภาพข้อเสนอโฆษณาได้อย่างรวดเร็ว

ในทางจิตวิทยา รูปแบบ คือชุดของปฏิกิริยาทางพฤติกรรมหรือลำดับของการกระทำทั่วไป ดังนั้นเราจึงสามารถพูดคุยเกี่ยวกับรูปแบบที่เกี่ยวข้องกับพื้นที่ใด ๆ ที่ผู้คนใช้แม่แบบ (ซึ่งเป็นพื้นที่ส่วนใหญ่ของชีวิต)

พิจารณาตัวอย่างรูปแบบที่ใช้บนเว็บไซต์ หากผู้ใช้ไม่สนใจข้อเสนอในหน้าต่างป๊อปอัปที่แสดงด้านล่าง พวกเขาสามารถปิดหน้าต่างนี้โดย:

1. คลิกที่เครื่องหมาย X
2. คลิก ไม่ ขอบคุณ
3. คลิกที่ใดก็ได้บนไซต์ที่อยู่นอกหน้าต่างป๊อปอัป

นอกจากการดำเนินการทั้งสามนี้ที่ผู้ใช้สามารถทำได้แล้ว หน้าต่างป๊อปอัปจะปิดลงเองหลังจากช่วงระยะเวลาหนึ่ง

ดังนั้นเราจึงได้รับการกระทำของผู้ใช้ที่เป็นไปได้สี่ประการ:

1. คลิก X — เป็นจริง/เท็จได้
2. คลิก ไม่ ขอบคุณ — อาจเป็นจริง/เท็จ
3. คลิกผ่านป๊อปอัป — สามารถเป็นจริง/เท็จ
4. เวลาในการดูป๊อปอัปคือ 5 วินาที

เมื่อมีการรวบรวมพารามิเตอร์ดังกล่าวหลายร้อยตัว ข้อมูลที่รวบรวมจะได้รับมูลค่าเนื่องจากมีรูปแบบของพฤติกรรมและการพึ่งพา มันซ่อนศักยภาพมหาศาลของข้อมูลพฤติกรรม ทำให้เราสามารถเสริมข้อมูลผู้ใช้ด้วยพารามิเตอร์ที่ขาดหายไปตามข้อมูลที่เรามีอยู่แล้วสำหรับผู้ใช้รายอื่น

ตัวอย่างเช่น วิธีที่ง่ายที่สุดในการกำหนดผู้ชมเป้าหมายคือตามเพศและอายุ แต่ถ้าผู้ใช้กรอกข้อมูลนี้เพียง 10% ของกรณีเท่านั้น คุณจะเข้าใจได้อย่างไรว่ามีผู้ใช้เว็บไซต์ของคุณจำนวนเท่าใดที่เข้าสู่กลุ่มเป้าหมายของคุณ รูปแบบของพฤติกรรมสามารถช่วยได้

คุณสามารถใช้ข้อมูลเพศและอายุจากผู้ใช้ 10% เพื่อกำหนดรูปแบบเฉพาะสำหรับเพศและอายุหนึ่งๆ จากนั้น คุณสามารถใช้รูปแบบเหล่านี้ในการทำนายเพศและอายุของผู้ใช้ 90% ที่เหลือ

การมีข้อมูลที่สมบูรณ์เกี่ยวกับเพศและอายุ ทำให้คุณสามารถเสนอข้อเสนอพิเศษเฉพาะบุคคลสำหรับผู้เยี่ยมชมเว็บไซต์ทุกคน

บทบาทของแมชชีนเลิร์นนิงในด้านการตลาดคือช่วยให้คุณตัดสินใจได้อย่างรวดเร็วโดยอิงจากข้อมูลขนาดใหญ่

อัลกอริทึมสำหรับการทำงานของนักการตลาดมีดังนี้ นักการตลาดสร้างสมมติฐาน ทดสอบ ประเมิน และวิเคราะห์สมมติฐาน งานนี้ใช้เวลานานและใช้แรงงานมาก และบางครั้งผลลัพธ์ก็ไม่ถูกต้องเนื่องจากข้อมูลเปลี่ยนแปลงทุกวินาที

ตัวอย่างเช่น ในการประเมินแคมเปญโฆษณา 20 แคมเปญโดยพิจารณาจากพารามิเตอร์พฤติกรรม 10 รายการสำหรับกลุ่มต่างๆ 5 กลุ่ม นักการตลาดจะใช้เวลาประมาณสี่ชั่วโมง หากการวิเคราะห์ดังกล่าวดำเนินการทุกวัน นักการตลาดจะใช้เวลาเพียงครึ่งเดียวในการประเมินคุณภาพของแคมเปญ เมื่อใช้แมชชีนเลิร์นนิง การประเมินจะใช้เวลาไม่กี่นาที และจำนวนเซ็กเมนต์และพารามิเตอร์พฤติกรรมไม่จำกัด

ด้วยแมชชีนเลิร์นนิง คุณสามารถตอบสนองต่อการเปลี่ยนแปลงคุณภาพของการเข้าชมที่เกิดจากแคมเปญโฆษณาได้เร็วขึ้น ด้วยเหตุนี้ คุณจึงสามารถอุทิศเวลาให้กับการสร้างสมมติฐานมากกว่าการดำเนินการตามปกติ

มูลค่าของผลลัพธ์ขึ้นอยู่กับความเกี่ยวข้องของข้อมูลที่ทำการวิเคราะห์ เมื่อข้อมูลล้าสมัย มูลค่าของข้อมูลจะลดลง บุคคลไม่สามารถประมวลผลปริมาณข้อมูลที่รวบรวมทุกนาทีโดยระบบวิเคราะห์ ระบบแมชชีนเลิร์นนิงสามารถประมวลผลคำขอหลายร้อยรายการ จัดระเบียบ และให้ผลลัพธ์ในรูปแบบของคำตอบพร้อมสำหรับคำถาม

ประโยชน์หลักของแมชชีนเลิร์นนิงในด้านการตลาด:

• ปรับปรุงคุณภาพของการวิเคราะห์ข้อมูล
• ช่วยให้คุณวิเคราะห์ข้อมูลได้มากขึ้นในเวลาที่น้อยลง
• ปรับให้เข้ากับการเปลี่ยนแปลงและข้อมูลใหม่
• ให้คุณทำให้กระบวนการทางการตลาดเป็นแบบอัตโนมัติและหลีกเลี่ยงงานประจำ
• ทำทั้งหมดข้างต้นได้อย่างรวดเร็ว

สาระสำคัญของระบบการแนะนำคือการนำเสนอผลิตภัณฑ์ให้กับลูกค้าที่พวกเขาสนใจในขณะนี้

สิ่งที่ระบบแนะนำทำนาย: สินค้าที่ลูกค้ามีแนวโน้มที่จะซื้อ

วิธีการใช้ข้อมูลนี้: เพื่อสร้างอีเมลและการแจ้งเตือนแบบพุชตลอดจนบล็อก "ผลิตภัณฑ์แนะนำ" และ "ผลิตภัณฑ์ที่คล้ายคลึงกัน" บนเว็บไซต์

ผลลัพธ์: ผู้ใช้เห็นข้อเสนอพิเศษเฉพาะบุคคล ซึ่งเพิ่มโอกาสในการทำการซื้อ

อัลกอริทึมทั่วไปสำหรับวัตถุประสงค์นี้: K-means clustering

โดยทั่วไป สาระสำคัญของการกำหนดเป้าหมายทุกประเภทคือการใช้งบประมาณการโฆษณากับผู้ใช้เป้าหมายเท่านั้น

ประเภทการกำหนดเป้าหมายที่ใช้มากที่สุด:

• การกำหนดเป้าหมายตามกลุ่ม — แสดงโฆษณาต่อกลุ่มผู้ใช้ที่มีแอตทริบิวต์ชุดเดียวกัน
• ทริกเกอร์การกำหนดเป้าหมาย — แสดงโฆษณาต่อผู้ใช้หลังจากที่พวกเขาดำเนินการบางอย่าง (เช่น ดูผลิตภัณฑ์หรือเพิ่มรายการลงในรถเข็นช็อปปิ้ง)

นอกจากนี้ยังมี การกำหนดเป้าหมายเชิงคาดการณ์ ซึ่งคุณแสดงโฆษณาต่อผู้ใช้ตามแนวโน้มในการซื้อของพวกเขา

ความแตกต่างหลักระหว่างการกำหนดเป้าหมายประเภทนี้คือการกำหนดเป้าหมายเชิงคาดการณ์ใช้ชุดค่าผสมที่เป็นไปได้ของพารามิเตอร์ผู้ใช้หลายสิบหรือหลายร้อยตัวพร้อมค่าที่เป็นไปได้ทั้งหมด การกำหนดเป้าหมายประเภทอื่นๆ ทั้งหมดขึ้นอยู่กับพารามิเตอร์จำนวนจำกัดที่มีช่วงค่าที่แน่นอน

การคาดการณ์การกำหนดเป้าหมายที่คาดการณ์ไว้ : ความน่าจะเป็นที่ผู้ใช้จะซื้อใน วิธีการใช้ข้อมูลนี้:

ตัวอย่างที่ 1: การเปิดตัวแคมเปญโฆษณา เพื่อจุดประสงค์นี้ ให้สร้างกลุ่มตามความน่าจะเป็นของการซื้อและอัปโหลดกลุ่มเหล่านั้นไปยัง Google Ads, โฆษณาบน Facebook และระบบโฆษณาอื่นๆ

ตัวอย่างที่ 2: เพื่อวิเคราะห์ประสิทธิภาพของแคมเปญโฆษณา เพื่อจุดประสงค์นี้ ให้สร้างกลุ่มตามความน่าจะเป็นของการซื้อ และอัปโหลดกลุ่มเหล่านั้นไปยัง Google Analytics และใช้เพื่อวิเคราะห์ประสิทธิภาพของแคมเปญโฆษณา (แคมเปญใดนำไปสู่การแปลงมากที่สุด)

ผลลัพธ์: โฆษณาแสดงต่อผู้ชมที่ตรงเป้าหมายมากขึ้น เพิ่มประสิทธิภาพของแคมเปญ

อัลกอริธึมทั่วไปสำหรับจุดประสงค์นี้: XGBoost, CATBoost, Decision Tree (หากมีข้อมูลน้อยหรือมีรูปแบบปรากฏให้เห็นน้อย)

วิธีที่รู้จักกันดีที่สุดในการคำนวณมูลค่าตลอดอายุการใช้งานหรือ LTV นั้นขึ้นอยู่กับความรู้เกี่ยวกับกำไรทั้งหมดจากลูกค้าและเวลาที่ลูกค้ามีปฏิสัมพันธ์กับธุรกิจ อย่างไรก็ตาม งานทางธุรกิจสมัยใหม่หลายอย่างต้องการให้คุณคำนวณ LTV ก่อนที่ลูกค้าจะจากไป ในกรณีนี้ ทางออกเดียวคือการทำนาย LTV ตามข้อมูลที่มีอยู่

การคาดการณ์ LTV คืออะไร: LTV ของผู้ใช้แต่ละรายตามกลุ่ม

วิธีการใช้ข้อมูลนี้:

1. เซ็กเมนต์จะถูกโหลดลงในบริการแจ้งเตือนแบบพุชหรืออีเมล และใช้สำหรับการส่งจดหมายเพื่อลดการไหลออกของลูกค้า (อัตราการเลิกใช้งาน)
2. มีการอัปโหลดกลุ่มไปยัง Google Analytics และใช้ในการวิเคราะห์ประสิทธิภาพของแคมเปญโฆษณาตาม LTV ที่คาดการณ์ไว้

ผลลัพธ์ : งบประมาณการโฆษณาต่อผู้ใช้หนึ่งรายพิจารณาจาก LTV ซึ่งช่วยปรับปรุงประสิทธิภาพของแคมเปญ

อัลกอริทึมทั่วไปสำหรับจุดประสงค์นี้: XGBoost, SVM, Random Forest, Logistic Regression

ในด้านการตลาด แนวคิดของการ เลิก กิจการหรือ การไหลออก หมายถึงลูกค้าที่ลาออกจากบริษัทและสูญเสียรายได้ที่เกี่ยวข้อง และมักจะแสดงเป็นเปอร์เซ็นต์หรือเงื่อนไขทางการเงิน

การคาดการณ์อัตราการเลิกใช้งานช่วยให้คุณตอบสนองต่อความตั้งใจของลูกค้าที่จะละทิ้งผลิตภัณฑ์หรือบริการของคุณก่อนที่จะทำจริง

การคาดการณ์อัตราการปั่นคืออะไร: ความน่าจะเป็นของผู้ใช้ที่ออกจากกลุ่มผู้ใช้

วิธีการใช้ข้อมูลนี้: สามารถอัปโหลดเซ็กเมนต์ไปยังอีเมลหรือบริการแจ้งเตือนแบบพุชได้ เช่นเดียวกับ Google Ads, โฆษณาบน Facebook และระบบโฆษณาอื่นๆ คุณยังสามารถส่งข้อมูลนี้ไปยังแผนกเก็บรักษาเพื่อให้พวกเขาสามารถเข้าถึงลูกค้าที่มีโอกาสสูงที่จะออกจากงานเป็นการส่วนตัว

ผลลัพธ์: รักษาลูกค้า.

อัลกอริธึมทั่วไปสำหรับจุดประสงค์นี้: SVM, Logistic Regression และอัลกอริธึมการจำแนกประเภทอื่นๆ

อัลกอริทึม AI ใน OWOX BI วิเคราะห์ผลลัพธ์ทางการตลาดของคุณ เปรียบเทียบกับข้อมูลตลาด และแสดงว่าโซนการเติบโตและความเสี่ยงของคุณอยู่ที่ใด นอกจากนี้ยังคาดการณ์การดำเนินการตามแผนประจำปีของคุณ เพื่อให้คุณสามารถเปลี่ยนกลยุทธ์ทางการตลาดของคุณได้อย่างรวดเร็ว

ความสามารถของช่องทางและแนวโน้มของตลาดเป็นความรู้ที่ธุรกิจไม่สามารถได้มาด้วยตนเอง โชคดีที่โมเดลแมชชีนเลิร์นนิงใน OWOX BI Insights นำข้อมูลจากหลายหมื่นโปรเจ็กต์มาพิจารณาอย่างแม่นยำ ซึ่งช่วยให้ธุรกิจมั่นใจในคำแนะนำในการจัดสรรงบประมาณการโฆษณาของตนใหม่ เนื่องจากคำแนะนำเหล่านี้อิงตามเซสชันสำหรับไซต์หนึ่งๆ พวกเขายังพิจารณาถึงแนวโน้มของตลาด ความจุของช่อง ต้นทุนการโฆษณาแบบละเอียด และการแสดงโฆษณาสื่อที่ขั้นตอนบนของช่องทาง

รูปแบบการระบุแหล่งที่มาจากข้อมูล OWOX BI จะประเมินประสิทธิภาพของแคมเปญโฆษณาของคุณ โดยพิจารณาจากการมีส่วนร่วมของแต่ละช่องทางในการโปรโมตของลูกค้าผ่านช่องทาง Conversion ด้วยรูปแบบนี้ คุณจะสามารถจัดสรรงบประมาณการโฆษณาของคุณได้อย่างเป็นธรรม โดยคำนึงถึงการมีส่วนร่วมที่แท้จริงของแชแนลในการแปลงและอิทธิพลร่วมกันของแชแนล

การคำนวณแบบจำลองใน OWOX BI อิงตามเครือ Markov และการเรียนรู้ของเครื่อง ห่วงโซ่ Markov เป็นรูปแบบความน่าจะเป็นที่คำนวณความน่าจะเป็นของการเปลี่ยนผ่านระหว่างขั้นตอนต่างๆ ของช่องทาง ช่วยให้คุณประเมินอิทธิพลร่วมกันของขั้นตอนในการแปลงและค้นหาขั้นตอนที่สำคัญที่สุด

หากคุณต้องการดูว่าการระบุแหล่งที่มา OWOX BI ทำงานอย่างไร ลงชื่อสมัครใช้สำหรับการสาธิต เพื่อนร่วมงานของเราจะแสดงตัวอย่างจริงของวิธีการใช้การระบุแหล่งที่มาและแสดงให้เห็นว่ามีประโยชน์ต่อธุรกิจของคุณอย่างไร

เหตุใดแมชชีนเลิร์นนิงจึงมีความจำเป็น และจะช่วยคุณแก้ปัญหาการระบุแหล่งที่มาได้อย่างไร นี่เป็นหัวข้อสำหรับบทความแยกต่างหาก (ซึ่งเรากำลังเตรียมการอยู่แล้ว)

ในบทความนี้ เรามาดูกันว่าการตัดสินใจในระดับใดโดยใช้การระบุแหล่งที่มา เราจะเปรียบเทียบระดับเหล่านี้ตามเกณฑ์หลายประการ:

• ระดับตัวเอง
• ผู้มีอำนาจตัดสินใจที่สำคัญ
• ประเภทของการตัดสินใจ
• เครื่องมือที่ใช้
• รูปแบบการระบุแหล่งที่มาที่ใช้บ่อยที่สุด

ระดับที่ทำการตัดสินใจตามการระบุแหล่งที่มา:

1. วิสัยทัศน์ วิสัยทัศน์ของบริษัทเกิดจากคณะกรรมการ ซีอีโอ และผู้อำนวยการฝ่ายการตลาด การตัดสินใจในระดับวิสัยทัศน์นั้นเกี่ยวข้องกับการลงทุนในแบรนด์และการสร้างสมดุลของงบประมาณระหว่างออนไลน์และออฟไลน์ เครื่องมือที่ใช้ในการตัดสินใจคือการวิจัยตลาดและที่ปรึกษา แทบไม่มีที่สำหรับรูปแบบการระบุแหล่งที่มาตามข้อมูลแบบคลาสสิก เนื่องจากข้อมูลที่อิงตามการตัดสินใจนั้นไม่ได้แปลงเป็นข้อมูลดิจิทัลเพียงพอ

2. ยุทธศาสตร์ การตัดสินใจเชิงกลยุทธ์จะทำทุกเดือนตามกฎโดยผู้อำนวยการฝ่ายการตลาดและอีคอมเมิร์ซ การตัดสินใจเหล่านี้มีไว้สำหรับการจัดสรรงบประมาณระหว่างช่องทางต่างๆ และคำจำกัดความของ KPI ระดับบนสุด เครื่องมือที่ช่วยในการตัดสินใจเชิงกลยุทธ์ ได้แก่ Visual IQ, OWOX BI หรือโมเดลทั่วไป ที่นี่ ธุรกิจใช้การระบุแหล่งที่มาจากข้อมูล รูปแบบต่างๆ ในธีมของค่า Shapley และห่วงโซ่ Markov หรือการระบุแหล่งที่มาตามช่องทาง ในระดับนี้ สิ่งสำคัญคือต้องเข้าใจถึงอิทธิพลร่วมกันของช่องทางและตัดสินใจเชิงกลยุทธ์ในการพัฒนาช่อง

3. เกี่ยวกับยุทธวิธี โดยปกติ การตัดสินใจเชิงกลยุทธ์จะทำทุกสัปดาห์หรือบ่อยกว่านั้นโดยผู้จัดการการจัดหาทราฟฟิกที่ต้องเสียเงิน การจัดสรรงบประมาณเกิดขึ้นระหว่างแคมเปญและชุดโฆษณา และการตัดสินใจมุ่งเป้าไปที่การชี้แจง KPI และเป้าหมายของแคมเปญ สำหรับการตัดสินใจเชิงกลยุทธ์ คุณสามารถใช้ Google ชีตหรือ OWOX BI ผู้เชี่ยวชาญมักทำงานกับ Google Analytics ในระดับนี้ สำหรับการประเมินผลกระทบของการโฆษณาสื่อ รูปแบบการระบุแหล่งที่มาส่วนใหญ่ใช้ Conversion ที่เกี่ยวข้อง การลดลงตามเวลา และการดูภายหลัง

ลักษณะเฉพาะของขั้นตอนนี้คือมีการจัดสรรงบประมาณสำหรับช่องแล้ว ดังนั้น ณ จุดนี้ สิ่งสำคัญคือต้องเข้าใจว่าควรใช้แคมเปญใด ควบคุมผลลัพธ์ และปิดแคมเปญที่ไม่มีประสิทธิภาพอย่างรวดเร็ว

4. การดำเนินการ นี่คือเวลาที่การตัดสินใจประเมินการมีส่วนร่วมของการประกาศหรือคำหลักหนึ่งๆ เกิดขึ้นในเวลาใกล้เคียงกับเวลาจริง การตัดสินใจดังกล่าวมักเกิดขึ้นภายในบริการโฆษณา (Google Ads, Facebook Ads) อันที่จริง ลูกค้าไม่สนใจว่าจะใช้กลไกการเพิ่มประสิทธิภาพแบบใด เนื่องจากพวกเขาจะพิจารณาผลลัพธ์ของแต่ละบริการแยกกัน

อย่างที่คุณเห็น แมชชีนเลิร์นนิงมีประโยชน์มากที่สุดสำหรับงานด้านกลยุทธ์และยุทธวิธี บางครั้งก็ใช้ในระดับการดำเนินการด้วย แต่แนวโน้มทั่วไปคือระบบโฆษณาพัฒนาอย่างรวดเร็วและมีข้อมูลจำนวนมาก อัลกอริธึมภายในที่ใช้ในระบบเหล่านี้เพื่อจัดการแคมเปญโฆษณาให้ผลลัพธ์ที่ดีกว่าโมเดลภายนอกตามการเรียนรู้ของเครื่อง

เหตุผลก็คือเพื่อที่จะใช้แมชชีนเลิร์นนิง จำเป็นต้องส่งออกข้อมูลจำนวนมากจากบริการโฆษณาอย่างรวดเร็วและนำเข้าผลลัพธ์กลับอย่างรวดเร็ว ในทางเทคนิค นี่เป็นงานที่ยากในการแก้ปัญหาในระดับอุตสาหกรรม ดังนั้น ในระดับการดำเนินการ นักการตลาดมักจะพึ่งพาอัลกอริธึมภายในเพื่อเพิ่มประสิทธิภาพบริการโฆษณา

ในการใช้แมชชีนเลิร์นนิงเพื่อแก้ปัญหาทางยุทธวิธีและเชิงกลยุทธ์ คุณต้องแน่ใจว่าข้อมูลของคุณครบถ้วน คุณสามารถทำได้ด้วย OWOX BI OWOX รวมข้อมูลของคุณจากเว็บไซต์ บริการโฆษณา และ CRM เพื่อให้คุณสามารถสร้างช่องทางที่คำนึงถึงลักษณะเฉพาะและความพยายามของธุรกิจของคุณ และมุ่งเป้าไปที่การดึงดูดลูกค้าและเพิ่มยอดขาย