Dijital pazarlamada makine öğrenimi: Kullanım örnekleri

Birkaç on yıl önce, “yapay zeka” kelimesini duyduğunuzda aklınıza gelen ilk şey, muhtemelen makinelerin yükselişi ve testere ile kesilmiş bir Terminatördü. Bugün, bu terimin oldukça olumlu çağrışımları var. Hemen hemen herkes, sıradan yaşamda makine öğrenimi ile karşılaşır. Örneğin, bir web sitesinde bir chatbot ile iletişim kurabilir, hobilerinize uygun promosyon teklifleri gösterilebilir veya e-posta hizmetinizde bir spam filtresi kurabilirsiniz.

Pazarlamacılar için makine öğrenimi, büyük verilere dayalı olarak önemli kararları hızla almak için bir fırsattır. Bu yazıda, büyük verilere dayalı olarak hangi kararları alabileceğinizden bahsedeceğiz.

Küçük bir terminoloji ile başlayalım. Wikipedia'ya göre, makine öğrenimi (ML), sorunlara doğrudan çözümler sağlamaması , daha çok çözümleri uygulamak için eğitim sistemleri ile karakterize edilen bir yapay zeka yöntemleri sınıfıdır.

Makine öğreniminin birçok yöntemi vardır, ancak bunlar kabaca iki gruba ayrılabilir: öğretmenle öğrenme ve öğretmensiz öğrenme.

Bir öğretmenle öğrenme durumunda, kişi makineye durum-çözüm çiftleri biçimindeki ilk verileri sağlar. Makine öğrenimi sistemi daha sonra bu çiftleri analiz eder ve durumları bilinen çözümlere göre sınıflandırmayı öğrenir. Örneğin, bir sistem gelen iletilerin ne zaman spam olarak işaretleneceğini öğrenebilir.

Öğretmen olmadan öğrenme durumunda, makine, çözüm olmaksızın sıralanmamış bilgileri ( durumları ) alır ve bu durumları insan rehberliği olmadan benzer veya farklı işaretlere göre sınıflandırmayı öğrenir.

Pazarlamacılar, bir web sitesindeki kullanıcı etkinliklerindeki kalıpları bulmak için makine öğrenimini kullanır. Bu, kullanıcıların diğer davranışlarını tahmin etmelerine ve reklam tekliflerini hızla optimize etmelerine yardımcı olur.

Psikolojide bir kalıp , belirli bir davranışsal tepkiler dizisi veya ortak bir eylemler dizisidir. Bu nedenle, insanların şablonları kullandığı herhangi bir alanla ilgili olarak kalıplardan bahsedebiliriz (ki bu hayatın çoğu alanıdır).

Web sitelerinde kullanılan bir kalıp örneğini düşünün. Kullanıcı, aşağıda gösterilen açılır penceredeki teklifle ilgilenmiyorsa, bu pencereyi şu şekilde kapatabilir:

1. X işaretine tıklayarak
2. Hayır teşekkürler
3. açılır pencerenin dışındaki sitede herhangi bir yere tıklamak.

Kullanıcının yapabileceği bu üç eyleme ek olarak, açılır pencere belirli bir süre sonra kendi kendine kapanacaktır.

Böylece dört olası kullanıcı eylemi elde ederiz:

1. X'e tıklayın - Doğru/yanlış olabilir
2. Hayır teşekkürler - Doğru/yanlış olabilir
3. Pop-up'ı tıklayın - Doğru/yanlış olabilir
4. Pop-up görüntüleme süresi 5 saniyedir

Bu tür yüzlerce parametre toplandığında, toplanan veriler davranış kalıpları ve bağımlılıklar içerdiğinden değer kazanır. Davranışsal verilerin muazzam potansiyelini gizler ve diğer kullanıcılar için halihazırda sahip olduğumuz verilere dayalı olarak kullanıcı verilerini eksik parametrelerle tamamlamamıza olanak tanır.

Örneğin, bir hedef kitleyi tanımlamanın en basit yolu cinsiyete ve yaşa göredir. Ancak kullanıcılar bu verileri yalnızca vakaların %10'unda doldurursa? Web sitenizin kullanıcılarının kaçının hedef kitlenize düştüğünü nasıl anlayabilirsiniz? Davranış kalıpları yardımcı olabilir.

Belirli bir cinsiyet ve yaşa özel kalıpları belirlemek için kullanıcıların %10'undan alınan cinsiyet ve yaş verilerini kullanabilirsiniz. Ardından, bu kalıpları, kullanıcıların kalan %90'ının cinsiyetini ve yaşını tahmin etmek için kullanabilirsiniz.

Cinsiyet ve yaş hakkında eksiksiz verilere sahip olarak, artık tüm web sitesi ziyaretçilerine kişiselleştirilmiş teklifler yapabilirsiniz.

Pazarlamada makine öğreniminin rolü, büyük verilere dayalı olarak hızlı kararlar vermenizi sağlamaktır.

Pazarlamacıların çalışması için algoritma şu şekildedir: Pazarlamacılar hipotezler oluşturur, onları test eder, değerlendirir ve analiz eder. Bu iş uzun ve emek yoğundur ve bazen bilgiler her saniye değiştiği için sonuçlar yanlış olur.

Örneğin, beş farklı segment için 10 davranış parametresini dikkate alarak 20 reklam kampanyasını değerlendirmek için bir pazarlamacının yaklaşık dört saate ihtiyacı olacaktır. Her gün böyle bir analiz yapılırsa, pazarlamacı zamanının tam olarak yarısını kampanyaların kalitesini değerlendirmek için harcar. Makine öğrenimi kullanıldığında, değerlendirme dakikalar alır ve segment sayısı ve davranış parametreleri sınırsızdır.

Makine öğrenimi ile reklam kampanyalarının getirdiği trafik kalitesindeki değişikliklere daha hızlı yanıt verebilirsiniz. Sonuç olarak, rutin eylemleri gerçekleştirmek yerine hipotezler oluşturmaya daha fazla zaman ayırabilirsiniz.

Sonuçlarınızın değeri, analizin yapıldığı verilerin alaka düzeyine bağlıdır. Veriler eskidikçe değeri azalır. Bir kişi, analitik sistemler tarafından her dakika toplanan bilgi hacimlerini işleyemez. Makine öğrenimi sistemleri yüzlerce isteği işleyebilir, düzenleyebilir ve bir soruya hazır yanıt şeklinde sonuçlar sağlayabilir.

Pazarlamada makine öğreniminin temel faydaları:

• Veri analizinin kalitesini artırır
• Daha kısa sürede daha fazla veriyi analiz etmenizi sağlar
• Değişikliklere ve yeni verilere uyum sağlar
• Pazarlama süreçlerini otomatikleştirmenize ve rutin işlerden kaçınmanıza olanak tanır
• Yukarıdakilerin hepsini hızlı bir şekilde yapar

Tavsiye sisteminin özü, müşterilere o anda ilgilendikleri ürünleri sunmaktır.

Bir öneri sisteminin öngördüğü şey: Bir müşterinin satın alma olasılığı yüksek ürünler.

Bu veriler nasıl kullanılır: Bir web sitesinde e-posta ve push bildirimlerinin yanı sıra "Önerilen ürünler" ve "Benzer ürünler" blokları oluşturmak için.

Sonuç: Kullanıcılar, satın alma olasılıklarını artıran kişiselleştirilmiş teklifler görür.

Bu amaç için ortak algoritmalar: K-kümeleme anlamına gelir.

Genel olarak, her tür hedeflemenin özü, reklam bütçesini yalnızca hedef kullanıcılara harcamaktır.

En çok kullanılan hedefleme türleri:

• Segment hedefleme - Reklamları, aynı özellik grubuna sahip kullanıcı gruplarına gösterin
• Tetikleyici hedefleme — Belirli bir eylemi gerçekleştirdikten sonra (örneğin, bir ürünü görüntülemek veya alışveriş sepetine bir öğe eklemek) kullanıcılara reklam gösterin.

Ayrıca, kullanıcılara satın alma olasılıklarına göre reklam gösterdiğiniz tahmine dayalı hedefleme de vardır.

Bu hedefleme türleri arasındaki temel fark, tahmine dayalı hedeflemenin, olası tüm değerlerle birlikte onlarca veya yüzlerce kullanıcı parametresinin tüm olası kombinasyonlarını kullanmasıdır. Diğer tüm hedefleme türleri, belirli değer aralıklarıyla sınırlı sayıda parametreye dayanır.

Tahmini hedeflemenin öngördüğü şey : Bir kullanıcının Bu veriler nasıl kullanılır:

Örnek 1: Reklam kampanyaları başlatmak için. Bunun için satın alma olasılığına göre segmentler oluşturun ve bu segmentleri Google Ads, Facebook Ads ve diğer reklam sistemlerine yükleyin.

Örnek 2: Reklam kampanyalarının etkinliğini analiz etmek. Bu amaçla, satın alma olasılığına göre segmentler oluşturun ve bu segmentleri Google Analytics'e yükleyin ve bunları reklam kampanyalarının etkinliğini (en fazla dönüşümü sağlayan kampanya) analiz etmek için kullanın.

Sonuç: Reklamlar daha hedefli bir kitleye gösterilerek kampanyaların etkinliği artırılır.

Bu amaç için yaygın algoritmalar: XGBoost, CATBoost, Karar Ağacı (eğer çok az veri mevcutsa veya birkaç model belirginse).

Yaşam boyu değeri veya LTV'yi hesaplamanın en iyi bilinen yöntemleri, bir müşteriden elde edilen toplam kâr ve müşterinin işletmeyle etkileşimde bulunduğu süre hakkındaki bilgilere dayanır. Bununla birlikte, birçok modern iş görevi, bir müşteri ayrılmadan önce bile LTV'yi hesaplamanızı gerektirir. Bu durumda tek çözüm, mevcut verilere dayalı olarak LTV'yi tahmin etmektir.

LTV tahmininin öngördüğü şey: Segmente göre her kullanıcının YBD'si.

Bu veriler nasıl kullanılır:

1. Segmentler, anında iletme bildirimine veya e-posta hizmetlerine yüklenir ve müşteri çıkışlarını (kayıp oranı) azaltmak için postalama için kullanılır.
2. Segmentler Google Analytics'e yüklenir ve tahmin edilen YBD'ye dayalı olarak reklam kampanyalarının etkinliğini analiz etmek için kullanılır.

Sonuç : Kullanıcı başına reklam bütçesi, kampanyaların etkinliğini artıran LTV'ye göre belirlenir.

Bu amaç için ortak algoritmalar: XGBoost, SVM, Random Forest, Lojistik Regresyon.

Pazarlamada, kayıp veya çıkış kavramı, şirketten ayrılan müşterileri ve buna bağlı gelir kaybını ifade eder ve genellikle yüzde veya parasal olarak ifade edilir.

Kayıp oranı tahmini, bir müşterinin ürününüzü veya hizmetinizi gerçekten bırakmadan önce bırakma niyetine yanıt vermenizi sağlar.

Hangi kayıp oranı tahmini tahmin ediyor: Kullanıcı segmentine göre kullanıcıların ayrılma olasılığı

Bu veriler nasıl kullanılır: Segmentler, Google Ads, Facebook Ads ve diğer reklam sistemlerinin yanı sıra e-posta veya push bildirim hizmetlerine yüklenebilir. Ayrıca, ayrılma olasılığı yüksek müşterilere kişisel olarak ulaşabilmeleri için bu bilgileri saklama departmanına iletebilirsiniz.

Sonuç: Müşterileri elde tutun.

Bu amaç için ortak algoritmalar: SVM, Lojistik Regresyon ve diğer sınıflandırma algoritmaları.

OWOX BI'daki AI algoritması, pazarlama sonuçlarınızı analiz eder, pazar verileriyle karşılaştırır ve büyüme bölgelerinizin ve risklerinizin nerede olduğunu gösterir. Ayrıca, pazarlama stratejinizi hızla değiştirebilmeniz için yıllık planınızın uygulanmasını tahmin eder.

Kanal kapasitesi ve pazar eğilimleri, bir işletmenin kendi başına elde edemeyeceği bilgilerdir. Şansınıza, OWOX BI Insights'taki makine öğrenimi modeli, doğru tahminler yapmak için on binlerce projeden gelen verileri dikkate alır. Bu, işletmelere reklam bütçelerini yeniden dağıtma önerileri konusunda güven verir, çünkü bu öneriler belirli bir site için oturumlara dayalıdır. Ayrıca, huninin üst aşamalarında pazar eğilimlerini, kanal kapasitesini, ayrıntılı reklam maliyetlerini ve medya reklam gösterimlerini de hesaba katarlar.

OWOX BI veriye dayalı ilişkilendirme modeli, dönüşüm hunisi aracılığıyla her kanalın müşterinin tanıtımına katkısını dikkate alarak reklam kampanyalarınızın etkinliğini değerlendirir. Bu modelle, kanalların dönüşümlere gerçek katkısını ve karşılıklı etkilerini hesaba katarak reklam bütçenizi adil bir şekilde tahsis edebileceksiniz.

OWOX BI'daki model hesaplaması, Markov zincirlerine ve makine öğrenimine dayanmaktadır. Markov zinciri, huninin adımları arasındaki geçiş olasılıklarını hesaplayarak, adımların dönüşümler üzerindeki karşılıklı etkisini değerlendirmenize ve hangi adımların en önemli olduğunu bulmanıza olanak tanıyan olasılıklı bir modeldir.

OWOX BI ilişkilendirmesinin nasıl çalıştığını görmek istiyorsanız, bir demo için kaydolun. Meslektaşlarımız, ilişkilendirmenin nasıl uygulanacağına dair gerçek örnekler gösterecek ve işletmeniz için nasıl yararlı olabileceğini gösterecek.

Makine öğrenimi neden gereklidir ve ilişkilendirme sorununu çözmenize nasıl yardımcı olur? Bu, ayrı bir makalenin konusu (zaten hazırlıyoruz).

Bu yazıda, atıf kullanarak kararların hangi düzeyde verildiğini bulalım. Bu seviyeleri birkaç kritere göre karşılaştıracağız:

• seviyenin kendisi
• Anahtar karar vericiler
• Alınan karar türleri
• Kullanılan aletler
• En sık kullanılan ilişkilendirme modelleri

İlişkilendirmeye dayalı kararların alındığı seviyeler:

1. Vizyon. Bir şirketin vizyonu, yönetim kurulu, CEO ve pazarlama direktörü tarafından oluşturulur. Vizyon düzeyindeki kararlar, markaya yapılan yatırımlarla ve çevrimiçi ile çevrimdışı arasındaki bütçelerin dengelenmesiyle ilişkilidir. Bu tür kararları vermek için kullanılan araçlar pazar araştırması ve danışmanlardır. Kararların dayandığı veriler yeterince sayısallaştırılmadığından, klasik veriye dayalı ilişkilendirme modellerine nadiren yer vardır.

2. Stratejik. Stratejik kararlar, kural olarak, pazarlama ve e-ticaret direktörleri tarafından aylık olarak alınır. Bu kararlar, bütçenin kanallar arasında dağılımına ve üst düzey KPI'nın tanımlanmasına ayrılmıştır. Stratejik kararlar almaya yardımcı olan araçlar Visual IQ, OWOX BI veya gündelik modellerdir. Burada işletme, veriye dayalı ilişkilendirmeyi, Shapley değeri temasındaki varyasyonları ve Markov zincirlerini veya huni tabanlı ilişkilendirmeyi kullanır. Bu düzeyde, kanalların karşılıklı etkisini anlamak ve gelişimleri üzerinde stratejik kararlar almak önemlidir.

3. Taktik. Genellikle, taktiksel kararlar, ücretli trafik edinme yöneticisi tarafından haftalık veya daha sık olarak verilir. Bütçe tahsisi, kampanyalar ve reklam setleri arasında gerçekleşir ve kararlar, KPI ve kampanya hedeflerini netleştirmeyi amaçlar. Taktik kararlar almak için Google E-Tablolar veya OWOX BI kullanabilirsiniz. Genellikle bu düzeyde uzmanlar Google Analytics ile çalışır. Medya reklamcılığının etkisini değerlendirmek için çoğu ilişkilendirme modeli, ilişkili dönüşümleri, zaman azalmasını ve görüntüleme sonrası kullanır.

Bu aşamanın özelliği, bir kanal için bütçenin zaten tahsis edilmiş olmasıdır. Dolayısıyla bu noktada, hangi kampanyalara harcanacağını anlamak, sonuçları kontrol etmek ve verimsiz kampanyaları hızla kapatmak önemlidir.

4. Yürütme. Bu, belirli bir duyurunun veya anahtar kelimenin katkısını değerlendirme kararının neredeyse gerçek zamanlı olarak gerçekleştiği zamandır. Bu tür kararlar genellikle reklamcılık hizmetleri (Google Reklamları, Facebook Reklamları) içinde verilir. Aslında müşteri, her bir hizmetin sonuçlarına ayrı ayrı baktığı için burada hangi optimizasyon mekanizmalarının kullanıldığını umursamaz.

Gördüğünüz gibi, makine öğrenimi en çok stratejik ve taktik görevler için kullanışlıdır. Bazen yürütme düzeyinde de uygulanır, ancak genel eğilim, reklam sistemlerinin hızlı gelişmesi ve çok fazla veriye sahip olmasıdır. Bu sistemlerde reklam kampanyalarını yönetmek için kullanılan dahili algoritmalar, makine öğrenimine dayalı harici bir modelden daha iyi sonuçlar üretir.

Bunun nedeni, makine öğrenimini uygulamak için, reklam hizmetinden büyük miktarda veriyi hızlı bir şekilde dışa aktarmanın ve ardından sonuçları hızla geri içe aktarmanın gerekli olmasıdır. Teknik olarak, bu endüstriyel ölçekte çözülmesi zor bir iştir. Bu nedenle, yürütme düzeyinde, pazarlamacılar reklam hizmetlerini optimize etmek için dahili algoritmalara güvenme eğilimindedir.

Taktik ve stratejik sorunları çözmek için makine öğrenimini kullanmak için verilerinizin eksiksiz olduğundan emin olmanız gerekir. Bunu OWOX BI ile yapabilirsiniz. OWOX, web sitenizden, reklam hizmetlerinden ve CRM'den gelen verilerinizi birleştirir, böylece işletmenizin özelliklerini ve çabalarını dikkate alan ve müşterileri çekmeyi ve satışları artırmayı amaçlayan bir huni oluşturabilirsiniz.