数字营销中的机器学习：用例示例

几十年前，当你听到“人工智能”这个词时，首先想到的可能是机器的兴起和带有锯断猎枪的终结者。 今天，这个词有相当积极的联想。 几乎每个人在日常生活中都会遇到机器学习。 例如，您可能会在网站上与聊天机器人进行交流，向您展示与您的爱好相对应的促销优惠，或者在您的电子邮件服务中设置垃圾邮件过滤器。

对于营销人员来说，机器学习是一个基于大数据快速做出关键决策的机会。 在本文中，我们将讨论您可以根据大数据做出哪些决策。

让我们从一个小术语开始。 根据维基百科，机器学习（ML）是一类人工智能方法，其特点是它们不提供直接的问题解决方案，而是训练系统来应用解决方案。

机器学习的方法有很多种，但大致可以分为两类：有老师学习和无老师学习。

在与老师一起学习的情况下，一个人以情境-解决方案对的形式向机器提供初始数据。 然后机器学习系统分析这些对并学习根据已知解决方案对情况进行分类。 例如，系统可以了解何时将传入消息标记为垃圾邮件。

在没有老师的情况下学习，机器接收未分类的信息——情况——没有解决方案，并在没有人类指导的情况下根据相似或不同的迹象学习对这些情况进行分类。

营销人员使用机器学习来查找网站上用户活动的模式。 这有助于他们预测用户的进一步行为并快速优化广告优惠。

在心理学中，模式是一组特定的行为反应或一系列共同的行动。 因此，我们可以讨论人们使用模板的任何领域（生活的大部分领域）的模式。

考虑网站上使用的模式示例。 如果用户对以下弹出窗口中的优惠不感兴趣，他们可以通过以下方式关闭此窗口：

1. 点击X符号
2. 点击不，谢谢
3. 单击弹出窗口之外的站点上的任意位置。

除了用户可以执行的这三个操作之外，弹出窗口会在一段时间后自行关闭。

所以我们得到了四种可能的用户操作：

1. 单击X - 可以是真/假
2. 单击不，谢谢- 可以是真/假
3. 点击弹出窗口 - 可以是真/假
4. 弹出查看时间为5秒

当收集到数百个此类参数时，收集到的数据会获得价值，因为它包含行为模式和依赖关系。 它隐藏了行为数据的巨大潜力，使我们能够根据我们已经为其他用户拥有的数据，用缺失的参数来补充用户数据。

例如，定义目标受众的最简单方法是按性别和年龄。 但是如果用户只在 10% 的情况下填写这些数据呢？ 您如何了解有多少网站用户属于您的目标受众？ 行为模式可以提供帮助。

您可以使用 10% 的用户的性别和年龄数据来确定特定性别和年龄的特定模式。 然后您可以使用这些模式来预测剩余 90% 用户的性别和年龄。

拥有有关性别和年龄的完整数据，您现在可以为所有网站访问者提供个性化的优惠。

机器学习在营销中的作用是让你可以根据大数据快速做出决策。

营销人员的工作算法如下：营销人员创建假设、测试、评估和分析假设。 这项工作是漫长而劳动密集型的，有时结果是不正确的，因为信息每秒都在变化。

例如，要评估 20 个广告活动，考虑 5 个不同细分市场的 10 个行为参数，营销人员将需要大约 4 个小时。 如果每天都进行这样的分析，那么营销人员将花费一半的时间来评估活动的质量。 当使用机器学习时，评估需要几分钟，并且分段和行为参数的数量是无限的。

借助机器学习，您可以更快地响应广告活动带来的流量质量变化。 因此，您可以将更多时间用于创建假设，而不是执行常规操作。

结果的价值取决于进行分析的数据的相关性。 随着数据变得过时，它的价值就会下降。 一个人根本无法处理分析系统每分钟收集的大量信息。 机器学习系统可以处理数百个请求，将它们组织起来，并以问题的现成答案的形式提供结果。

机器学习在营销中的主要优势：

• 提高数据分析的质量
• 使您能够在更短的时间内分析更多数据
• 适应变化和新数据
• 允许您自动化营销流程并避免日常工作
• 快速完成上述所有操作

推荐系统的本质是为客户提供他们目前感兴趣的产品。

推荐系统的预测：客户可能购买的商品。

如何使用这些数据：生成电子邮件和推送通知以及网站上的“推荐产品”和“类似产品”块。

结果：用户看到个性化的优惠，增加了他们购买的可能性。

用于此目的的常用算法： K-means 聚类。

一般来说，所有类型的定位的本质是将广告预算只花在目标用户身上。

最常用的定位类型：

• 细分定位——向具有相同属性集的用户组展示广告
• 触发定位——在用户执行特定操作（例如，查看产品或将商品添加到购物车）后向用户展示广告

还有预测定位，您可以根据用户购买的可能性向他们展示广告。

这些类型的定位之间的主要区别在于，预测定位使用具有所有可能值的数十或数百个用户参数的所有可能组合。 所有其他类型的定位都依赖于有限数量的具有特定值范围的参数。

预测目标预测的内容：用户在如何使用这些数据：

示例 1：发起广告活动。 为此，根据购买概率创建细分并将这些细分上传到 Google Ads、Facebook Ads 和其他广告系统。

示例 2：分析广告活动的有效性。 为此，根据购买概率创建细分并将这些细分上传到 Google Analytics，并使用它们来分析广告活动的有效性（哪个活动带来最多的转化）。

结果：向更有针对性的受众展示广告，提高活动的有效性。

用于此目的的常用算法： XGBoost、CATBoost、决策树（如果数据很少或模式很明显）。

计算生命周期价值或 LTV 的最著名方法是基于对客户总利润和客户与企业互动时间的了解。 但是，许多现代业务任务要求您甚至在客户离开之前计算 LTV。 在这种情况下，唯一的解决方案是根据可用数据预测 LTV。

LTV 预测的内容：每个用户的 LTV（按细分）。

如何使用这些数据：

1. 细分被加载到推送通知或电子邮件服务中，并用于邮寄以减少客户外流（流失率）。
2. 细分被上传到谷歌分析，并用于根据预测的 LTV 分析广告活动的有效性。

结果：每位用户的广告预算是根据 LTV 确定的，从而提高了广告系列的效果。

用于此目的的常用算法： XGBoost、SVM、随机森林、逻辑回归。

在营销中，流失或流出的概念是指离开公司的客户以及相关的收入损失，通常以百分比或货币形式表示。

流失率预测允许您在客户实际放弃您的产品或服务之前对其做出响应。

流失率预测的预测：按用户细分的用户离开概率

如何使用这些数据：可以将分段上传到电子邮件或推送通知服务以及 Google Ads、Facebook Ads 和其他广告系统。 您还可以将此信息传递给保留部门，以便他们可以亲自联系很有可能离开的客户。

结果：留住客户。

用于此目的的常用算法： SVM、逻辑回归和其他分类算法。

OWOX BI 中的 AI 算法分析您的营销结果，将其与市场数据进行比较，并显示您的增长区域和风险所在。 它还可以预测您的年度计划的实施情况，以便您可以快速更改营销策略。

渠道容量和市场趋势是企业靠自己无法获得的知识。 幸运的是，OWOX BI Insights 中的机器学习模型考虑了来自数万个项目的数据来做出准确的预测。 这使企业对重新分配广告预算的建议充满信心，因为这些建议是基于特定网站的会话。 他们还考虑了漏斗上游的市场趋势、渠道容量、精细的广告成本和媒体广告印象。

OWOX BI 数据驱动的归因模型评估您的广告活动的有效性，考虑每个渠道通过转化漏斗对客户促销的贡献。 使用此模型，您将能够公平地分配您的广告预算，同时考虑到渠道对转化的实际贡献及其相互影响。

OWOX BI 中的模型计算基于马尔可夫链和机器学习。 马尔可夫链是一种概率模型，通过计算漏斗步骤之间的转换概率，可以评估步骤对转换的相互影响，并找出哪些步骤最重要。

如果您想了解 OWOX BI 归因的工作原理，请注册演示。 我们的同事将向您展示如何应用归因的真实示例，并展示它如何对您的业务有用。

为什么需要机器学习，它如何帮助您解决归因问题？ 这是另一篇文章的主题（我们已经在准备）。

在本文中，让我们弄清楚使用归因在什么级别做出决策。 我们将根据几个标准比较这些级别：

• 水平本身
• 关键决策者
• 做出的决定类型
• 使用的工具
• 最常用的归因模型

做出基于归因的决策的级别：

1. 愿景。 公司的愿景由其董事会、首席执行官和营销总监组成。 愿景级决策与品牌投资和线上线下平衡预算相关。 用于做出此类决策的工具是市场研究和顾问。 经典的基于数据的归因模型几乎没有一席之地，因为决策所依据的数据还不够数字化。

2. 战略。 通常，营销和电子商务主管每月都会做出战略决策。 这些决策专门用于渠道之间的预算分配和顶级 KPI 的定义。 有助于制定战略决策的工具是 Visual IQ、OWOX BI 或休闲模型。 在这里，企业使用数据驱动的归因、Shapley 值和马尔可夫链主题的变体，或基于漏斗的归因。 在这个层面上，了解渠道的相互影​​响并对其发展做出战略决策非常重要。

3.战术。 通常，付费流量获取经理每周甚至更频繁地做出战术决策。 预算分配发生在活动和广告组之间，决策旨在明确 KPI 和活动目标。 为了做出战术决策，您可以使用 Google 表格或 OWOX BI。 通常在这个级别，专家与 Google Analytics 合作。 为了评估媒体广告的影响，大多数归因模型使用相关的转化、时间衰减和浏览后。

这个阶段的特点是已经分配了频道的预算。 因此，在这一点上，重要的是要了解将其花费在哪些广告系列上，控制结果并快速关闭低效的广告系列。

4. 执行。 在这种情况下，评估特定公告或关键字的贡献的决定几乎是实时发生的。 此类决定通常在广告服务（Google Ads、Facebook Ads）内部做出。 事实上，客户并不关心这里使用了什么优化机制，因为他们分别查看每个服务的结果。

如您所见，机器学习对于战略和战术任务最有用。 有时也应用在执行层面，但总体趋势是广告系统发展迅速，数据量大。 这些系统中用于管理广告活动的内部算法比基于机器学习的外部模型产生更好的结果。

原因是为了应用机器学习，需要从广告服务中快速导出大量数据，然后快速导入结果。 从技术上讲，这是一项很难在工业规模上解决的任务。 因此，在执行层面，营销人员倾向于依靠内部算法来优化广告服务。

要使用机器学习解决战术和战略问题，您需要确保数据的完整性。 您可以使用 OWOX BI 做到这一点。 OWOX 将来自您的网站、广告服务和 CRM 的数据结合起来，因此您可以创建一个漏斗，考虑到您的业务的特点和努力，旨在吸引客户和增加销售额。