數字營銷中的機器學習：用例示例

幾十年前，當你聽到“人工智能”這個詞時，首先想到的可能是機器的興起和帶有鋸斷獵槍的終結者。 今天，這個詞有相當積極的聯想。 幾乎每個人在日常生活中都會遇到機器學習。 例如，您可能會在網站上與聊天機器人進行交流，向您展示與您的愛好相對應的促銷優惠，或者在您的電子郵件服務中設置垃圾郵件過濾器。

對於營銷人員來說，機器學習是一個基於大數據快速做出關鍵決策的機會。 在本文中，我們將討論您可以根據大數據做出哪些決策。

讓我們從一個小術語開始。 根據維基百科，機器學習（ML）是一類人工智能方法，其特點是它們不提供直接的問題解決方案，而是訓練系統來應用解決方案。

機器學習的方法有很多種，但大致可以分為兩類：有老師學習和無老師學習。

在與老師一起學習的情況下，一個人以情境-解決方案對的形式向機器提供初始數據。 然後機器學習系統分析這些對並學習根據已知解決方案對情況進行分類。 例如，系統可以了解何時將傳入消息標記為垃圾郵件。

在沒有老師的情況下學習，機器接收未分類的信息——情況——沒有解決方案，並在沒有人類指導的情況下根據相似或不同的跡象學習對這些情況進行分類。

營銷人員使用機器學習來查找網站上用戶活動的模式。 這有助於他們預測用戶的進一步行為并快速優化廣告優惠。

在心理學中，模式是一組特定的行為反應或一系列共同的行動。 因此，我們可以討論人們使用模板的任何領域（生活的大部分領域）的模式。

考慮網站上使用的模式示例。 如果用戶對以下彈出窗口中的優惠不感興趣，他們可以通過以下方式關閉此窗口：

1. 點擊X符號
2. 點擊不，謝謝
3. 單擊彈出窗口之外的站點上的任意位置。

除了用戶可以執行的這三個操作之外，彈出窗口會在一段時間後自行關閉。

所以我們得到了四種可能的用戶操作：

1. 單擊X - 可以是真/假
2. 單擊不，謝謝- 可以是真/假
3. 點擊彈出窗口 - 可以是真/假
4. 彈出查看時間為5秒

當收集到數百個此類參數時，收集到的數據會獲得價值，因為它包含行為模式和依賴關係。 它隱藏了行為數據的巨大潛力，使我們能夠根據我們已經為其他用戶擁有的數據，用缺失的參數來補充用戶數據。

例如，定義目標受眾的最簡單方法是按性別和年齡。 但是如果用戶只在 10% 的情況下填寫這些數據呢？ 您如何了解有多少網站用戶屬於您的目標受眾？ 行為模式可以提供幫助。

您可以使用 10% 的用戶的性別和年齡數據來確定特定性別和年齡的特定模式。 然後您可以使用這些模式來預測剩餘 90% 用戶的性別和年齡。

擁有有關性別和年齡的完整數據，您現在可以為所有網站訪問者提供個性化的優惠。

機器學習在營銷中的作用是讓你可以根據大數據快速做出決策。

營銷人員的工作算法如下：營銷人員創建假設、測試、評估和分析假設。 這項工作是漫長而勞動密集型的，有時結果是不正確的，因為信息每秒都在變化。

例如，要評估 20 個廣告活動，考慮 5 個不同細分市場的 10 個行為參數，營銷人員將需要大約 4 個小時。 如果每天都進行這樣的分析，那麼營銷人員將花費一半的時間來評估活動的質量。 當使用機器學習時，評估需要幾分鐘，並且分段和行為參數的數量是無限的。

借助機器學習，您可以更快地響應廣告活動帶來的流量質量變化。 因此，您可以將更多時間用於創建假設，而不是執行常規操作。

結果的價值取決於進行分析的數據的相關性。 隨著數據變得過時，它的價值就會下降。 一個人根本無法處理分析系統每分鐘收集的大量信息。 機器學習系統可以處理數百個請求，將它們組織起來，並以問題的現成答案的形式提供結果。

機器學習在營銷中的主要優勢：

• 提高數據分析的質量
• 使您能夠在更短的時間內分析更多數據
• 適應變化和新數據
• 允許您自動化營銷流程並避免日常工作
• 快速完成上述所有操作

推薦系​​統的本質是為客戶提供他們目前感興趣的產品。

推薦系​​統的預測：客戶可能購買的商品。

如何使用這些數據：生成電子郵件和推送通知以及網站上的“推薦產品”和“類似產品”塊。

結果：用戶看到個性化的優惠，增加了他們購買的可能性。

用於此目的的常用算法： K-means 聚類。

一般來說，所有類型的定位的本質是將廣告預算只花在目標用戶身上。

最常用的定位類型：

• 細分定位——向具有相同屬性集的用戶組展示廣告
• 觸發定位——在用戶執行特定操作（例如，查看產品或將商品添加到購物車）後向用戶展示廣告

還有預測定位，您可以根據用戶購買的可能性向他們展示廣告。

這些類型的定位之間的主要區別在於，預測定位使用具有所有可能值的數十或數百個用戶參數的所有可能組合。 所有其他類型的定位都依賴於有限數量的具有特定值範圍的參數。

預測目標預測的內容：用戶在如何使用這些數據：

示例 1：發起廣告活動。 為此，根據購買概率創建細分並將這些細分上傳到 Google Ads、Facebook Ads 和其他廣告系統。

示例 2：分析廣告活動的有效性。 為此，根據購買概率創建細分並將這些細分上傳到 Google Analytics，並使用它們來分析廣告活動的有效性（哪個活動帶來最多的轉化）。

結果：向更有針對性的受眾展示廣告，提高活動的有效性。

用於此目的的常用算法： XGBoost、CATBoost、決策樹（如果數據很少或模式很明顯）。

計算生命週期價值或 LTV 的最著名方法是基於對客戶總利潤和客戶與企業互動時間的了解。 但是，許多現代業務任務要求您甚至在客戶離開之前計算 LTV。 在這種情況下，唯一的解決方案是根據可用數據預測 LTV。

LTV 預測的內容：每個用戶的 LTV（按細分）。

如何使用這些數據：

1. 細分被加載到推送通知或電子郵件服務中，並用於郵寄以減少客戶外流（流失率）。
2. 細分被上傳到谷歌分析，並用於根據預測的 LTV 分析廣告活動的有效性。

結果：每位用戶的廣告預算是根據 LTV 確定的，從而提高了廣告系列的效果。

用於此目的的常用算法： XGBoost、SVM、隨機森林、邏輯回歸。

在營銷中，流失或流出的概念是指離開公司的客戶以及相關的收入損失，通常以百分比或貨幣形式表示。

流失率預測允許您在客戶實際放棄您的產品或服務之前對其做出響應。

流失率預測的預測：按用戶細分的用戶離開概率

如何使用這些數據：可以將分段上傳到電子郵件或推送通知服務以及 Google Ads、Facebook Ads 和其他廣告系統。 您還可以將此信息傳遞給保留部門，以便他們可以親自聯繫很有可能離開的客戶。

結果：留住客戶。

用於此目的的常用算法： SVM、邏輯回歸和其他分類算法。

OWOX BI 中的 AI 算法分析您的營銷結果，將其與市場數據進行比較，並顯示您的增長區域和風險所在。 它還可以預測您的年度計劃的實施情況，以便您可以快速更改營銷策略。

渠道容量和市場趨勢是企業靠自己無法獲得的知識。 幸運的是，OWOX BI Insights 中的機器學習模型考慮了來自數万個項目的數據來做出準確的預測。 這使企業對重新分配廣告預算的建議充滿信心，因為這些建議是基於特定網站的會話。 他們還考慮了漏斗上游的市場趨勢、渠道容量、精細的廣告成本和媒體廣告印象。

OWOX BI 數據驅動的歸因模型評估您的廣告活動的有效性，考慮每個渠道通過轉化漏斗對客戶促銷的貢獻。 使用此模型，您將能夠公平地分配您的廣告預算，同時考慮到渠道對轉化的實際貢獻及其相互影響。

OWOX BI 中的模型計算基於馬爾可夫鍊和機器學習。 馬爾可夫鍊是一種概率模型，通過計算漏斗步驟之間的轉換概率，可以評估步驟對轉換的相互影響，並找出哪些步驟最重要。

如果您想了解 OWOX BI 歸因的工作原理，請註冊演示。 我們的同事將向您展示如何應用歸因的真實示例，並展示它如何對您的業務有用。

為什麼需要機器學習，它如何幫助您解決歸因問題？ 這是另一篇文章的主題（我們已經在準備）。

在本文中，讓我們弄清楚使用歸因在什麼級別做出決策。 我們將根據幾個標準比較這些級別：

• 水平本身
• 關鍵決策者
• 做出的決定類型
• 使用的工具
• 最常用的歸因模型

做出基於歸因的決策的級別：

1. 願景。 公司的願景由其董事會、首席執行官和營銷總監組成。 願景級決策與品牌投資和線上線下平衡預算相關。 用於做出此類決策的工具是市場研究和顧問。 經典的基於數據的歸因模型幾乎沒有一席之地，因為決策所依據的數據還不夠數字化。

2. 戰略。 通常，營銷和電子商務主管每月都會做出戰略決策。 這些決策專門用於渠道之間的預算分配和頂級 KPI 的定義。 有助於製定戰略決策的工具是 Visual IQ、OWOX BI 或休閒模型。 在這裡，企業使用數據驅動的歸因、Shapley 值和馬爾可夫鍊主題的變體，或基於漏斗的歸因。 在這個層面上，了解渠道的相互影​​響並對其發展做出戰略決策非常重要。

3.戰術。 通常，付費流量獲取經理每週甚至更頻繁地做出戰術決策。 預算分配發生在活動和廣告組之間，決策旨在明確 KPI 和活動目標。 為了做出戰術決策，您可以使用 Google 表格或 OWOX BI。 通常在這個級別，專家與 Google Analytics 合作。 為了評估媒體廣告的影響，大多數歸因模型使用相關的轉化、時間衰減和瀏覽後。

這個階段的特點是已經分配了頻道的預算。 因此，在這一點上，重要的是要了解將其花費在哪些廣告系列上，控制結果并快速關閉低效的廣告系列。

4. 執行。 在這種情況下，評估特定公告或關鍵字的貢獻的決定幾乎是實時發生的。 此類決定通常在廣告服務（Google Ads、Facebook Ads）內部做出。 事實上，客戶並不關心這裡使用了什麼優化機制，因為他們分別查看每個服務的結果。

如您所見，機器學習對於戰略和戰術任務最有用。 有時也應用在執行層面，但總體趨勢是廣告系統發展迅速，數據量大。 這些系統中用於管理廣告活動的內部算法比基於機器學習的外部模型產生更好的結果。

原因是為了應用機器學習，需要從廣告服務中快速導出大量數據，然後快速導入結果。 從技術上講，這是一項很難在工業規模上解決的任務。 因此，在執行層面，營銷人員傾向於依靠內部算法來優化廣告服務。

要使用機器學習解決戰術和戰略問題，您需要確保數據的完整性。 您可以使用 OWOX BI 做到這一點。 OWOX 將來自您的網站、廣告服務和 CRM 的數據結合起來，因此您可以創建一個漏斗，考慮到您的業務的特點和努力，旨在吸引客戶和增加銷售額。