Хотя машинное обучение и искусственный интеллект время от времени попадают в новости, они не изменили то, как мы занимаемся маркетингом.
Большинство маркетологов полагаются на готовые модели в инструментах, чтобы ориентироваться в машинном обучении. Хотя существуют проблемы с изучением Python и внедрением многих моделей машинного обучения из-за нехватки данных, есть некоторые проблемы, которые маркетологи могут сразу решить с помощью машинного обучения.
Итак, поехали;
1. Прогнозирование продаж. Когда дело доходит до прогнозирования продаж и определения целей продаж, маркетологи полагаются либо на простые прогнозы временных рядов, либо на фантазии начальника, либо на старую добрую астрологию. Есть лучшие модели, которые мы можем использовать, особенно когда исторические данные удобны. Одной из самых популярных используемых моделей является SARIMAX, что означает сезонную авторегрессивную интегрированную скользящую среднюю с экзогенными факторами.
Хотя терминология может быть трудной для понимания, SARIMAX в основном учитывает сезонный фактор и превращает ваши временные ряды в стационарные данные, а также пытается предсказать будущие значения на основе автокорреляции и пассивной автокоррекции. С точки зрения непрофессионала, он пытается понять корреляцию своих значений (продаж за данный период в этом примере) с его прошлыми значениями, а также понимает влияние значения временного ряда на его отдельное значение за предыдущий период.
Вы можете комбинировать эту модель с некоторыми экзогенными переменными, которые могут повлиять на ваши продажи.
Помимо SARIMAX, вы также можете использовать линейную регрессию или другие модели регрессии с учителем для прогнозирования непрерывных переменных, таких как ваши продажи.
Примечание. Вы можете использовать ту же концепцию для прогнозирования любого временного ряда, например: цены акций, стоимости или любого другого временного ряда.
2. Сегментация клиентов.Алгоритмы машинного обучения позволяют не только прогнозировать продажи, но и сегментировать пользователей на основе заданных вами параметров.
Здесь пригодятся как контролируемые, так и неконтролируемые модели машинного обучения, но я бы предложил использовать модели контролируемого обучения, так как вам будет легче объяснить это заинтересованным сторонам в вашей компании.
В моделях контролируемого машинного обучения вы можете использовать классификатор KNN или логистическую регрессию для классификации ваших клиентов по классам.
Вы можете начать с элементарной модели RFM (новизна, частота и денежная стоимость), если вы не хотите внедрять сложную модель в первую очередь. Модель RFM в основном делит данные о ваших клиентах на когорты по давности, частоте и денежной стоимости (доход или прибыль) и присваивает рейтинг вашим клиентам на основе этих 3 параметров. Опубликуйте, что мы суммируем эти ранги, чтобы получить общий балл. Этот общий балл можно рассматривать как приоритетный балл, который вы даете своим клиентам.
Таким образом, вы можете узнать, какие клиенты являются наиболее частыми, последними и приносят максимальный доход или прибыль.
Модель классификатора KNN может использоваться для задачи классификации и, по сути, может предсказывать классы на основе данных, которые вы предоставляете алгоритму. Одним из таких вариантов использования является прогнозирование класса оттока (Да/Нет). Поскольку клиент либо конвертируется, либо нет, это случай бинарной классификации. Затем вы предоставляете данные, относящиеся к клиентам, и их статусу «Отток» по сравнению с «Отсутствие оттока». Это полезно для вашей модели, чтобы узнать взаимосвязь между тем, что вызывает отток клиентов, а что нет.
3. Поиск CLV: чтобы понять, какую сумму денег вы можете позволить себе потратить на привлечение клиента, очень важно понять ценность жизненного цикла клиента. Это может быть основано на вашей прибыли или на доходе, который вы получаете от клиента в течение его жизни.
Пожизненная ценность клиента = средний доход * коэффициент удержания/коэффициент оттока
Обратите внимание, что существуют и другие более сложные модели для расчета CLV, но уравнение вверху может служить хорошей отправной точкой. Когда у вас есть значения продолжительности жизни клиента для всех клиентов, вы можете использовать регрессионные модели, чтобы предсказать его для других заданных переменных, таких как страна, возраст, пол клиента в вашей базе данных.
Это не останавливается здесь. Помимо упомянутых выше случаев использования, существуют библиотеки NLP, которые вы можете использовать, чтобы понять намерение использования из текстовых данных и провести анализ настроений в обзорах вашего бренда.
Некоторые из этих моделей могут давать предсказуемые результаты, а некоторые — ценную информацию о ваших данных, но эти модели следует применять с осторожностью. Знание предметной области имеет большое значение, когда вы применяете эти модели на практике. Эти модели следуют философии GIGO (мусор-в-мусор-выход), поэтому, если вы планируете применять регрессионную модель к данным, которые не имеют особого смысла, результаты также не будут иметь смысла.
Первоначально опубликовано на https://www.linkedin.com.
