Машинное обучение в digital-маркетинге: примеры применения

Материалы для скачивания
1.25 Mb

Пару десятков лет назад первым, что приходило на ум при словах «искусственный интеллект», было восстание машин и Терминатор с обрезом наперевес. Сейчас же этот термин вызывает скорее положительные ассоциации. Практически каждый человек сталкивается с машинным обучением в обычной жизни. К примеру, когда он общается с чат-ботом на сайте, встречает рекламные предложениях, соответствующие его увлечениям, или настраивает спам-фильтр в почте.

Для маркетологов машинное обучение — это возможность быстро принимать важные решения на основе больших данных. А какие именно решения — вы узнаете в этой статье.

бонус для читателей

Как применять машинное обучение в атрибуции

Скачать материал

Содержание

Что такое машинное обучение

Для начала немного терминологии. Согласно Википедии, машинное обучение (англ. Machine Learning, ML) — это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач.

Существует много способов машинного обучения, но условно их можно поделить на две группы: обучение с учителем и без.

В первом случае учитель, то есть человек, снабжает машину исходными данными в формате «ситуация — решение». Машина их анализирует и учится самостоятельно классифицировать в дальнейшем. Например, когда мы помечаем входящие сообщения как спам.

Во втором случае компьютер получает несортированную информацию, то есть «ситуацию» без «решения», и сам учится ее классифицировать на основе схожих либо отличных признаков без подсказок человека.

Машинное обучение в онлайн-маркетинге

Маркетологи используют машинное обучение, чтобы находить шаблоны (паттерны) в действиях пользователей на сайте. Это помогает им предугадывать дальнейшее поведение других пользователей и оперативно корректировать рекламные предложения.

В чем потенциал поведенческих данных?

Термином «паттерн» в психологии называют определенный набор, шаблон поведенческих реакций или последовательностей стереотипических действий. Поэтому говорить о паттернах можно касательно любой области, где человек применяет шаблоны (а это почти все сферы его деятельности).

Рассмотрим пример паттерна на сайте: если пользователя не заинтересовало предложение во всплывающем окне (pop-up), у него есть три варианта, как это окно закрыть:

  1. Кликнуть на знак «Х».
  2. Нажать кнопку «Нет, спасибо».
  3. Кликнуть мимо всплывающего окна.
поведенческие данные сайта

Кроме выбора, который сделает пользователь, есть еще время от всплывания pop-up до его закрытия.

Таким образом мы получили четыре параметра о пользователе:

  1. Клик на Х — может принимать значение true/false.
  2. Клик на кнопку «Нет, спасибо» — может принимать значение true/false.
  3. Клик мимо pop-up — может принимать значение true/false.
  4. Время просмотра поп-апа — 5 sec.

Когда собираются сотни таких параметров, данные обретают ценность, так как они содержат паттерны поведения и зависимости между ними. В этом скрывается огромный потенциал поведенческих данных. Это дает нам возможность дополнить данные о пользователе недостающими параметрами, исходя из тех данных, которые у нас уже есть по другим пользователям.

Например, самое простое определение целевой аудитории (ЦА) происходит по полу и возрасту. Но что делать, если пользователи заполняют эти данные только в 10% случаях? Как понять, сколько из 90% пользователей сайта попадают в вашу ЦА? Именно паттерны поведения смогут ответить на этот вопрос.

Можно использовать данные 10% пользователей, по которым есть пол и возраст, для определения паттернов, свойственных определенному полу и возрасту. И спрогнозировать пол и возраст остальных 90% пользователей.

Обладая полными данными про пол и возраст, можно делать более персонализированные предложения всем посетителям сайта.

бонус для читателей

Как применять машинное обучение в атрибуции

Скачать материал

Почему машинное обучение эффективно в маркетинге

Если описать роль ML в маркетинге одним предложением, то оно будет звучать так: машинное обучение дает возможность быстро принимать решения на основе больших данных.

Алгоритм работы маркетологов выглядит следующим образом: они создают гипотезы, тестируют их, оценивают, анализируют. Это долго, трудозатратно и иногда некорректно, потому что информация изменяется ежесекундно.

К примеру, чтобы оценить 20 рекламных кампаний с учетом 10 поведенческих параметров для 5 разных сегментов, маркетологу потребуется около 4 часов. Если такой анализ проводить каждый день, то ровно половину времени специалист будет тратить на оценку качества кампаний. При использовании ML оценка происходит за считанные минуты, а количество сегментов и параметров поведения неограниченны.

Это позволяет быстрее реагировать на изменения в качестве трафика, который приводят рекламные кампании. В итоге специалист уделяет больше времени созданию гипотез, а не рутинным действиям.

Ценность результатов анализа зависит от актуальности данных, на которых этот анализ проводился. По мере устаревания данных их ценность снижается. Те объемы информации, которые ежеминутно собираются аналитическими системами, человек обработать просто не в состоянии.

Это задача машинного обучения. Обработать сотни запросов, систематизировать их, предоставить результаты в виде готового ответа на вопрос.

Основные преимущества использования ML в маркетинге:

  • ML повышает качество анализа данных.
  • Дает возможность анализировать больший объем данных за меньшее количество времени.
  • Адаптируется под изменения и ввод новых данных.
  • Позволяет автоматизировать маркетинговые процессы и избавить маркетологов от рутины.
  • Делает все вышеперечисленное быстро.

Примеры использования ML в маркетинге

1. Рекомендательная система

Суть рекомендательной системы — предложить пользователю товар, в котором он наиболее заинтересован на данный момент.

Что предсказывает алгоритм: N товаров, вероятность покупки которых выше всех.

Как эти данные используются: email и push-рассылки, блоки «Рекомендуемые товары» и «Похожие товары» на сайте.

Результат: пользователи видят персонализированные офферы, в связи с этим повышается вероятность совершения покупки.

Распространенные алгоритмы для решения этой задачи: Метод k-средних (k-means).

2. Прогнозный таргетинг

В целом, суть у всех видов таргетинга одна — расходовать бюджет на целевых пользователей и не расходовать на тех, кто не попадает в ЦА.

Наиболее используемые виды таргетинга:

  • Таргетинг по сегментам — показ рекламы группам пользователей с одинаковыми наборами атрибутов.
  • Триггерный таргетинг — показ рекламы пользователям после совершения ими определенного действия (например, просмотр продукта, добавление товара в корзину).

Существует также и прогнозный таргетинг — показ рекламы пользователям на основе вероятности совершения ими покупки.

Основное отличие между перечисленными видами таргетинга в том, что в прогнозном таргетинге используются все возможные комбинации десятков или сотен параметров пользователя со всеми возможными значениями. А в остальных видах таргетинга используется ограниченное количество параметров с определенными диапазонами значений.

Что предсказывает алгоритм: вероятность того, что пользователь совершит покупку за N дней.

Как эти данные используются

Пример 1: создаются сегменты на основе вероятности совершения покупки. Сегменты загружаются в Google Ads, Facebook Ads, Яндекс. Аудитории и другие рекламные системы, а потом используются для запуска рекламных кампаний.

Кстати, у OWOX BI есть автоматический импорт аудиторий из Google BigQuery в рекламные сервисы. С его помощью вы можете создавать, обновлять и загружать аудитории в рекламные сервисы автоматически. Управляйте ставками на основе данных, повышайте ROI и конверсии, экономьте рекламный бюджет!

Пример 2: создаются сегменты на основе вероятности совершения покупки. Сегменты загружаются в Google Analytics и используются для анализа эффективности рекламных кампаний (какая кампания приводит наиболее конверсионных пользователей).

Результат: реклама показывается более целевой аудитории — эффективность кампаний, таргетированной на такой сегмент значительно выше.

Распространенные алгоритмы для решения этой задачи: XGBoost, CATBoost, Decision Tree (если мало данных или закономерности очевидны).

3. Прогнозирование LTV

Большинство известных методов расчета LTV основаны на знаниях итоговой прибыли от клиента и времени его взаимодействия с бизнесом. Однако, многие современные бизнес-задачи требуют расчета LTV еще до того, как клиент перестанет быть вашим клиентом. В этом случае единственным решением является прогнозирование LTV на основе имеющихся данных.

Читайте также: как посчитать LTV, почему этот показатель важен для ваших продаж, и как его улучшить с помощью OWOX BI.

Что предсказывает алгоритм: LTV каждого пользователя в разбивке по сегментам.

Как эти данные используются:

  1. Сегменты загружаются в push или email-сервисы и используются для рассылки с целью снизить отток клиентов (Churn Rate).
  2. Сегменты загружаются в Google Analytics и используются для анализа эффективности рекламных кампаний на основе спрогнозированного LTV.

Результат: рекламный бюджет на пользователя определяется на основе LTV, что повышает эффективность кампаний.

Распространенные алгоритмы для решения этой задачи: XGBoost, SVM, Random Forest, Logistic Regression.

4. Прогнозирование Churn Rate

В маркетинге понятие churn или «отток» обозначает ушедших из компании клиентов и связанных с ними доходов и обычно выражается в процентном или денежном отношении.

Прогнозирование Churn Rate позволяет среагировать на намерение клиента отказаться от услуги/сервиса еще до фактического отказа.

Читайте также: что такое Churn Rate, как он считается и на что влияет. Почему уходят клиенты и как остановить этот процесс.

Что предсказывает алгоритм: вероятность ухода каждого пользователя в разбивке по сегментам.

Как эти данные используются: Сегменты можно загружать в сервисы email или push-рассылок. Загружать в Google Ads, Facebook Ads, Яндекс. Аудитории и другие рекламные системы. Передать информацию Retention отделу, для персональной обработки клиентов с высокой вероятностью ухода.

Результат: предотвращение оттока клиентов.

Распространенные алгоритмы для решения этой задачи: SVM, Logistic Regression и другие алгоритмы классификации.

Как OWOX BI использует машинное обучение

OWOX BI Insights

AI-алгоритм OWOX BI анализирует ваш маркетинг, сравнивает с данными рынка и показывает, где ваши зоны роста и риски. А также дает прогноз о выполнении годового плана, чтобы вы могли оперативно изменить маркетинг-стратегию

Емкость каналов и тренды рынка — это те знания, которые бизнес не может получить самостоятельно. Нам повезло — OWOX BI Insights имеет возможность использовать данные десятков тысяч проектов, чтобы модель машинного обучения учитывала эти знания в предсказательных функциях. Таким образом бизнес, видя некий совет о перераспределении рекламного бюджета, может понимать, что он сформирован не в абстрактном вакууме, а на основе сессий конкретного сайта. Также этот совет учитывает тренды рынка, емкость каналов, расходы на рекламу в гранулированном виде и показы медийной рекламы на верхнем этапе воронки.

Читайте также: зачем строить прогнозы и как находить в них зоны роста и риски, чтобы всегда быть на шаг впереди конкурентов.

OWOX BI ML Funnel Based Attribution

Модель атрибуции OWOX BI оценивает эффективность ваших рекламных кампаний, учитывая вклад каждого канала в продвижение клиента по конверсионной воронке. С ее помощью вы сможете справедливо распределить рекламный бюджет с учетом реального вклада каналов на конверсию и их взаимного влияния.

Подробнее о преимуществах и возможностях атрибуции от OWOX BI читайте в нашей статье:

Расчет модели в OWOX BI происходит на основе цепей Маркова и машинного обучения. Атрибуция на основе цепей Маркова — это вероятностная модель, которая через расчет вероятностей переходов между шагами воронки позволяет оценить взаимное влияние шагов на конверсию и узнать, какой из них — самый значимый.

Если вы хотите увидеть, как работает атрибуция OWOX BI, запишитесь на демо. Наши коллеги покажут вам реальные примеры применения атрибуции и расскажут, чем она может быть полезна именно вашему бизнесу.

Наши клиенты
растут на 22% быстрее

Растите быстрее, анализируя, что лучше сработает в вашем маркетинге

Измеряйте KPI, находите зоны роста и увеличивайте свой ROI

Записаться на демо

Области применения машинного обучения в атрибуции

Для чего нужно машинное обучение и как оно помогает решить задачу атрибуции? Вообще, это тема для отдельной статьи и мы ее уже готовим :) А пока вы можете посмотреть вебинар:

Запись вебинара
Создание моделей атрибуции с помощью машинного обучения и Google BigQuery

А в этой статье давайте разберемся, на каком уровне принимаются решения с помощью атрибуции. Сравним эти уровни, исходя из нескольких критериев:

  • Сам уровень.
  • Лицо, принимающее решение.
  • Вид решения.
  • Технологии, которые для этого используются.
  • Модели атрибуции, которые чаще всего помогают это сделать.

Уровни принятия решений на основе атрибуции:

1. На верхнем уровне находится видение. Его формирует совет директоров, CEO, маркетинг-директор. Тип решений связан с инвестициями в бренд, с аллокацией бюджета между онлайн и офлайн. А инструмент, который используется для принятия таких решений — это исследование рынков и консультанты. Здесь редко есть место классическим моделям атрибуции на основе данных, так как самих данных в оцифрованном виде недостаточно.

2. Следующий уровень — это стратегические решения. Их принимают ежемесячно, как правило, маркетинг- и ecommerce-директоры. Посвящены эти решения аллокации бюджета между каналами и определению KPI верхнего уровня. Инструменты, которые помогают это сделать — Visual IQ, OWOX BI или кастомные модели. Здесь бизнес использует Data Driven атрибуцию, вариации на тему Вектора Шепли и Цепей Маркова или Funnel Based атрибуцию. На этом уровне важно понимать взаимное влияние каналов и принимать стратегические решения по их развитию.

Читайте также: плюсы и минусы большинства известных моделей атрибуции: от стандартных моделей из Google Analytics до Цепей Маркова и Вектора Шепли.

3. Тактические решения принимаются еженедельно или чаще. Обычно их принимает менеджер по привлечению платного трафика. Аллокация бюджета происходит между кампаниями и группами объявлений, а решения направлены на уточнение KPI и целей по кампаниям. Здесь уже можно использовать Google Sheets или OWOX BI. Часто на этом уровне работают с Google Analytics. Применяются знакомые большинству модели атрибуции: ассоциированные конверсии, Time Decay, Post-View как инструмент оценки влияния медийной рекламы и Funnel Based.

Особенность этого этапа в том, что бюджет на канал уже выделен — важно понять, на какие кампании его потратить, контролировать результаты и быстро отключать неэффективные кампании.

4. Последний уровень — это выполнение, когда решение об оценке вклада того или иного объявления или ключевого слова происходит в режиме, близком к реальному времени. Чаще всего такие решения принимаются внутри рекламных сервисов (Google Ads, Facebook Ads, Яндекс. Директ). По сути заказчику не важно, какие механизмы оптимизации здесь используются, потому что он смотрит на результаты каждого сервиса отдельно.

Как видим, целесообразнее всего применять машинное обучение для стратегических и тактических задач. Иногда оно также применяется на уровне уточнения ставок, но общий тренд таков, что рекламные системы развиваются быстрее и обладают большим количеством данных. Внутренние алгоритмы, которые используются в этих системах для управления рекламными кампаниями, дают лучший результат, чем использование внешней модели на основе машинного обучения.

Причина в том, что для применения машинного обучения необходимо очень быстро экспортировать большие объемы данных из рекламного сервиса и быстро записывать их назад. Технически это трудно решаемая задача в промышленных масштабах. Поэтому на уровне уточнения ставок и ключевых слов чаще всего полагаются на внутренние алгоритмы оптимизации рекламных сервисов.

Чтобы применять машинное обучение для решения тактических и стратегических задач, вам необходимо обеспечить полноту данных. Сделать это вы можете с помощью OWOX BI. Мы объединим ваши данные с сайта, из рекламных сервисов и CRM, чтобы вы могли создать воронку, которая учитывает особенности и усилия вашего бизнеса, направленные на привлечение клиентов и рост продаж.

Наши клиенты
растут на 22% быстрее

Растите быстрее, анализируя, что лучше сработает в вашем маркетинге

Измеряйте KPI, находите зоны роста и увеличивайте свой ROI

Записаться на демо