Machine learning nel marketing digitale: esempi di casi d'uso

Un paio di decenni fa, la prima cosa che mi è venuta in mente quando hai sentito le parole "intelligenza artificiale" è stata probabilmente l'ascesa delle macchine e del Terminator con un fucile a canne mozze. Oggi, questo termine ha associazioni piuttosto positive. Quasi tutti incontrano l'apprendimento automatico nella vita ordinaria. Ad esempio, potresti comunicare con un chatbot su un sito Web, visualizzare offerte promozionali corrispondenti ai tuoi hobby o impostare un filtro antispam nel tuo servizio di posta elettronica.

Per gli esperti di marketing, l'apprendimento automatico è un'opportunità per prendere rapidamente decisioni cruciali basate sui big data. In questo articolo parleremo di quali decisioni puoi prendere in base ai big data.

Cominciamo con un po' di terminologia. Secondo Wikipedia, l'apprendimento automatico (ML) è una classe di metodi di intelligenza artificiale caratterizzati dal non fornire soluzioni dirette ai problemi, ma piuttosto addestrare sistemi per applicare soluzioni.

Esistono molti metodi di apprendimento automatico, ma possono essere approssimativamente divisi in due gruppi: apprendimento con un insegnante e apprendimento senza insegnante.

Nel caso dell'apprendimento con un insegnante, una persona fornisce alla macchina i dati iniziali sotto forma di coppie situazione-soluzione . Il sistema di apprendimento automatico analizza quindi queste coppie e impara a classificare le situazioni in base a soluzioni note. Ad esempio, un sistema può imparare quando contrassegnare i messaggi in arrivo come spam.

Nel caso dell'apprendimento senza un insegnante, la macchina riceve informazioni non ordinate - situazioni - senza soluzioni e impara a classificare quelle situazioni in base a segni simili o diversi senza la guida umana.

Gli esperti di marketing utilizzano l'apprendimento automatico per trovare modelli nelle attività degli utenti su un sito Web. Questo li aiuta a prevedere l'ulteriore comportamento degli utenti e a ottimizzare rapidamente le offerte pubblicitarie.

In psicologia, un modello è un particolare insieme di reazioni comportamentali o una sequenza comune di azioni. Pertanto, possiamo parlare di modelli in relazione a qualsiasi area in cui le persone utilizzano i modelli (che è la maggior parte delle aree della vita).

Considera l'esempio di un modello utilizzato sui siti Web. Se l'utente non è interessato all'offerta nella finestra pop-up mostrata di seguito, può chiudere questa finestra:

1. cliccando sul segno X
2. facendo clic su No grazie
3. facendo clic in un punto qualsiasi del sito al di fuori della finestra pop-up.

Oltre a queste tre azioni che l'utente può intraprendere, la finestra pop-up si chiuderà da sola dopo un certo periodo di tempo.

Quindi otteniamo quattro possibili azioni dell'utente:

1. Fare clic su X — Può essere vero/falso
2. Fare clic su No, grazie — Può essere vero/falso
3. Fai clic oltre il pop-up: può essere vero/falso
4. Il tempo di visualizzazione del pop-up è di 5 secondi

Quando vengono raccolti centinaia di tali parametri, i dati raccolti acquistano valore perché contengono modelli di comportamento e dipendenze. Nasconde l'enorme potenziale dei dati comportamentali, consentendoci di integrare i dati degli utenti con i parametri mancanti in base ai dati che già abbiamo per altri utenti.

Ad esempio, il modo più semplice per definire un pubblico di destinazione è per sesso ed età. Ma cosa succede se gli utenti compilano questi dati solo nel 10% dei casi? Come puoi capire quanti utenti del tuo sito web rientrano nel tuo pubblico di destinazione? I modelli di comportamento possono aiutare.

Puoi utilizzare i dati di sesso ed età del 10% degli utenti per determinare i modelli specifici per un determinato sesso ed età. Quindi puoi utilizzare questi modelli per prevedere il sesso e l'età del restante 90% degli utenti.

Avendo dati completi su sesso ed età, ora puoi fare offerte personalizzate a tutti i visitatori del sito web.

Il ruolo dell'apprendimento automatico nel marketing è quello di consentire di prendere rapidamente decisioni basate sui big data.

L'algoritmo per il lavoro dei marketer è il seguente: i marketer creano ipotesi, le testano, le valutano e le analizzano. Questo lavoro è lungo e laborioso e talvolta i risultati non sono corretti perché le informazioni cambiano ogni secondo.

Ad esempio, per valutare 20 campagne pubblicitarie considerando 10 parametri comportamentali per cinque diversi segmenti, un marketer avrà bisogno di circa quattro ore. Se tale analisi viene eseguita ogni giorno, il marketer trascorrerà esattamente metà del proprio tempo a valutare la qualità delle campagne. Quando viene utilizzato l'apprendimento automatico, la valutazione richiede pochi minuti e il numero di segmenti e parametri di comportamento è illimitato.

Con il machine learning puoi rispondere più velocemente ai cambiamenti nella qualità del traffico apportati dalle campagne pubblicitarie. Di conseguenza, puoi dedicare più tempo alla creazione di ipotesi piuttosto che all'esecuzione di azioni di routine.

Il valore dei tuoi risultati dipende dalla rilevanza dei dati su cui è stata condotta l'analisi. Quando i dati diventano obsoleti, il loro valore diminuisce. Una persona semplicemente non può elaborare i volumi di informazioni che vengono raccolti ogni minuto dai sistemi analitici. I sistemi di apprendimento automatico possono elaborare centinaia di richieste, organizzarle e fornire risultati sotto forma di una risposta pronta a una domanda.

Vantaggi principali dell'apprendimento automatico nel marketing:

• Migliora la qualità dell'analisi dei dati
• Consente di analizzare più dati in meno tempo
• Si adatta ai cambiamenti e ai nuovi dati
• Consente di automatizzare i processi di marketing ed evitare il lavoro di routine
• Fa tutto quanto sopra rapidamente

L'essenza di un sistema di raccomandazione è offrire ai clienti i prodotti a cui sono interessati in questo momento.

Cosa prevede un sistema di raccomandazione: beni che è probabile che un cliente acquisterà.

Come vengono utilizzati questi dati: per generare e-mail e notifiche push, nonché blocchi "Prodotti consigliati" e "Prodotti simili" su un sito web.

Risultato: gli utenti vedono offerte personalizzate, aumentando la probabilità che effettuino un acquisto.

Algoritmi comuni per questo scopo: K-means clustering.

In generale, l'essenza di tutti i tipi di targeting è spendere il budget pubblicitario solo per gli utenti target.

Tipi di targeting più utilizzati:

• Targeting per segmento : mostra gli annunci a gruppi di utenti con lo stesso insieme di attributi
• Attiva il targeting : mostra gli annunci agli utenti dopo che hanno eseguito una determinata azione (ad esempio, visualizzare un prodotto o aggiungere un articolo al carrello)

Esiste anche il targeting predittivo , in cui mostri gli annunci agli utenti in base alla probabilità che effettuino un acquisto.

La principale differenza tra questi tipi di targeting è che il targeting predittivo utilizza tutte le possibili combinazioni di decine o centinaia di parametri utente con tutti i valori possibili. Tutti gli altri tipi di targeting si basano su un numero limitato di parametri con determinati intervalli di valori.

Cosa prevede il targeting previsionale : la probabilità che un utente effettui un acquisto in Come vengono utilizzati questi dati:

Esempio 1: per lanciare campagne pubblicitarie. A tale scopo, crea segmenti basati sulla probabilità di un acquisto e carica tali segmenti su Google Ads, Facebook Ads e altri sistemi pubblicitari.

Esempio 2: analizzare l'efficacia delle campagne pubblicitarie. A tale scopo, crea segmenti in base alla probabilità di acquisto e carica tali segmenti su Google Analytics e utilizzali per analizzare l'efficacia delle campagne pubblicitarie (quale campagna genera il maggior numero di conversioni).

Risultato: la pubblicità viene mostrata a un pubblico più mirato, aumentando l'efficacia delle campagne.

Algoritmi comuni per questo scopo: XGBoost, CATBoost, Decision Tree (se sono disponibili pochi dati o sono evidenti pochi pattern).

I metodi più noti per calcolare il lifetime value, o LTV, si basano sulla conoscenza del profitto totale di un cliente e del tempo per il quale il cliente ha interagito con l'azienda. Tuttavia, molte attività aziendali moderne richiedono il calcolo dell'LTV anche prima che un cliente se ne vada. In questo caso, l'unica soluzione è prevedere l'LTV in base ai dati disponibili.

Cosa prevede la previsione LTV: LTV di ciascun utente per segmento.

Come vengono utilizzati questi dati:

1. I segmenti vengono caricati nelle notifiche push o nei servizi di posta elettronica e utilizzati per l'invio di posta per ridurre i deflussi dei clienti (il tasso di abbandono).
2. I segmenti vengono caricati su Google Analytics e utilizzati per analizzare l'efficacia delle campagne pubblicitarie in base all'LTV previsto.

Risultato : il budget pubblicitario per utente è determinato in base all'LTV, che migliora l'efficacia delle campagne.

Algoritmi comuni per questo scopo: XGBoost, SVM, Random Forest, Logistic Regression.

Nel marketing, il concetto di abbandono o deflusso si riferisce ai clienti che hanno lasciato l'azienda e alla conseguente perdita di entrate ed è solitamente espresso in termini percentuali o monetari.

La previsione del tasso di abbandono ti consente di rispondere all'intenzione di un cliente di abbandonare il tuo prodotto o servizio prima che lo facciano effettivamente.

Cosa prevede la previsione del tasso di abbandono: la probabilità che gli utenti se ne vadano per segmento di utenti

Come vengono utilizzati questi dati: i segmenti possono essere caricati su e-mail o servizi di notifica push, nonché su Google Ads, Facebook Ads e altri sistemi pubblicitari. Puoi anche passare queste informazioni al dipartimento di conservazione in modo che possano contattare personalmente i clienti con un'alta probabilità di andarsene.

Risultato: fidelizzare i clienti.

Algoritmi comuni per questo scopo: SVM, Logistic Regression e altri algoritmi di classificazione.

L'algoritmo AI in OWOX BI analizza i tuoi risultati di marketing, li confronta con i dati di mercato e mostra dove sono le tue zone di crescita e i tuoi rischi. Prevede inoltre l'implementazione del tuo piano annuale in modo da poter cambiare rapidamente la tua strategia di marketing.

La capacità del canale e le tendenze del mercato sono conoscenze che un'azienda non può ottenere da sola. Fortunatamente per te, il modello di apprendimento automatico in OWOX BI Insights tiene conto dei dati di decine di migliaia di progetti per fare previsioni accurate. Ciò dà alle aziende fiducia nei consigli per ridistribuire i propri budget pubblicitari, poiché questi consigli si basano su sessioni per un determinato sito. Tengono inoltre conto delle tendenze del mercato, della capacità del canale, dei costi pubblicitari granulari e delle impressioni pubblicitarie sui media nelle fasi superiori della canalizzazione.

Il modello di attribuzione basata sui dati di OWOX BI valuta l'efficacia delle tue campagne pubblicitarie, considerando il contributo di ciascun canale alla promozione del cliente attraverso il funnel di conversione. Con questo modello potrai allocare equamente il tuo budget pubblicitario, tenendo conto del reale contributo dei canali alle conversioni e della loro reciproca influenza.

Il calcolo del modello in OWOX BI si basa sulle catene di Markov e sull'apprendimento automatico. Una catena di Markov è un modello probabilistico che, attraverso il calcolo delle probabilità di transizioni tra i passaggi del funnel, consente di valutare l'influenza reciproca dei passaggi sulle conversioni e scoprire quali sono i passaggi più significativi.

Se vuoi vedere come funziona l'attribuzione OWOX BI, iscriviti a una demo. I nostri colleghi ti mostreranno esempi reali di come applicare l'attribuzione e dimostreranno come può essere utile per la tua attività.

Perché è necessario il machine learning e in che modo ti aiuta a risolvere il problema di attribuzione? Questo è un argomento per un articolo separato (che stiamo già preparando).

In questo articolo, scopriamo a quale livello vengono prese le decisioni utilizzando l'attribuzione. Confronteremo questi livelli in base a diversi criteri:

• Il livello stesso
• I decisori chiave
• Tipi di decisioni prese
• Strumenti utilizzati
• I modelli di attribuzione più spesso utilizzati

Livelli ai quali vengono prese le decisioni basate sull'attribuzione:

1. Visione. La visione di un'azienda è formata dal consiglio di amministrazione, dal CEO e dal direttore marketing. Le decisioni a livello di visione sono associate agli investimenti nel marchio e al bilanciamento dei budget tra online e offline. Gli strumenti utilizzati per prendere tali decisioni sono ricerche di mercato e consulenti. Raramente c'è posto per i classici modelli di attribuzione basati sui dati, poiché i dati su cui si basano le decisioni non sono abbastanza digitalizzati.

2. Strategico. Le decisioni strategiche vengono prese mensilmente, di norma, dai direttori del marketing e dell'e-commerce. Tali decisioni sono dedicate all'allocazione del budget tra i canali e alla definizione del KPI di primo livello. Gli strumenti che aiutano a prendere decisioni strategiche sono Visual IQ, OWOX BI o modelli casual. Qui, l'azienda utilizza l'attribuzione basata sui dati, variazioni sul tema del valore Shapley e delle catene di Markov o l'attribuzione basata su imbuto. A questo livello, è importante comprendere l'influenza reciproca dei canali e prendere decisioni strategiche sul loro sviluppo.

3. Tattico. Di solito, le decisioni tattiche vengono prese settimanalmente o anche più frequentemente dal gestore dell'acquisizione del traffico a pagamento. L'allocazione del budget avviene tra le campagne e gli insiemi di annunci e le decisioni mirano a chiarire i KPI e gli obiettivi della campagna. Per prendere decisioni tattiche, puoi utilizzare Fogli Google o OWOX BI. Spesso a questo livello, gli specialisti lavorano con Google Analytics. Per valutare l'impatto della pubblicità sui media, la maggior parte dei modelli di attribuzione utilizza conversioni associate, decadimento temporale e post-visualizzazione.

La particolarità di questa fase è che il budget per un canale è già stato allocato. Quindi, a questo punto, è importante capire su quali campagne spenderli, controllare i risultati e disattivare rapidamente le campagne inefficienti.

4. Esecuzione. Questo è quando la decisione di valutare il contributo di un particolare annuncio o parola chiave avviene quasi in tempo reale. Tali decisioni vengono in genere prese all'interno dei servizi pubblicitari (Google Ads, Facebook Ads). In effetti, al cliente non interessa quali meccanismi di ottimizzazione vengono utilizzati qui, poiché esamina i risultati di ciascun servizio separatamente.

Come puoi vedere, l'apprendimento automatico è molto utile per attività strategiche e tattiche. A volte viene applicato anche a livello di esecuzione, ma la tendenza generale è che i sistemi pubblicitari si sviluppano rapidamente e dispongono di molti dati. Gli algoritmi interni utilizzati in questi sistemi per gestire le campagne pubblicitarie producono risultati migliori rispetto a un modello esterno basato sul machine learning.

Il motivo è che per applicare l'apprendimento automatico, è necessario esportare rapidamente grandi quantità di dati dal servizio pubblicitario e quindi importare rapidamente i risultati. Tecnicamente, questo è un compito difficile da risolvere su scala industriale. Pertanto, a livello di esecuzione, i marketer tendono a fare affidamento su algoritmi interni per ottimizzare i servizi pubblicitari.

Per utilizzare l'apprendimento automatico per risolvere problemi tattici e strategici, è necessario garantire la completezza dei dati. Puoi farlo con OWOX BI. OWOX combina i dati del tuo sito Web, dei servizi pubblicitari e del CRM in modo da poter creare un funnel che tenga conto delle peculiarità e degli sforzi della tua attività e sia finalizzato ad attirare clienti e aumentare le vendite.