Ознакомительная версия. Доступно 10 страниц из 46
наиболее полезна, когда продукты покупаются и используются вместе или одновременно друг с другом. Построение модели включает то, что известно как анализ аффинитивности продуктов[27]. Например, люди, покупающие рубашку, могут быть заинтересованы также в покупке подходящих под нее брюк или ботинок. А люди, читающие новостную статью, могут хотеть прочитать другие статьи этого же корреспондента или узнать больше на тему статьи.
Предиктивное управление брендом
Предиктивная аналитика может помочь маркетологам планировать их бренд-коммуникации и маркетинговые коммуникационные активности, особенно в цифровом пространстве. Основные требования к аналитике данных включают построение полных профилей аудитории и отображение ключевых компонентов успешных в прошлом кампаний. Анализ будет полезен, чтобы предусмотреть, какие будущие кампании с высокой долей вероятности преуспеют. Так как машинное обучение – это непрекращающийся путь, бренд-менеджеры могут продолжить оценивать свои кампании и оптимизировать те, которые могут не оправдать ожиданий.
При разработке рекламного креатива и реализации контент-маркетинга бренд-менеджеры могут использовать машинное обучение для оценки реакции покупателей на различные комбинации текста и визуального сопровождения. Анализ тональности текстов в социальных сетях и в отзывах на сторонних сайтах может помочь понять, как клиенты относятся к вашему бренду и кампаниям. Также аналитическая модель может собирать данные о том, какие цифровые кампании принесли больше переходов. Таким образом, бренд-менеджеры могут создавать креатив и контент, который приносит оптимальные результаты: положительные эмоции или высокий коэффициент переходов (CTR).
Предиктивная аналитика также может быть мощным инструментом для направления контента подходящей аудитории. Это работает двумя способами. Компании могут разработать брендированный контент и затем определить, каким покупательским сегментам их будет наиболее целесообразно адресовать, а также когда и где вовлекать их. Альтернативно компании могут составлять профили покупателей и затем предсказывать, какой контент больше всего им откликнется на каждом шаге клиентского пути.
Покупателям может быть сложно найти нужную им информацию в большом количестве контента, транслируемого брендами. Предиктивная модель может предложить решение, прогнозируя правильное соответствие аудитории и контента, которое приведет к оптимальному результату. Таким образом, маркетологи могут избавиться от захламленности контентом и реализовывать таргетированное распространение на нужную целевую аудиторию.
В цифровом пространстве бизнес может легко отследить клиентский путь по разным сайтам и социальным сетям. Таким образом, бизнес может прогнозировать следующий шаг покупателей в их вовлечении через цифровые каналы. С этой информацией маркетологи могут, например, разрабатывать динамичные сайты, на которых контент меняется в зависимости от аудитории. Пока покупатели просматривают веб-сайт, аналитический алгоритм предсказывает, какой следующий контент показать, чтобы в конечном счете увеличить уровень интереса и сделать так, чтобы покупатель был на шаг ближе к покупке.
Построение предиктивной маркетинговой модели
Существует множество техник для создания предиктивных маркетинговых моделей от самых простых до самых сложных. Маркетологам будет нужна помощь специалистов по статистике и аналитиков данных для построения и разработки моделей. Таким образом, им не требуется обладать глубоким пониманием статистических и математических моделей. Однако маркетологам может потребоваться понимание стоящих за предиктивными моделями фундаментальных идей, чтобы они могли направлять технологические команды в том, какие выбрать данные и какие закономерности искать. Более того, маркетологи будут помогать интерпретировать модели, а также внедрять прогнозы в реальную операционную деятельность.
Ниже перечислены некоторые из самых часто используемых типов предиктивного моделирования, которые маркетологи используют для различных целей.
Модель регрессии для простых прогнозов
Модель регрессии – одна из самых базовых, однако полезных инструментов для предиктивной аналитики. Модель оценивает взаимосвязь между независимыми (или объясняющими данные) и зависимыми (объясняемыми) переменными. Зависимые переменные – это результаты или показатели, к которым стремятся маркетологи, как, например, данные о переходах или продажах. С другой стороны, независимые переменные – это влияющие на результат данные, такие как время кампании, рекламный текст или демографические показатели покупателя.
В регрессионном анализе маркетологи ищут статистические уравнения, которые объясняют связь между независимыми и зависимыми переменными. Другими словами, маркетологи стремятся понять, какие маркетинговые действия имеют наиболее существенный эффект и приводят к наилучшим для бизнеса результатам.
Относительная простота регрессионного анализа, в сравнении с другими техниками моделирования, делает его самым популярным. Регрессионный анализ может быть использован для многих применений предиктивного маркетинга, таких как построение модели клиентского капитала, модели предрасположенности к покупке, модели обнаружения сбоев и модели аффинитивности товаров.
В общем случае регрессионное моделирование выполняется в несколько шагов.
1. Сбор данных по зависимым и независимым переменным
Для регрессионного анализа наборы данных как для зависимых, так и независимых переменных должны собираться параллельно и с достаточной выборкой. Например, маркетологи могут исследовать влияние цвета цифрового баннера на количество переходов, собрав достаточное количество примеров цветов и результатов по показателям кликабельности.
2. Нахождение уравнения зависимости между переменными
С помощью статистических программ маркетологи могут получить уравнение, наилучшим образом подходящее под данные. Самая простая форма уравнения – это прямая линия, или график линейной регрессии. Также часто встречается логистическая регрессия, которая использует логистическую функцию для моделирования бинарной зависимой переменной, как, например, покупка или отсутствие покупки, удержание или отток клиента. Так, логистическая регрессия часто используется для предсказания вероятности наступления события, например вероятности совершения покупки.
3. Интерпретация уравнения для получения выводов и проверка на достоверность
Рассмотрим следующий пример. Предположим, что наиболее подходящее уравнение определено следующим образом:
Y = a + bX1+ cX2+ dX3+ e
В этой формуле, Y – зависимая переменная, а X1, X2 и X3 – это независимые переменные. а – константа, которая отражается на величине Y, но на нее никакого влияния не оказывают независимые переменные. b, c и d – это коэффициенты независимых переменных, которые показывают, насколько сильно переменные влияют на зависимые переменные. В уравнении мы можем также оценить обозначаемый e коэффициент погрешности или показатель статистической ошибки. В регрессионной формуле всегда есть ошибки, так как не только независимые переменные могут влиять на зависимую переменную. Чем больше величина погрешности, тем менее точно уравнение.
4. Прогнозирование зависимых переменных при разных независимых переменных
После определения формулы маркетологи могут прогнозировать значения зависимых переменных при разных значениях независимых переменных. Таким образом, маркетологи могут предсказать результат от набора маркетинговых действий.
Коллаборативная фильтрация для рекомендательных систем
Наиболее популярный метод построения рекомендательных систем – это коллаборативная (совместная) фильтрация. Основополагающее допущение состоит в том, что людям понравятся товары, похожие на ранее купленные, или они предпочтут продукты, купленные людьми со схожими предпочтениями. Для того чтобы модель работала, ей требуется участие покупателей для ранжирования продуктов, отсюда и название – «коллаборативная» фильтрация. Она также применима не только к товарам, но
Ознакомительная версия. Доступно 10 страниц из 46
