Jak zacząć korzystać z uczenia maszynowego w marketingu?
Opublikowany: 2021-06-20Kluczem do wszystkich dobrych algorytmów ML są dobre dane i aby pobrać te dane z relacyjnej bazy danych, takiej jak ta, z której najprawdopodobniej korzysta Twoja firma, będziesz potrzebować znajomości SQL
Analityka marketingowa w większości firm nadal ogranicza się do tworzenia raportów w arkuszach Google i używania prostych prognoz szeregów czasowych (lub przypuszczeń) do sprzedaży projektów
Podczas gdy niektóre firmy stają się obecnie niezwykle wyrafinowane w obsłudze tak dużych zbiorów danych i łączeniu ich z lepszymi segmentami i użytkownikami rynku, wiele wciąż nadrabia zaległości.
Od czasu do czasu wszyscy słyszymy, jak uczenie maszynowe przejmie nasze przyziemne zadania i jak sztuczna inteligencja jest przyszłością. Ale szczerze mówiąc, dzisiaj uczenie maszynowe i algorytmy nie są historią przyszłości, są one wszędzie, od wyszukiwań w Google po sugestie Netflix.
Chociaż na początku możesz nigdy nie być w stanie rozpoznać tej ukrytej inteligencji w systemach wokół ciebie, ale te systemy są zaprojektowane tak, aby zapewnić tak płynne wrażenia, że czujesz się prawie jak „Magia”.
Uczenie maszynowe jest podzbiorem sztucznej inteligencji i na razie będziemy mówić tylko o uczeniu maszynowym.
Uczenie maszynowe po prostu wykorzystuje komputery do zrozumienia złożonych i dużych zbiorów danych, które my jako ludzie możemy mieć trudności ze zrozumieniem.
Dzisiaj, kiedy myślimy o marketingu, nie możemy nie myśleć o „Digital Marketing”. Wraz z wynalezieniem tego prefiksu pojawiło się wiele danych cyfrowych. Dane o tym, w jaki sposób pozyskujemy klientów do danych dotyczących zachowań użytkowników w naszych produktach.
Podczas gdy niektóre firmy stają się obecnie niezwykle wyrafinowane w obsłudze tak dużych zbiorów danych i łączeniu ich z lepszymi segmentami i użytkownikami rynku, wiele wciąż nadrabia zaległości.
Analityka marketingowa w większości firm nadal ogranicza się do tworzenia raportów w arkuszach Google i używania prostych prognoz szeregów czasowych (lub przypuszczeń) do sprzedaży projektów.
Podczas gdy większość czołowych dyrektorów marketingu wie, że uczenie maszynowe może być przydatne w marketingu, tylko nieliczni dokładnie wiedzą, jak to zrobić. A nie wiedząc dokładnie, w jaki sposób możesz nawet poprosić analityka danych w swojej firmie, aby ci pomógł?
Nie martw się, w tym artykule przedstawię ramy, dzięki którym możesz rozpocząć swoją podróż do bycia naukowcem ds. marketingu i korzystać z uczenia maszynowego, aby wzmocnić swoje działania marketingowe.
Jak zacząć
- Naucz się podstawowego SQL: Kluczem do wszystkich dobrych algorytmów ML są dobre dane i aby pobrać te dane z relacyjnej bazy danych, takiej jak ta, z której najprawdopodobniej korzysta Twoja firma, będziesz potrzebować znajomości SQL. Wystarczy zapoznać się z podstawową składnią, aby móc pobrać odpowiednie dane i przechowywać je w pliku CSV.
- Naucz się Pythona: jeśli chodzi o sztuczną inteligencję, uczenie maszynowe lub cokolwiek, co zdalnie dotyczy tych tematów, Python jest dla niego złotym standardem. Zakres zasobów i pomocy jest nieograniczony, a kiedy już zaczniesz, powinieneś zacząć kodować w mgnieniu oka.
Zapoznaj się z podstawowym Pythonem i pakietami, takimi jak pandas i numpy, naucz się czyścić dane i wstępnie je przetwarzać dla modeli ML. Może to wiązać się z obsługą wartości zerowych, odpowiednią strukturą danych oraz pewnym doborem funkcji i inżynierią funkcji.
Po zakończeniu manipulacji danymi i oczyszczeniu oraz wybraniu wszystkich właściwych funkcji do skonstruowania modelu, dzielisz dane na zestawy „testowe” i „uczące”. Zestaw do trenowania pomaga modelowi uczyć się, a zestaw testowy pomaga testować dokładność modelu.
Polecany dla Ciebie:
Jak platforma agregacji kont RBI ma przekształcić fintech w Indiach
Przedsiębiorcy nie mogą tworzyć zrównoważonych, skalowalnych start-upów poprzez „Jugaad”: Cit...
Jak Metaverse zmieni indyjski przemysł motoryzacyjny?
Co oznacza przepis anty-profitowy dla indyjskich startupów?
W jaki sposób start-upy Edtech pomagają indyjskim pracownikom podnosić umiejętności i być gotowym na przyszłość...
Akcje New Age Tech w tym tygodniu: Kłopoty Zomato nadal, EaseMyTrip publikuje Stro...
Istnieją 2 główne gałęzie uczenia maszynowego, które możesz wykorzystać;
- Nadzorowane uczenie maszynowe: Jak sama nazwa wskazuje, tego typu modele uczenia maszynowego są używane, gdy uczymy algorytm z danymi oznaczonymi etykietami, aby przewidywać wyniki lub klasyfikować dane na kategorie.
Np; możesz użyć nadzorowanych algorytmów uczenia maszynowego, aby przewidzieć wymagany budżet marketingowy na podstawie takich czynników, jak wydatki w ostatnim okresie, cel sprzedaży itp.
- Nienadzorowane uczenie maszynowe: Podczas gdy nadzorowane uczenie maszynowe wymaga wytrenowania algorytmu za pomocą oznaczonych danych, nienadzorowane algorytmy uczenia maszynowego odkrywają ukryte wzorce w danych bez interwencji człowieka.
Np. nienadzorowane uczenie maszynowe może być pomocne w grupowaniu klientów na podstawie określonych atrybutów dla tych klientów.
Uwaga: bez względu na to, jak wymyślnie brzmi nauka bez nadzoru, generalnie bardzo trudno jest wyjaśnić interesariuszom biznesowym działanie modeli uczenia się bez nadzoru. Lepiej pozostać przy nadzorowanym uczeniu maszynowym, przynajmniej na początku.
Kategorie algorytmów w nadzorowanym uczeniu maszynowym
W nadzorowanym uczeniu maszynowym istnieją 2 rodzaje algorytmów;
1. Klasyfikacja : Klasyfikacja pomoże Ci przewidzieć etykietę Np.: segmentacja klientów na podstawie innych zmiennych zależnych, takich jak przychód, częstotliwość zakupów, czas od poprzednich zakupów, czas spędzony w witrynie itp.
Popularne modele klasyfikacji: regresja logistyczna (chociaż nazwa sugeruje, że jest to regresja, w rzeczywistości jest używany do problemów z klasyfikacją), stochastyczne zejście gradientowe, K-najbliżsi sąsiedzi. Drzewo decyzyjne. Losowy las. Maszyna wektorów nośnych.
- Regresja : Problem regresji pomaga przewidzieć ilość zmiennej. Np; sprzedaż w następnym miesiącu.
Popularne modele regresji: regresja liniowa, regresja grzbietowa. Regresja Lasso. Regresja ElasticNet
Gdy już wiesz, czy problem, który próbujesz rozwiązać, dotyczy klasyfikacji czy regresji, wybór modelu w dużym stopniu zależy od przypadku użycia. Istnieją metryki, które chciałbyś zoptymalizować (np. błąd średniokwadratowy), aby wybrać najlepszy model dla swojego przypadku użycia.
Zacznij od problemu:
Coś, czego się nauczy i nie stosuje, po pewnym czasie zostaje zapomniane. Dlatego warto mieć na uwadze przypadki użycia podczas zaznajamiania się ze światem uczenia maszynowego. To nie tylko sprawi, że będziesz zainteresowany nauką nowszych modeli, ale także będziesz mógł pochwalić się nowo nabytymi umiejętnościami.
W miarę postępów powinieneś zacząć od problemu do rozwiązania. Może to być wszystko, od prób segmentacji użytkowników za pomocą klastrowania KMeans, przez prognozowanie sprzedaży za pomocą regresji liniowej, po przewidywanie rezygnacji za pomocą klasyfikatora KNN.
Gdy nauczysz się wystarczająco dużo, aby wdrożyć gotowe modele produkcyjne, możesz spróbować zastosować inne modele i dostroić funkcje, aby zwiększyć dokładność modeli. Dokładność modeli może się zmieniać z czasem, dlatego zawsze zaleca się ponowne sprawdzenie modeli później.
Porada dla profesjonalistów: Istnieją modele w Pythonie, np.: SARIMAX, które nie wchodzą w zakres uczenia maszynowego, ale są bardzo przydatnymi modelami do prognozowania szeregów czasowych. Nie ograniczaj się do uczenia maszynowego, istnieją inne modele, które przydadzą się podczas nauki Pythona.
Pamiętaj, że wszystkie modele uczenia maszynowego są tak dobre, jak dane, które wprowadzasz do ich szkolenia. Model do przewidywania najlepszego wskaźnika dla twoich rankingów SERP zostanie określony na podstawie tego, jak wyczerpująca i uzasadniona jest twoja lista funkcji. Wiedza o domenie jest bardzo istotna podczas budowania modeli uczenia maszynowego.