и к контенту, в зависимости от того, что маркетологи намерены рекомендовать покупателям.
В двух словах, коллаборативная фильтрация работает в соответствии со следующей логической последовательностью:
1. Сбор предпочтений на большой выборке покупателей
Для измерения того, насколько сильны предпочтения к продукту, маркетологи могут создать общественную систему рейтинга, в которой покупатели будут ранжировать продукты либо через простые кнопки «нравится» / «не нравится» (как на YouTube), либо по пятибалльной шкале (как звезды в Amazon). Альтернативно маркетологи могут использовать целевые действия, отражающие предпочтения, например, прочтение статьи, просмотр видео, добавление продукта в список желаемых покупок или корзину. Netflix, например, определяет предпочтения по просмотренным пользователями на протяжении всего времени фильмов.
2. Распределение по кластерам покупателей и товаров
Покупатели, которые схожим образом ранжировали товары и показали схожее поведение, могут быть классифицированы в один кластер. Предполагается, что они относятся к одному психографическому (на основании «нравится» / «не нравится») и поведенческому (на основании действий) сегментам. Как вариант, маркетологи также могут распределить по кластерам товары, которые получили похожую оценку от отдельной группы покупателей.
3. Прогнозирование оценки покупателями нового продукта
Теперь маркетологи могут прогнозировать рейтинги, которые покупатели будут ставить продуктам, которых они еще не видели, но ранжированные на основе рейтингов покупателей со схожими предпочтениями. Этот прогнозный показатель оценки необходим маркетологам для предложения подходящих товаров, которые могут понравиться покупателям и которые они с наибольшей вероятностью купят в будущем.
Нейронные сети для сложного прогнозирования
Нейронная сеть, как следует из названия, условно смоделирована по образцу биологической нейронной сети, работающей внутри человеческого мозга. Это один из наиболее популярных инструментов машинного обучения, который помогает бизнесу строить сложные модели для прогнозирования. Модель нейронной сети обучается на опыте, обрабатывая большое число разных примеров из прошлого. Сегодня модели нейронных сетей легко доступны. Например, Google создал TensorFlow – доступную всем программную библиотеку для машинного обучения нейронных сетей с открытым исходным кодом.
В отличие от регрессионной модели, нейронные сети считаются «черным ящиком», потому что механизм их внутренней работы часто людям тяжело интерпретировать. Это похоже на то, что люди иногда не могут объяснить, как они принимают решения на основе предоставленной информации. Однако нейронные сети также подходят для построения моделей на основе неструктурированных данных, определить лучший алгоритм для которых не могут ученые наук о данных и бизнес-команды.
В простой терминологии следующие шаги объясняют, как работает нейронная сеть.
1. Загрузка двух наборов данных: вводные и выводные данные
Модель нейронной сети состоит из слоя входных данных, слоев выходных данных и скрытых слоев между ними. Как и при построении регрессионной модели, во входные данные загружаются независимые переменные, а зависимые переменные загружаются в выходной слой. Разница, однако, состоит в скрытых слоях, которые содержат алгоритмы «черного ящика».
2. Предоставление сети возможности выявления взаимосвязей в данных
Нейронная сеть способна соединить данные для выведения функции или предиктивной модели. Она работает как и человеческий мозг, связывая факты в единое целое на основании непрерывного обучения. Нейронные сети обнаружат разные типы закономерностей и взаимосвязей между наборами данных: корреляцию, ассоциации, зависимости и причинно-следственные связи. Некоторые из этих связей могут оказаться из числа ранее неизвестных или скрытых.
3. Использование получившейся в скрытых слоях модели для прогноза результатов
Функция, полученная на обучающей выборке, может быть использована для прогнозирования результата на новом наборе данных. И когда реальный результат загружается обратно в нейронную сеть, машина обучается на своих неточностях и совершенствует скрытые слои со временем. Поэтому это и называется машинное обучение. Несмотря на то, что нейронные сети не раскрывают понимание мира из-за своей сложности, постоянно обучающиеся нейронные сети могут быть очень точны в прогнозах.
Рисунок 9.2. Как работают предиктивные модели
Выбор предиктивной модели зависит от стоящих перед вами задач. Когда задача структурирована и легка для понимания, достаточно регрессионной модели. Но когда вопрос касается неизвестных факторов или алгоритмов, лучше всего может работать машинное обучение, например нейронные сети. Маркетологи также могут использовать более чем одну модель для нахождения наиболее подходящей техники работы с имеющимися данными (см. рисунок 9.2).
Резюме: предвосхищая рыночный спрос проактивными действиями
Маркетологи, опирающиеся на знания, могут быть на шаг впереди, прогнозируя результаты каждого маркетингового действия. В сфере управления клиентами предиктивная аналитика может помогать компаниям оценивать ценность потенциальных клиентов до их подключения и определить, насколько целесообразно вкладываться в их продвижение и развитие.
В управлении продуктом маркетологи могут предположить результаты продаж предварительно запущенного прототипа продукта или определить, какие продуктовые линейки выбрать для повышения объема продажи и кросс-продаж из широкой линейки товаров. И, наконец, предиктивное моделирование может позволить бренд-менеджерам анализировать отношение покупателей по тональности высказываний и определять, как строить бренд-коммуникации при определенных условиях.
Существует несколько техник создания моделей в предиктивном маркетинге, которые включают регрессионный анализ, коллаборативную фильтрацию и нейронные сети. Машинное обучение или искусственный интеллект могут быть использованы для построения предиктивных моделей. Таким образом, большинству маркетологов потребуется технологическая помощь специалистов по статистике и ученых по данным. Однако у маркетологов должно быть стратегическое понимание, как модели работают и как с их помощью делать выводы.
Вопросы к размышлению
Использует ли ваша организация предиктивную аналитику для маркетинга? Рассмотрите некоторые новые возможности применения предиктивного маркетинга.
Как вы будете внедрять предиктивный маркетинг и интегрировать его в операционную деятельность? Как будут предиктивные модели продвигаться внутри организации?
Глава 10
Контекстуальный маркетинг
Создавая персонализированный опыт, «почувствуй и вовлекайся»
В 2019 году аптечная сеть Walgreens начала тестировать умные холодильники, оснащенные камерами, сенсорами и цифровыми дисплеями на дверях, в которых показываются содержащиеся внутри продукты, а также персонализированная реклама для покупателей. Хотя технологии не распознают лица и не хранят данные, идентифицирующие посетителей, из-за правил неприкосновенности частной жизни они предугадывают возраст и пол покупателя. Холодильник использует системы анализа лиц для определения демографического профиля и эмоций покупателя, подходящего к двери холодильника. Он также использует сенсоры отслеживания взгляда и сенсоры отслеживания движения для измерения уровня интереса покупателя.
Совмещая эти показатели с внешней информацией, такой как погода или локальные события, алгоритм искусственного интеллекта может выбирать конкретные продукты и акции для продвижения на экране. Холодильник также отслеживает, что выбрали покупатели, и рекомендует подходящий под выбор товар, как только дверь закрывается. Как вы могли бы ожидать, он собирает огромное количество данных о поведении покупателей и о том, насколько хорошо работает упаковка продукта или рекламные кампании.
Умный
