Так как интернет-реклама лишь часть обширного инструментария современного цифрового маркетинга, то, по-моему, уместнее будет сформулировать вопрос так: «Какова роль машинного обучения в современном интернет-маркетинге?».
Маркетологи используют машинное обучение, чтобы находить закономерности в действиях (или поведенческие паттерны) посетителей веб-сайтов. Это помогает им прогнозировать дальнейшее поведение пользователей и оперативно оптимизировать рекламные предложения.
Как это работает
Маркетологи создают гипотезы, проверяют их, оценивают и анализируют. Работа эта долгая и трудоемкая, а иногда результаты неверны, потому что информация меняется каждую секунду. Причем, по мере устаревания данных, их ценность уменьшается.
Человек просто не в состоянии обрабатывать те объемы информации, которые ежеминутно собирают аналитические системы. Системы машинного обучения могут обрабатывать сотни запросов, систематизировать их и выдавать результат в виде готового ответа на вопрос. При этом, оценка занимает минуты, а количество сегментов и параметров поведения не ограничено.
Благодаря машинному обучению, можно быстрее реагировать на изменения качества трафика от рекламных кампаний. В результате маркетолог тратит меньше времени на выполнение рутинных операций и может уделить больше внимания созданию гипотез.
Практические примеры использования машинного обучения в маркетинге
- Рекомендательные системы предлагают клиентам сайта товары, которые их интересуют в данный момент. В результате пользователи видят персонализированные предложения, что повышает вероятность совершения ими покупки.
Используемые алгоритмы: кластеризация методом K-средних.
2. Предикативный таргетинг позволяет показывать рекламу пользователям, в зависимости от вероятности совершения ими покупки.
В отличие от традиционного сегментного и триггерного таргетинга, использующих ограниченное количество параметров с определенными диапазонами значений, предикативный применяет все возможные комбинации десятков или сотен пользовательских параметров со всеми возможными значениями. В результате реклама показывается более целевой аудитории, повышая эффективность кампаний.
Используемые алгоритмы: XGBoost, CATBoost, Дерево решений (если мало данных или мало паттернов).
- Прогнозирование LTV. Самые известные методы расчета пожизненной ценности, или LTV (Lifetime value, ака Customer lifetime value / CLV), основаны на знании общей прибыли от клиента и времени, в течение которого клиент взаимодействует с бизнесом. Однако многие современные бизнес-задачи требуют расчета LTV еще до того, как клиент уйдет. В этом случае единственное решение — прогнозировать LTV на основе имеющихся данных. В результате рекламный бюджет также определяется на основе LTV, что повышает эффективность кампаний.
Используемые алгоритмы: XGBoost, SVM, Случайный лес, логическая регрессия.
- Прогнозирование скорости оттока клиентов (CR). В маркетинге понятие Churn Rate относится к клиентам, покинувшим компанию, и связанной с этим потерей доходов и обычно высчитывается в процентах или в денежном выражении. Прогнозирование этого показателя позволяет реагировать на намерение клиента отказаться от вашего продукта или услуги до того, как он это сделает, чтобы принять меры по его удержанию.
Используемые алгоритмы: SVM, логистическая регрессия и другие алгоритмы классификации.
1 эксперт согласен
Виктор Гусев
24 июн 2022подтверждает
Могу лишь дополнить варианты использования нейросети в рекламе - например, рекламируется/продается некий продукт... Читать дальше
При помощи машинного обучения в интернет-рекламе проводится быстрый анализ и становиться возможным предсказание поведения потребителя после просмотра рекламного ролика, то есть существуют алгоритмы, которые помогают вычислить... Читать далее