یادگیری ماشین در بازاریابی مفاهیم و کابردها+4 مثال کاربردی
یادگیری ماشین در بازاریابی
در این مقاله با یادگیری ماشین در بازاریابی که باید بخوانید آشنا خواهید شد، یادگیری ماشین از فناوریهایی است که در حوزه بازاریابی بسیار کاربرد دارد. در عصر دیجیتال مارکتینگ، بازاریابان بدون تسلط بر داده ها، تجزیه و تحلیل و اتوماسیون نمیتوانند موفق عمل کنند.
یادگیری ماشین ترکیبی از علم، آمار و کدنویسی رایانهای است که بر اساس الگوهایی که از دادهها کشف میکند، پیش بینی هایی انجام میدهد.
بر خلاف سیستم های تصمیم گیری مبتنی بر قانون که دستور العمل های شناخته شدهای را توسط توسعه دهندگان دنبال میکنند، الگوریتم های یادگیری ماشین برای تحلیل داده و کشف الگوهایی که توسط انسان قابل شناسایی نیستند، به صورت خودکار طراحی شدهاند.
به بیان دیگر یادگیری ماشین از قدرت و عینیت عظیم رایانه ها برای دیدن الگوها در داده های بزرگ که انسان در آنها کند و مغرضانه عمل میکند، استفاده کرده و سپس از آنها برای تخمین اینکه چگونه داده ها نتایج دقیقی را پیش بینی میکنند، استفاده میکند.
چگونه یادگیری ماشین به بازاریابان کمک میکند؟
یادگیری ماشین و بازشناخت الگو از سال 1960 تا بحال پیشرفت زیادی داشته است. الگوریتم ها و فناوری های جدید دائما در حال ظهور هستند و امکانات و کاربردهای جدیدی را ارائه میدهند.
با این حال، اکثر بازاریابان از یادگیری ماشین در تلاشهای روزمره خود بهره نمیبرند چراکه استفاده از آن کمی پیچیده است و نیاز به متخصص تحلیل داده و توسعه دهنده دارد.
در نتیجه پیاده سازی موثر الگوریتم های یادگیری ماشین در بازاریابی فراتر از دسترس بسیاری از مشاغل کوچک و متوسط است.
بیشتر بخوانید: پایتون برای بازاریابی
با این وجود، برنامه هایی تخصصی به طور خاص برای رسیدگی به چالش های بازاریابی توسعه یافته که استفاده از آن برای بازاریابان آسان است و برای مشاغل کوچک با بودجه متوسط در دسترس است.
یکی از بزرگترین چالش هایی که بازاریابها با آن روبرو هستند، چگونگی شخصی سازی پیامها برای مشتریان است. یک بازاریابی موفق شامل افزایش وفاداری و تعامل و فروش است.
در واقع استفاده از یادگیری ماشین میتواند نقطه عطفی برای بازاریابان باهوش باشد. زیرا میتواند حدس و گمانهای موجود در چالش برانگیزترین و ارزشمندترین جنبه های بازاریابی داده محور را از بین ببرد.
یکی از این برنامه های موجود در حوزه ی بازاریابی optimove است که با کمک الگوریتم های مناسب، پیش بینی های دقیقی در مدلسازی مشتری، تقسیم بندی مشتریان، پیش بینی طول عمر مشتری ارائه داده و پیشنهادات و اقدامات مناسب بعدی را انجام میدهد.
گردآوری و پردازش داده های حجیم که از منابع مختلفی مانند رفتار در خرید، روند بازدید از سایت، استفاده از برنامه های تلفن همراه و پاسخ های قبلی به کمپین ها بدست می آید، بدون یادگیری ماشین بسیار سخت است و نیاز داریم که پیش بینی کنیم چه پیشنهادها و مشوق هایی بیشترین تاثیر را روی هر مشتری دارند.
با این وجود، زمانی که تمام دادهها جمعآوری و آماده شدند، به کامپیوترها داده شده و با دادهکاوی و یادگیری ماشین آنالیز میشوند و در نهایت پیش بینی های بسیار دقیقی را برای آینده ارائه میدهند.
بازاریابان پیشرفته نقش صدای مشتری را ایفا میکنند و رشد در سازمان های بازاریابی وابسته به سه چیز است:
- داده
- پشته فناوری بازاریابی
- هوش مصنوعی/ یادگیری ماشین
در اینجا میخواهیم نقش یادگیری ماشین( به خصوص آنالیز مشتری) را در رشد سازمانها مطرح کنیم.
داده و یادگیری ماشین به عنوان محرکهای کلیدی هستندکه بازاریابان را قادر میسازد تا نوآوری را به سازمانها بیاورند. سازمانهایی که تصمیمهای سریع و مبتنی بر داده اتخاذ میکنند، در مسیر تبدیل به پیشگام شدن در حوزه بازاریابی قرار میگیرند.
قبل از بررسی عمیق یادگیری ماشین، نیاز به دادههای با کیفیت بالا در یک روش یکپارچه داریم تا تحلیل انجام دهیم.
بسیاری از شرکتها هنوز با داده های اکسل، مجموعه دادههای سیلو شده و یا دادگان قدیمی و غیربلادرنگ کار میکنند که این کار سیستم های بازاریابی را از ارائه معیارهای گزارش دهی منسجم و دقیق باز میدارد.
بنابراین داشتن یک پلتفرم داده تلفیقی واحد (در CRM یا (CDP و یا انبار داده برای هر سازمانی ضروری است و چیزی که اهمیت دارد این است که نباید در این سیستم ها غرق شد؛ اما لازم است درک خوبی از موارد استفادهی (usecase) بازاریابی داشت تا از قرار گرفتن فناوری صحیح و زیرساخت مناسب در هر یک از آنها اطمینان حاصل کرد.
یادگیری ماشین برای سازمانهای بازاریابی
هنگامی که دادههای با کیفیت بالا به شکل قابل مصرف در دسترس هستند، گام بعدی شناسایی موارد استفاده یادگیری ماشین برای سازمان هاست. در اینجا برخی از مهمترین موارد استفاده که مارکترها میتوانند برای شخصی سازی تجربه برای مشتری در نظر بگیرند، را آورده ایم.
-
تقسیم بندی و هدف گذاری
تقسیم بندی به بازاریابان کمک میکند تا بخشهای مشتری مانند مشتریان با ارزش بالا، مشتریان ساکن در یک مکان، مشتریانی که از یک کانال خاص آمده اند و … را شناسایی کنند.
یکی از استراتژیهای تقسیم بندی، آنالیز فرکانس اخیر و نظارت (RFM) است که در شناسایی خرج کنندگان بزرگ، مشتریان وفادار و مشتریان در خواب زمستانی به بازاریاب کمک میکند.
تقسیم بندی به تنهایی میتواند بسیار هدفمند باشد، اما اگر بازاریابان بتوانند بخشها را با پروفایل های رفتاری فردی برای آن بخش ترکیب کنند، تجربه خرید را به سطح جدیدی میرسانند.
با استفاده از داده های کانالهای متقابل (وب، موبایل، رسانه اجتماعی و غیره)، اطلاعات متنی( موقعیت جغرافیایی، آب و هوا، زمان روز با روز هفته) و فعالیت در زمان واقعی برای هر خریدار، شخصی سازی مناسب و واقعی بدست می آید.
بر اساس یکی از مطالعات، شخصی سازی میتواند تا 8 برابر بازگشت سرمایه (ROI) در هزینه های بازاریابی به ارمغان بیاورد و فروش را حدود 10 درصد یا بیشتر افزایش دهد.
تقسیم بندی و هدف گذاری به بازاریابان این امکان را میدهد که اطلاعات شخصی و متنی را به مشتریان در روز تولدشان و با مناسبت های مهم دیگر در خرید ارسال کنند.
همچنین در کنار سایر موارد استفاده یادگیری ماشین مانند ارزش طول عمر مشتری و ریزش به بازاریابان کمک میکند تا تلاشهای خود را روی هدف قرار دادن بخش مشتری مناسب متمرکز کنند.
تقسیم بندی معمولا از مدلهای یادگیری غیرنظارتی استفاده میکند که معروف ترین آنها، k-means است. اما اخیرا استفاده از روشهای یادگیری عمیق (DNN) در بازاریابی مزایای بیشتری به همراه دارد.
-
ریزش مشتری
ریزش مشتری نشان دهنده درصد مشتریانی است که استفاده از سرویس های و محصولات را در بازه زمانی مشخص قطع کرده اند. یکی از راه های محاسبه نرخ ریزش، از تقسیم مشتریان گمشده در بازه زمانی مشخص بر تعداد مشتریان فعال در ابتدای دوره بدست میآید.
داشتن مدل دقیق و قوی پیش بینی ریزش، کمک زیادی به شرکت ها میکند تا با اقدامات به موقع از ریزش مشتری جلوگیری کنند.
فرایند به این صورت است که بردار ویژگی های مناسب که نشان دهنده الگوی رفتاری مرتبط با تعامل مشتریان است را به عنوان ورودی به مدل میدهیم تا مشتریان در معرض ریزش را شناسایی کند.
این بردار ویژگی شامل موارد مختلفی مانند ID مشتری، جنسیت، سرویس اینترنت، امنیت آنلاین، پشتیبانی فنی و متغیرهای دیگری است که هر کدام تبدیل به عددی میشوند. اعدادی که به این متغیرها نسبت داده میشود هرچقدر بزرگتر باشد، اهمیت بیشتری دارد.
-
ارزش طول عمر مشتری
ارزش طول عمر مشتری (CLTV)، در واقع ارزش پولی کل معاملات/ خریدهایی است که یک مشتری در طول عمرش با کسب و کار مشخصی انجام داده است. در مدلسازی مساله ی ارزش طول عمر مشتری دو نوع راهبرد داریم:
- راهبرد مبتنی بر پیشینه:
- مدل تجمعی: که ارزش طول عمر را با استفاده از میانگین درآمد هر مشتری بر اساس معاملات گذشته محاسبه کرده و یک مقدار واحد برای ارزش طول عمر مشتری بدست میآورد.
- مدل گروهی: مشتریان را به گروههای مختلف تقسیم کرده و میانگین درآمد هر گروه را محاسبه میکند که یک مقدار ارزش طول عمر برای هر گروه بدست می آید.
- راهبرد پیشبینی:
- مدلهای یادگیری ماشین: از روشهای رگرسیون برای تطبیق دادههای گذشته جهت پیشبینی ارزش طول عمر مشتری استفاده میشود.
- مدل احتمالی: یک توزیع احتمال به داده ها نسبت داده و تعداد معاملات آتی و ارزش پولی هر تراکنش را تخمین میزند.
مزیتی که مدلهای یادگیری ماشین بر مدل احتمالی دارند، استفاده از ویژگیهای بیشتر است که با ترکیب الگوریتم ها و آمار و بدون دخالت انسان، عملکرد مناسبی را ارائه میدهد و در واقع یک ابزار کلیدی در پیش بینی ارزش طول عمر مشتری است.
مدل های عمیق شبکه عصبی نیز در این مرحله کاربرد زیادی دارند.
-
موتورهای توصیه
در واقع یک ابزار فیلتر داده است که با کمک الگوریتم های یادگیری ماشین، مرتبط ترین آیتم ها را به یک مشتری خاص پیشنهاد میدهد و از قاعده ای خاص برای یافتن الگوهای دادهای بر اساس رفتار مشتری استفاده میکند.
به عنوان مثال، نتفلیکس با پیشنهاد فیلم و آمازون با پیشنهاد محصول با کمک موتورهای پیشنهادی خدمات ارائه میدهند و هر دو اهداف مشترکی مانند افزایش فروش و تعامل و حفظ و ارائه تجربیات شخصی سازی شده به مشتری دارند.
در گذشته این پیشنهادات از طرف فروشنده، دوستان یا خانواده ارائه میشد، اما امروزه این وظیفه به الگوریتم های یادگیری ماشین سپرده شده است که به خوبی در زمینه افزایش فروش عمل میکنند.
مدلسازی ترکیبی بازاریابی
مدلسازی ترکیبی یک روش مدلسازی برای اندازه گیری تخصیص بازار است که تاثیر هر کدام از کانالهای بازاریابی مانند تلویزیون، رادیو و روزنامه ها را که شرکت از آنها استفاده میکند را تخمین میزند.
به طور کلی، متغیر خروجی، فروش یا تغییرات است اما میتواند مواردی نظیر ترافیک وبسایت نیز باشد. متغیرهای ورودی هم شامل هزینه های بازاریابی بر اساس کانال در یک دوره (روز، هفته، ماه، سه ماهه و …) است. مزایای این روش به شرح زیر است:
- درک بهتر رابطه بین کانالهای بازاریابی و معیارهای هدف
- تشخیص کانالهای با بازگشت سرمایه بالا از کانالهای با بازگشت سرمایه پایین و بهینه سازی بهتر بودجه بازاریابی
- پیش بینی تغییرات آینده بر اساس ورودی های داده شده
یکی از مدل هایی که در مدلسازی ترکیبی بکار میرود، OLS است که پارامترهای رگرسیون خطی را تخمین میزند.
OLS یک روش تخمین ضرایب معادلات رگرسیون خطی است که رابطه بین یک یا چند متغیر کمی غیر وابسته و یک متغیر وابسته را توصیف کرده و به ما نشان میدهد که کدام فاکتورهای بازاریابی با یکدیگر مرتبط هستند.
حداقل مربعات نشان دهندهی مینیمم خطای مربعات است. OLS در زمینه های مختلفی کاربرد دارد. مثلا در اقتصاد، زمانی که نیاز به پیش بینی گردش مالی شرکت بر اساس میزان فروش باشد، از این تحلیل استفاده میشود.
در ادامه چند مثال برای چگونگی استفاده از آنالیز خطی در بازاریابی آورده شده است:
- تحلیل اینکه آیا تعامل اجتماعی با بازدید از صفحه مرتبط است یا خیر؟
- آیا نرخ بازشدن ایمیل ها با نوع مکالمات در ارتباط است؟
- آیا اعتبار صفحه به بازدیدهای طبیعی از صفحه مرتبط است؟
زمانی که متوجه وجود یا عدم وجود این روابط شویم، عمیق تر میتوانیم به آن رابطه و علت آن بپردازیم.
بیشتربخوانید: مسیریادگیری دیجیتال مارکتینگ
-
تخصیص مشتری
تخصیص مشتری، فرآیند نسبت دادن موفقیت به کانال های بازاریابی خاص و نقاط تماس مشتری است که شامل تجزیه و تحلیل نقاط تماس بازاریابی موجود و یافتن اینکه کدام یک در جذب مشتری و افزایش تبدیل موثرترند، است.
راههای تخصیص مشتری، مجموعه قوانینی است که شرکتها برای ارزیابی وزن هر تعامل با برند و آنالیز رفتار کاربر در سایت و بررسی فرآیند خرید استفاده میکنند.
در بخش زیر چند نمونه از کسب و کارهایی که با کمک یادگیری ماشین دچار تحول شده اند، آورده شده است.
شرکتONESPOT فعال در حوزه بازاریابی در تگزاس است که از ترکیب یادگیری ماشین و پردازش زبان طبیعی(NLP)، برای افزایش مصرف محتوا و میزان تعامل با برند خود استفاده میکند. برترین مشتریان این شرکت، Delta و Campbells هستند.
شرکت MIT- born ZyloTech نیز از یادگیری ماشین برای مرتب و ادغام نمودن داده های مشتریان خود بهره برده تا آنالیزهای پیشرفتهای را به منظور ایجاد توصیه های مبتنی بر روابط برای هر نوع موتور بازاریابی انجام دهد.
هدف این شرکت کمک به کمپانی ها است تا درآمد بیشتری از مشتریان موجودشان با ارائه پیشنهادهای مناسب و سر وقت داشته باشند. این شرکت اخیرا 5/5 میلیون دلار جذب سرمایه داشته است.
یکی دیگر از شرکتها، FRASE در بوستون ماساچوست است که از ترکیب یادگیری ماشین و هوش انسانی برای بهبود تحقیقات و تولید محتواهای بهتر استفاده نموده تا خلاقیت انسانی را افزایش دهد.
جامعهی خلاق آن شامل سازمان های خبری، نویسندگان آزاد، تیمهای بازاریابی داخلی و غیره است.
People.ai در کالیفرنیا نیز از یادگیری ماشین برای افزایش بهره وری از طریق ساخت ابزارهای اتوماسیون فروش استفاده میکند. این امر باعث میشود تا کارمندان زمان بیشتری را برای تمرکز روی جنبه های مهمتر بازاریابی و فروش داشته باشند.
این شرکت اخیرا 30 میلیون دلار بودجه سری B جذب کرده است.
شرکت دیگری به نام DATAGRAN در نیویورک، از یادگیری ماشین به منظور استفاده از دادههای خود جهت پیش بینی خوشه ها و مورد هدف قراردادن مشتری به طور موثر از طریق راه های مختلف بازاریابی بهره میبرد.
مشتریان یادگیری ماشین همچنین میتوانند از طریق بازخورد بلادرنگ تعیین نمایند که کدام ابتکارهای بازاریابی بهترین نتیجه را در برداشته است. این شرکت اخیرا 35/2 میلیون دلار سرمایه گذاری موفق داشته است.
جمع بندی
به طور کلی یک استراتژی تجزیه و تحلیل یکپارچه برای مدیران ارشد بازاریابی، به عنوان کلیدی برای تحریک نوآوری و رشد عمل میکند.
یادگیری ماشین به بازاریابان کمک میکند تا با پیش بینی حرکتهای آینده مشتری و ارزیابی دقیقتر نیازها از طریق بررسی داده ها، شناسایی الگوها و ایجاد مدل های پیشنهاد کننده، روشهای بازاریابی را بهینه سازی کرده و کمپین های خود را بازنگری نمایند.