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.