یادگیری ماشینی در بازاریابی دیجیتال

چند دهه پیش، اولین چیزی که با شنیدن کلمات «هوش مصنوعی» به ذهنتان خطور کرد، احتمالاً ظهور ماشین‌ها و ترمیناتور با یک تفنگ ساچمه‌ای اره‌شده بود. امروزه این اصطلاح دارای تداعی نسبتاً مثبتی است. تقریباً همه در زندگی عادی با یادگیری ماشینی مواجه می‌شوند. به‌عنوان‌مثال، ممکن است با یک ربات چت در یک وب سایت ارتباط برقرار کنید، پیشنهادات تبلیغاتی مطابق با علایق شما به شما نشان داده شود، یا یک فیلتر هرزنامه در سرویس ایمیل خود راه اندازی کنید.

برای بازاریابان، یادگیری ماشینی در بازاریابی دیجیتال فرصتی برای تصمیم گیری سریع بر اساس داده‌های بزرگ است. در این مقاله، در مورد تصمیماتی که می‌توانید بر اساس داده‌های بزرگ بگیرید صحبت خواهیم کرد.

یادگیری ماشینی چیست؟

بیایید با کمی اصطلاحات شروع کنیم. یادگیری ماشین (ML) کلاسی از روش‌های هوش مصنوعی است که مشخصه آن‌ها ارائه راه‌حل‌های مستقیم برای مشکلات نیست، بلکه سیستم‌هایی را برای اعمال راه‌حل‌ها آموزش می‌دهند.

روش‌های زیادی برای یادگیری ماشین وجود دارد، اما تقریباً می‌توان آنها را به دو گروه تقسیم کرد: یادگیری با معلم و یادگیری بدون معلم.

1.     یادگیری با معلم:

در مورد یادگیری با معلم، شخص داده‌های اولیه را در قالب جفت موقعیت – راه حل به ماشین می‌دهد. سپس سیستم یادگیری ماشین این جفت‌ها را تجزیه و تحلیل می‌کند و می‌آموزد که موقعیت‌ها را بر اساس راه حل‌های شناخته شده طبقه بندی کند. به‌عنوان‌مثال، یک سیستم می‌تواند یاد بگیرد که چه زمانی پیام های دریافتی را به عنوان هرزنامه علامت گذاری کند.

2.     یادگیری بدون معلم:

در مورد یادگیری بدون معلم، ماشین اطلاعات مرتب نشده (موقعیت‌ها) را بدون راه حل دریافت می‌کند و می‌آموزد که آن موقعیت‌ها را بر اساس علائم مشابه یا متفاوت بدون راهنمایی انسان طبقه بندی کند.

یادگیری ماشینی در بازاریابی آنلاین

بازاریابان از یادگیری ماشینی برای یافتن الگوهایی در فعالیت‌های کاربر در یک وب سایت استفاده می‌کنند. این به آنها کمک می‌کند تا رفتار بیشتر کاربران را پیش بینی کنند و به سرعت پیشنهادات تبلیغاتی را بهینه کنند.

پتانسیل داده‌های رفتاری یادگیری ماشینی در بازاریابی دیجیتال چیست؟

در روان‌شناسی، یک الگو مجموعه خاصی از واکنش‌های رفتاری یا یک توالی مشترک از اعمال است؛ بنابراین، ما می‌توانیم در مورد الگوها با توجه به هر منطقه‌ای که مردم از الگوها استفاده می‌کنند صحبت کنیم.

نمونه‌ای از الگوی مورد استفاده در وب‌سایت‌ها را در نظر بگیرید. اگر کاربر به پیشنهاد موجود در پنجره پاپ آپ نشان داده شده در زیر علاقه‌مند نیست، می‌تواند این پنجره را از طریق:

1. با کلیک بر روی علامت X .
2. روی خیر، متشکرم.
3. در هر نقطه از سایت که خارج از پنجره پاپ آپ است کلیک کنید.

علاوه بر این سه اقدامی که کاربر می‌تواند انجام دهد، پنجره پاپ آپ پس از مدت زمان مشخصی خود به خود بسته می‌شود.

بنابراین ما چهار اقدام کاربر ممکن را دریافت می‌کنیم:

1. روی X کلیک کنید – می‌تواند درست یا نادرست باشد.
2. روی خیر، متشکرم – می‌تواند درست/نادرست باشد.
3. روی پنجره پاپ آپ کلیک کنید – می‌تواند درست یا نادرست باشد.
4. زمان مشاهده پاپ آپ 5 ثانیه است.

هنگامی که صدها پارامتر از این قبیل جمع آوری می‌شوند، داده‌های جمع آوری شده ارزش پیدا می‌کنند زیرا حاوی الگوهای رفتاری و وابستگی هستند. این پتانسیل عظیم داده‌های رفتاری را پنهان می‌کند و به ما این امکان را می‌دهد که داده‌های کاربر را با پارامترهای گمشده بر اساس داده‌هایی که قبلاً برای سایر کاربران داریم تکمیل کنیم.

به‌عنوان‌مثال، ساده‌ترین راه برای تعریف مخاطب هدف، جنسیت و سن است. اما اگر کاربران این داده‌ها را فقط در 10 درصد موارد پر کنند چه؟ چگونه می‌توانید بفهمید که چه تعداد از کاربران وب سایت شما در بین مخاطبان هدف شما قرار می‌گیرند؟ الگوهای رفتاری می‌تواند کمک کند.

چرا یادگیری ماشینی در بازاریابی مؤثر است؟

نقش یادگیری ماشینی در بازاریابی این است که به شما اجازه می‌دهد تا به سرعت بر اساس داده‌های بزرگ تصمیم گیری کنید.

الگوریتم کار بازاریابان به شرح زیر است:

بازاریابان فرضیه‌هایی را ایجاد می‌کنند، آنها را آزمایش می‌کنند، آنها را ارزیابی می‌کنند و آنها را تجزیه و تحلیل می‌کنند. این کار طولانی و پر زحمت است و گاهی اوقات نتایج نادرست است زیرا: اطلاعات هر ثانیه تغییر می‌کند.

به‌عنوان‌مثال، برای ارزیابی 20 کمپین تبلیغاتی با در نظر گرفتن 10 پارامتر رفتاری برای پنج بخش مختلف، یک بازاریاب به حدود چهار ساعت زمان نیاز دارد. اگر چنین تحلیلی هر روز انجام شود، بازاریاب دقیقاً نیمی از زمان خود را صرف ارزیابی کیفیت کمپین‌ها می‌کند. وقتی از یادگیری ماشین استفاده می‌شود، ارزیابی چند دقیقه طول می‌کشد و تعداد بخش‌ها و پارامترهای رفتار نامحدود است.

با یادگیری ماشینی، می‌توانید سریع‌تر به تغییرات کیفیت ترافیک ناشی از کمپین‌های تبلیغاتی پاسخ دهید. در نتیجه، می‌توانید زمان بیشتری را به ایجاد فرضیه‌ها اختصاص دهید تا انجام اقدامات معمول.

ارزش نتایج شما بستگی به ارتباط داده‌هایی دارد که تجزیه و تحلیل بر اساس آنها انجام شده است. با منسوخ شدن داده‌ها، ارزش آن کاهش می‌یابد. یک فرد به سادگی نمی‌تواند حجم اطلاعاتی را که در هر دقیقه توسط سیستم‌های تحلیلی جمع آوری می‌شود پردازش کند. سیستم‌های یادگیری ماشینی می‌توانند صدها درخواست را پردازش کنند، آنها را سازماندهی کنند و نتایج را در قالب یک پاسخ آماده به یک سؤال ارائه دهند.

مزایای کلیدی یادگیری ماشین در بازاریابی:

1. کیفیت تجزیه و تحلیل داده‌ها را بهبود می‌بخشد.
2. به شما امکان می‌دهد داده‌های بیشتری را در زمان کمتری تجزیه و تحلیل کنید.
3. با تغییرات و داده‌های جدید سازگار می‌شود.
4. به شما امکان می‌دهد فرایندهای بازاریابی را خودکار کنید و از کارهای معمول اجتناب کنید.

نمونه‌هایی از یادگیری ماشین در بازاریابی:

1.     سیستم‌های توصیه:

ماهیت یک سیستم توصیه این است که به مشتریان محصولاتی را ارائه دهد که در حال حاضر به آنها علاقه‌مند هستند.

آنچه که یک سیستم توصیه پیش بینی می‌کند:

کالاهایی که مشتری احتمالاً آنها را خریداری می‌کند.

نحوه استفاده از این داده‌ها:

برای ایجاد ایمیل و اعلان‌های فشاری و همچنین بلوک‌های «محصولات توصیه شده» و «محصولات مشابه» در یک وب سایت.

نتیجه:

کاربران پیشنهادات شخصی‌سازی شده را مشاهده می‌کنند و احتمال خرید را افزایش می‌دهند.

2.     هدف گذاری پیش بینی:

به طور کلی، ماهیت همه انواع هدف گذاری این است که بودجه تبلیغات را فقط برای کاربران هدف صرف کنید.

پرکاربردترین انواع هدف گذاری:

1.هدف گذاری بخش: نمایش تبلیغات به گروه‌هایی از کاربران با مجموعه‌ای از ویژگی‌ها.

2.هدف گیری ماشه: نمایش تبلیغات به کاربران پس از انجام یک اقدام خاص (مثلاً مشاهده یک محصول یا افزودن یک کالا به سبد خرید).

3.همچنین یک هدف گذاری پیش بینی وجود دارد که در آن شما تبلیغات را بر اساس احتمال خرید به کاربران نشان می‌دهید.

تفاوت اصلی بین این نوع هدف گذاری در این است که هدف گذاری پیش‌بینی‌شده از تمام ترکیبات ممکن از ده‌ها یا صدها پارامتر کاربر با تمام مقادیر ممکن استفاده می‌کند. همه انواع دیگر هدف‌گیری به تعداد محدودی از پارامترها با محدوده‌های مشخصی از مقادیر متکی هستند.

نحوه استفاده از این داده‌ها:

به طور خودکار مخاطبان را از Google BigQuery به سرویس‌های تبلیغاتی وارد می‌کند. این به شما امکان می‌دهد به طور خودکار مخاطبان را ایجاد کنید، به روز کنید و در سرویس‌های تبلیغاتی آپلود کنید. پیشنهادات مبتنی بر داده را مدیریت کنید، ROI و تبدیل‌ها را افزایش دهید و بودجه تبلیغاتی خود را ذخیره کنید.

نتیجه: تبلیغات به مخاطبان هدفمندتری نشان داده می‌شود و اثربخشی کمپین‌ها را افزایش می‌دهد.

3.     پیش بینی LTV:

شناخته‌شده‌ترین روش‌های محاسبه ارزش طول عمر یا LTV بر اساس آگاهی از کل سود مشتری و زمانی است که مشتری با کسب‌وکار تعامل داشته است. با این حال، بسیاری از کارهای تجاری مدرن نیاز دارند که LTV را حتی قبل از خروج مشتری محاسبه کنید. در این مورد، تنها راه حل، پیش بینی LTV بر اساس داده‌های موجود است.

نحوه استفاده از این داده‌ها:

بخش‌ها در سرویس‌های اعلان فشار یا ایمیل بارگذاری می‌شوند و برای ارسال پستی برای کاهش خروجی مشتری (نرخ ریزش) استفاده می‌شوند.

بخش‌ها در Google Analytics آپلود می‌شوند و برای تجزیه و تحلیل اثربخشی کمپین‌های تبلیغاتی بر اساس LTV پیش‌بینی‌شده استفاده می‌شوند.

نتیجه: بودجه تبلیغاتی به ازای هر کاربر بر اساس LTV تعیین می‌شود که اثربخشی کمپین‌ها را بهبود می‌بخشد.

4.     پیش بینی نرخ ریزش:

در بازاریابی، مفهوم ریزش یا خروج به مشتریانی اطلاق می‌شود که شرکت را ترک کرده‌اند و از دست دادن درآمد ناشی از آن و معمولاً به صورت درصدی یا پولی بیان می‌شود.

نحوه استفاده از این داده‌ها:

بخش‌ها را می‌توان در سرویس‌های ایمیل یا اعلان فشار و همچنین در Google Ads، Facebook Ads و سایر سیستم‌های تبلیغاتی آپلود کرد. همچنین می‌توانید این اطلاعات را به بخش نگهداری ارسال کنید تا آنها بتوانند شخصاً با مشتریانی که احتمال خروج آنها زیاد است ارتباط برقرار کنند.

نتیجه: حفظ مشتریان.

ویژگی‌های تقسیم بندی ML از OWOX BI:

مدل OWOX BI را می‌توان بر روی داده‌ها از منابع مختلف آموزش داد: CRM، وب‌سایت‌ها و برنامه‌های کاربردی تلفن همراه. راه حل ما امکان انتخاب هر اقدام هدفمند را فراهم می‌کند: معاملات، کالاهای خریداری شده، تماس‌های تلفنی، افزودن کالا به سبد خرید و غیره.

همچنین می‌توانید بسته به زمان تصمیم خرید، هر دوره مربوط به کسب و کار خود را به عنوان پنجره تبدیل تنظیم کنید.

می‌توانید از نتایج محاسباتی در سرویس‌های تبلیغاتی مختلف استفاده کنید:  Google Ads ، Facebook، Instagram، MyTarget  و غیره.

می‌توانید از نتایج پیش بینی تبدیل برای موارد زیر استفاده کنید:

1. تنظیمات پیشنهادی در تبلیغات جستجوی متنی.
2. هدف گذاری در کمپین‌های رسانه‌ای.
3. استثنا در کمپین‌های رسانه‌ای.

سطوحی که در آن تصمیمات مبتنی بر انتساب گرفته می‌شود:

تصمیمات مبتنی بر اسناد:

1.      بینایی.

چشم‌انداز یک شرکت توسط هیئت مدیره، مدیر عامل و مدیر بازاریابی آن شکل می‌گیرد. تصمیمات در سطح چشم‌انداز با سرمایه گذاری در برند و متعادل کردن بودجه بین آنلاین و آفلاین مرتبط است. ابزار مورد استفاده برای اتخاذ چنین تصمیماتی تحقیقات بازار و مشاوران هستند. به ندرت جایی برای مدل‌های اسناد کلاسیک مبتنی بر داده وجود دارد، زیرا داده‌هایی که تصمیم‌ها بر اساس آن‌ها استوار است به اندازه کافی دیجیتالی نشده است.

2.      استراتژیک.

 تصمیمات استراتژیک معمولاً ماهانه توسط مدیران بازاریابی و تجارت الکترونیک گرفته می‌شود. این تصمیمات به تخصیص بودجه بین کانال‌ها و تعریف KPI سطح بالا اختصاص دارد. ابزارهایی که در تصمیم‌گیری استراتژیک کمک می‌کنند عبارت‌اند از Visual IQ، OWOX BI یا مدل‌های معمولی. در اینجا، کسب و کار از اسناد مبتنی بر داده، تغییرات در موضوع زنجیره ارزش Shapley و مارکوف یا اسناد مبتنی بر قیف استفاده می‌کند. در این سطح، درک تأثیر متقابل کانال‌ها و اتخاذ تصمیمات استراتژیک در توسعه آنها مهم است.

3.      تاکتیکی.

معمولاً تصمیمات تاکتیکی به صورت هفتگی یا حتی بیشتر توسط مدیر پرداخت می‌شود.

کسب ترافیک تخصیص بودجه بین کمپین‌ها و مجموعه‌های تبلیغاتی اتفاق می‌افتد و تصمیمات با هدف روشن کردن KPI و اهداف کمپین انجام می‌شود. برای تصمیم گیری تاکتیکی، می‌توانید از Google Sheets یا OWOX BI استفاده کنید. اغلب در این سطح، متخصصان با Google Analytics کار می‌کنند. برای ارزیابی تأثیر تبلیغات رسانه‌ای، اکثر مدل‌های اسناد از تبدیل‌های مرتبط، زوال زمانی و پس نما استفاده می‌کنند.

ویژگی این مرحله این است که بودجه یک کانال قبلاً تخصیص داده شده است؛ بنابراین در این مرحله، مهم است که بدانیم آن را برای چه کمپین‌هایی خرج کنیم، نتایج را کنترل کنیم و به سرعت کمپین‌های ناکارآمد را خاموش کنیم.

نتیجه:

همان‌طور که می‌بینید، یادگیری ماشین برای کارهای استراتژیک و تاکتیکی بسیار مفید است. گاهی اوقات در سطح اجرا نیز اعمال می‌شود، اما روند کلی این است که سیستم‌های تبلیغاتی سریع توسعه می‌یابند و داده‌های زیادی دارند. الگوریتم‌های داخلی مورد استفاده در این سیستم‌ها برای مدیریت کمپین‌های تبلیغاتی نتایج بهتری نسبت به یک مدل خارجی مبتنی بر یادگیری ماشین دارند.