マーケティングで機械学習を始める方法
公開: 2021-06-20すべての優れた ML アルゴリズムの背後にある鍵は優れたデータです。このデータを、おそらくあなたの会社が使用しているようなリレーショナル データベースからフェッチするには、SQL の知識が必要になります。
ほとんどの企業のマーケティング分析はいまだに、Google シートでレポートを作成し、売上を予測するために単純な時系列予測 (または推測) を使用することに制限されています。
一部の企業は現在、このようなビッグデータを処理し、それをより適切なセグメントおよび市場ユーザーに結合することにおいて非常に洗練されていますが、多くの企業はまだ追いついています.
時折、機械学習が私たちのありふれた仕事をどのように引き継ぐのか、そして AI がどのように未来になるのかを耳にします。 しかし、率直に言って今日、機械学習とアルゴリズムは未来の話ではありません。これらは、Google 検索から Netflix の提案まで、どこにでもあります。
開始時には、周囲のシステムに隠されているこの知性を認識することは決してできないかもしれませんが、これらのシステムは、ほとんど「魔法」のように感じるようなシームレスな体験を提供するように設計されています.
機械学習は人工知能のサブセットであり、ここでは機械学習についてのみ説明します。
機械学習は、単純にコンピュータを利用して、私たち人間が理解するのに苦労する複雑で大きなデータを理解します。
今日、マーケティングについて考えるとき、私たちは「デジタルマーケティング」を考えずにはいられません。 このプレフィックスの発明により、多くのデジタルデータが生まれました。 当社が顧客を獲得する方法に関するデータから、当社製品に対するユーザーの行動に関するデータ。
一部の企業は現在、このようなビッグデータを処理し、それをより適切なセグメントおよび市場ユーザーに結合することにおいて非常に洗練されていますが、多くの企業はまだ追いついています.
ほとんどの企業のマーケティング分析は、まだ Google シートでレポートを作成し、売上を予測するために単純な時系列予測 (または推測) を使用することに制限されています。
マーケティングの最高幹部のほとんどは、機械学習がマーケティングに役立つことを知っていますが、その方法を正確に知っているのはごくわずかです。 また、正確な方法を知らずに、社内のデータ サイエンティストに協力してもらうにはどうすればよいでしょうか?
心配しないでください。この記事では、マーケティング サイエンティストになるための旅を始めるためのフレームワークを提供し、機械学習を使用してマーケティング活動を強化します。
どうやって始めるのか
- 基本的な SQL を学ぶ: すべての優れた ML アルゴリズムの背後にある鍵は優れたデータです。このデータを、おそらくあなたの会社が使用しているようなリレーショナル データベースから取得するには、SQL の知識が必要です。 関連するデータを取得して CSV に保存できるように、基本的な構文に慣れるだけです。
- Python を学ぶ: 人工知能や機械学習、またはこれらのトピックにリモートで関係するものに関して言えば、Python はそのゴールド スタンダード言語です。 リソースとヘルプの範囲は無限であり、一度始めればすぐにコーディングできるはずです。
基本的な python と pandas や numpy などのパッケージに慣れ、データをクリーンアップして ML モデル用に前処理する方法を学びます。 これには、null 値の処理、データの適切な構造化、機能の選択と機能エンジニアリングが含まれる場合があります。
データの操作とクリーンアップが完了し、モデルを構築するために適切な機能をすべて選択したら、データを「テスト」セットと「トレーニング」セットに分割します。 トレーニング セットはモデルの学習に役立ち、テスト セットはモデルの精度のテストに役立ちます。
あなたにおすすめ:
RBI のアカウント アグリゲーター フレームワークがインドのフィンテックを変革するためにどのように設定されているか
起業家は、「Jugaad」を通じて持続可能でスケーラブルなスタートアップを作成することはできません: Cit...
メタバースがインドの自動車産業をどのように変革するか
反営利条項はインドのスタートアップ企業にとって何を意味するのか?
Edtech スタートアップがインドの労働力のスキルアップと将来への準備をどのように支援しているか...
今週の新時代のテック株：Zomatoのトラブルは続き、EaseMyTripはスト...
利用できる機械学習には 2 つの主要なブランチがあります。
- 教師あり機械学習:名前が示すように、このタイプの機械学習モデルは、結果を予測したり、データをカテゴリに分類したりするために、ラベル付きデータを使用してアルゴリズムを教えるときに使用されます。
例えば; 教師あり機械学習アルゴリズムを使用して、最後の期間の支出、売上目標などの要因に基づいて必要なマーケティング予算を予測できます。
- 教師なし機械学習: 教師あり機械学習では、ラベル付けされたデータを使用してアルゴリズムをトレーニングする必要がありますが、教師なし機械学習アルゴリズムは、人間の介入なしにデータの隠れたパターンを発見します。
例: 教師なし機械学習は、特定の属性を指定して顧客をグループ化するのに役立ちます。
注意: 教師なし学習がどんなに派手に聞こえても、教師なし学習モデルの仕組みをビジネス関係者に説明するのは一般的に非常に困難です。 少なくとも最初のうちは、教師あり機械学習に固執することをお勧めします。
教師あり機械学習のアルゴリズムのカテゴリ
教師あり機械学習には 2 種類のアルゴリズムがあります。
1.分類: 分類は、ラベルを予測するのに役立ちます。例: 収益、購入頻度、購入の最新性、Web サイトでの滞在時間などの他の従属変数に基づいて顧客をセグメント化します。
人気のある分類モデル: ロジスティック回帰 (名前は回帰を示唆していますが、実際には分類問題に使用されます)、確率的勾配降下、K 最近傍。 決定木。 ランダムフォレスト。 サポート ベクター マシン。
- 回帰: 回帰問題は、変数の量を予測するのに役立ちます。 例えば; 翌月の売上。
一般的な回帰モデル: 線形回帰、リッジ回帰。 なげなわ回帰。 ElasticNet 回帰
解決しようとしている問題が分類か回帰かがわかれば、モデルの選択はユース ケースに大きく依存します。 ユースケースに最適なモデルを選択するために、最適化したいメトリック (例: 平均二乗誤差) があります。
問題から始めます:
学んだことを応用しないと、いつか忘れてしまいます。 したがって、機械学習の世界に慣れるために、ユースケースを念頭に置いておくことをお勧めします。 これにより、新しいモデルの学習に興味を持ち続けるだけでなく、新しく学んだスキルを披露することもできます.
進歩するにつれて、解決すべき問題から始める必要があります。 これは、KMeans クラスタリングを使用してユーザーをセグメント化しようとしたり、線形回帰を使用して売上を予測したり、KNN 分類子を使用してチャーンを予測したりすることまで、あらゆる可能性があります。
本番環境に対応したモデルをデプロイするのに十分な学習ができたら、他のモデルを適用して機能を微調整し、モデルの精度を高めることができます。 モデルの精度は時間とともに変化する可能性があるため、後でモデルを再検討することも常にお勧めします。
プロのヒント: Python には、SARIMAX などのモデルがあります。これは、言うまでもなく機械学習には該当しませんが、時系列予測には非常に役立つモデルです。 機械学習に限定しないでください。Python を学習するときに役立つモデルは他にもあります。
そして、すべての機械学習モデルは、トレーニングに使用するデータと同じくらい優れていることを忘れないでください。 SERP ランキングの最適な指標を予測するモデルは、機能のリストがどれだけ網羅的で合理的かによって決まります。 機械学習モデルを構築する際、ドメイン知識は非常に重要です。