Comment vous pouvez démarrer avec l'apprentissage automatique dans le marketing
Publié: 2021-06-20La clé derrière tous les bons algorithmes ML est de bonnes données et pour extraire ces données d'une base de données relationnelle comme celle que votre entreprise utilise probablement, vous aurez besoin de connaissances en SQL.
L'analyse marketing dans la plupart des entreprises se limite encore à créer des rapports sur des feuilles Google et à utiliser de simples prévisions de séries chronologiques (ou une conjecture) pour projeter les ventes
Alors que certaines entreprises deviennent désormais extrêmement sophistiquées dans la gestion de ces mégadonnées et les combinent pour mieux segmenter et commercialiser les utilisateurs, beaucoup sont encore en train de rattraper leur retard.
De temps en temps, nous entendons tous comment l'apprentissage automatique va prendre en charge nos tâches banales et comment l'IA est l'avenir. Mais franchement, aujourd'hui, l'apprentissage automatique et les algorithmes ne sont pas une histoire du futur, ils sont partout, de vos recherches sur Google à vos suggestions Netflix.
Au début, vous ne pourrez peut-être jamais reconnaître cette intelligence cachée dans les systèmes qui vous entourent, mais ces systèmes sont conçus pour vous offrir une expérience si transparente qu'elle ressemble presque à de la "Magie".
L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle, et nous n'allons parler que de l'apprentissage automatique pour l'instant.
L'apprentissage automatique utilise simplement des ordinateurs pour comprendre des données complexes et volumineuses que nous, en tant qu'humains, pourrions avoir du mal à comprendre.
Aujourd'hui, quand on pense marketing, on ne peut s'empêcher de penser au « Digital Marketing ». Avec l'invention de ce préfixe, sont venues beaucoup de données numériques. Des données sur la façon dont nous acquérons des clients aux données sur le comportement des utilisateurs sur nos produits.
Alors que certaines entreprises deviennent désormais extrêmement sophistiquées dans la gestion de ces mégadonnées et les combinent pour mieux segmenter et commercialiser les utilisateurs, beaucoup sont encore en train de rattraper leur retard.
L'analyse marketing dans la plupart des entreprises se limite encore à créer des rapports sur des feuilles Google et à utiliser de simples prévisions de séries chronologiques (ou une conjecture) pour projeter les ventes.
Alors que la plupart des principaux responsables marketing savent que l'apprentissage automatique peut être utile en marketing, seuls quelques-uns savent exactement comment. Et sans savoir exactement comment, comment pouvez-vous même obtenir l'aide du data scientist de votre entreprise ?
Ne vous inquiétez pas, dans cet article, je vais vous donner le cadre pour commencer votre parcours de scientifique marketing et utiliser l'apprentissage automatique pour renforcer vos activités marketing.
Comment commencer
- Apprenez le SQL de base : la clé derrière tous les bons algorithmes ML est de bonnes données et pour extraire ces données d'une base de données relationnelle comme celle que votre entreprise utilise très probablement, vous aurez besoin de connaissances en SQL. Familiarisez-vous simplement avec la syntaxe de base, afin de pouvoir récupérer les données pertinentes et les stocker dans un fichier CSV.
- Apprendre Python : En ce qui concerne l'intelligence artificielle ou l'apprentissage automatique ou tout ce qui concerne ces sujets à distance, Python est le langage standard d'or pour cela. L'étendue des ressources et de l'aide est illimitée et une fois que vous avez commencé, vous devriez coder en un rien de temps.
Familiarisez-vous avec le python de base et les packages tels que pandas et numpy, apprenez à nettoyer les données et à les prétraiter pour les modèles ML. Cela peut impliquer la gestion de valeurs nulles, la bonne structuration des données et un peu de sélection de fonctionnalités et d'ingénierie de fonctionnalités.
Une fois que vous avez terminé la manipulation et le nettoyage des données, et sélectionné toutes les bonnes fonctionnalités pour construire le modèle, vous divisez vos données en ensembles de "test" et "d'entraînement". L'ensemble de train aide votre modèle à apprendre tandis que l'ensemble de test permet de tester la précision de votre modèle.
Recommandé pour vous:
Comment le cadre d'agrégation de comptes de RBI est sur le point de transformer la Fintech en Inde
Les entrepreneurs ne peuvent pas créer de startups durables et évolutives via "Jugaad": Cit ...
Comment Metaverse va transformer l'industrie automobile indienne
Que signifie la disposition anti-profit pour les startups indiennes ?
Comment les startups Edtech aident la main-d'œuvre indienne à se perfectionner et à se préparer pour l'avenir...
Stocks technologiques de la nouvelle ère cette semaine : les problèmes de Zomato continuent, EaseMyTrip publie des...
Il existe 2 branches principales de l'apprentissage automatique que vous pouvez utiliser ;
- Apprentissage automatique supervisé : comme son nom l'indique, ce type de modèles d'apprentissage automatique est utilisé lorsque nous enseignons l'algorithme avec des données étiquetées pour prédire les résultats ou classer les données en catégories.
Par exemple; vous pouvez utiliser des algorithmes d'apprentissage automatique supervisé pour prédire le budget marketing requis en fonction de facteurs tels que les dépenses de la dernière période, l'objectif de vente, etc.
- Apprentissage automatique non supervisé : Alors que l'apprentissage automatique supervisé vous oblige à former l'algorithme avec des données étiquetées, les algorithmes d'apprentissage automatique non supervisés découvrent les modèles cachés dans les données sans aucune intervention humaine.
Par exemple : l'apprentissage automatique non supervisé peut être utile pour regrouper les clients en fonction de certains attributs pour ces clients.
Attention : Aussi fantaisiste que puisse paraître l'apprentissage non supervisé, il est généralement très difficile d'expliquer le fonctionnement des modèles d'apprentissage non supervisé aux parties prenantes de l'entreprise. Il vaut mieux s'en tenir à l'apprentissage automatique supervisé, du moins pour le début.
Catégories d'algorithmes en apprentissage automatique supervisé
Il existe 2 types d'algorithmes dans l'apprentissage automatique supervisé ;
1. Classification : la classification vous aidera à prédire une étiquette, par exemple : segmenter les clients en fonction d'autres variables dépendantes telles que le revenu, la fréquence d'achat, la récence de l'achat, le temps passé sur le site Web, etc.
Modèles de classification populaires : Régression logistique (alors que le nom suggère qu'il s'agit d'une régression, il est en fait utilisé pour des problèmes de classification), Stochastic Gradient Descent, K-Nearest Neighbours. Arbre de décision. Forêt aléatoire. Prise en charge de la machine vectorielle.
- Régression : Le problème des régressions permet de prédire la quantité d'une variable. Par exemple; ventes le mois prochain.
Modèles de régression populaires : régression linéaire, régression de crête. Régression au lasso. Régression ElasticNet
Une fois que vous savez si le problème que vous essayez de résoudre est un problème de classification ou de régression, la sélection du modèle dépend fortement de votre cas d'utilisation. Il y a des métriques que vous voudriez optimiser (par exemple : erreur quadratique moyenne), pour sélectionner le meilleur modèle pour votre cas d'utilisation.
Commencez par un problème :
Quelque chose si appris et non appliqué est oublié dans un certain temps. Il est donc conseillé d'avoir des cas d'utilisation à l'esprit lorsque vous vous familiarisez avec le monde de l'apprentissage automatique. Cela vous gardera non seulement intéressé à apprendre de nouveaux modèles, mais vous pourrez également montrer vos compétences nouvellement acquises.
Au fur et à mesure que vous progressez, vous devriez commencer par un problème à résoudre. Cela peut aller de la tentative de segmenter vos utilisateurs avec le clustering KMeans à la projection des ventes avec la régression linéaire en passant par la prédiction de l'attrition avec le classificateur KNN.
Une fois que vous en avez suffisamment appris pour déployer des modèles prêts pour la production, vous pouvez essayer d'appliquer d'autres modèles et affiner les fonctionnalités pour augmenter la précision de vos modèles. La précision de vos modèles peut changer avec le temps, il est donc toujours conseillé de revoir vos modèles plus tard également.
Conseil de pro : Il existe des modèles en Python, par exemple : SARIMAX qui ne relèvent pas de l'apprentissage automatique à proprement parler, mais qui sont des modèles très utiles pour une prévision de série chronologique. Ne vous limitez pas à l'apprentissage automatique, il existe d'autres modèles qui vous seront utiles au fur et à mesure que vous apprendrez Python.
Et n'oubliez pas que tous les modèles d'apprentissage automatique sont aussi bons que les données que vous fournissez pour les former. Un modèle pour prédire le meilleur indicateur pour vos classements SERP sera déterminé par l'exhaustivité et le caractère raisonnable de votre liste de fonctionnalités. La connaissance du domaine est très importante lorsque vous créez vos modèles d'apprentissage automatique.