마케팅에서 기계 학습을 시작하는 방법
게시 됨: 2021-06-20모든 좋은 ML 알고리즘의 이면에는 좋은 데이터가 있으며 회사에서 가장 많이 사용하는 것과 같은 관계형 데이터베이스에서 이 데이터를 가져오려면 SQL에 대한 지식이 필요합니다.
대부분의 회사에서 마케팅 분석은 여전히 Google 시트에 보고서를 작성하고 판매를 예측하기 위해 간단한 시계열 예측(또는 추측)을 사용하는 것으로 제한됩니다.
일부 회사는 현재 이러한 빅 데이터를 처리하고 이를 더 나은 세그먼트 및 시장 사용자와 결합하는 데 있어 극도로 정교해지고 있지만 많은 기업이 여전히 따라잡고 있습니다.
때때로 우리 모두는 기계 학습이 우리의 평범한 직업을 어떻게 인수하고 AI가 미래인지 듣습니다. 그러나 솔직히 말해서 오늘날 기계 학습 및 알고리즘은 미래의 이야기가 아닙니다. 이는 Google 검색에서 Netflix 제안에 이르기까지 모든 곳에 있습니다.
발병 초기에는 주변 시스템에 숨겨진 이 지능을 인식하지 못할 수도 있지만 이러한 시스템은 마치 "마술"처럼 느껴질 정도로 원활한 경험을 제공하도록 설계되었습니다.
기계 학습은 인공 지능의 하위 집합이며 지금은 기계 학습에 대해서만 이야기할 것입니다.
기계 학습은 단순히 컴퓨터를 활용하여 인간이 이해하기 어려울 수 있는 복잡하고 큰 데이터를 이해합니다.
오늘날 우리는 마케팅 하면 '디지털 마케팅'을 떠올리지 않을 수 없습니다. 이 접두사의 발명으로 많은 디지털 데이터가 등장했습니다. 당사 제품에 대한 사용자 행동에 대한 데이터로 고객을 확보하는 방법에 대한 데이터.
일부 회사는 현재 이러한 빅 데이터를 처리하고 이를 더 나은 세그먼트 및 시장 사용자와 결합하는 데 있어 극도로 정교해지고 있지만 많은 기업이 여전히 따라잡고 있습니다.
대부분의 회사에서 마케팅 분석은 여전히 Google 시트에 보고서를 작성하고 판매를 예측하기 위해 간단한 시계열 예측(또는 추측)을 사용하는 것으로 제한됩니다.
대부분의 최고 마케팅 임원은 머신 러닝이 마케팅에 유용할 수 있다는 것을 알고 있지만 그 방법을 정확히 아는 사람은 소수에 불과합니다. 그리고 방법을 정확히 알지 못한 채 어떻게 회사의 데이터 과학자에게 도움을 받을 수 있습니까?
걱정하지 마세요. 이 기사에서는 마케팅 과학자가 되는 여정을 시작하고 기계 학습을 사용하여 마케팅 활동을 강화할 수 있는 프레임워크를 제공합니다.
시작하는 방법
- 기본 SQL 배우기: 모든 좋은 ML 알고리즘의 핵심은 좋은 데이터이며 회사에서 가장 많이 사용하는 것과 같은 관계형 데이터베이스에서 이 데이터를 가져오려면 SQL에 대한 지식이 필요합니다. 관련 데이터를 가져와 CSV에 저장할 수 있도록 기본 구문에 익숙해지기만 하면 됩니다.
- Python 배우기: 인공 지능이나 기계 학습 또는 원격으로 이러한 주제와 관련된 모든 것에 관해서 Python은 이에 대한 Gold Standard Language입니다. 리소스와 도움의 범위는 무한하며 일단 시작하면 즉시 코딩해야 합니다.
기본 Python 및 pandas 및 numpy와 같은 패키지에 익숙해지고 ML 모델을 위해 데이터를 정리하고 사전 처리하는 방법을 배웁니다. 여기에는 null 값 처리, 데이터 구조화, 약간의 기능 선택 및 기능 엔지니어링이 포함될 수 있습니다.
데이터 조작 및 정리가 완료되고 모델을 구성하는 데 적합한 모든 기능을 선택했으면 데이터를 "테스트" 및 "훈련" 세트로 나눕니다. 훈련 세트는 모델이 학습하는 데 도움이 되는 반면 테스트 세트는 모델의 정확도를 테스트하는 데 도움이 됩니다.
당신을 위해 추천 된:
인도에서 핀테크를 혁신하기 위해 RBI의 Account Aggregator Framework를 설정하는 방법
기업가는 'Jugaad'를 통해 지속 가능하고 확장 가능한 스타트업을 만들 수 없습니다: Cit...
메타버스가 인도 자동차 산업을 어떻게 변화시킬 것인가?
인도 스타트업에 대한 반 영리 조항은 무엇을 의미합니까?
Edtech Startup이 인도 인력의 기술 향상 및 미래 준비를 돕는 방법...
이번 주 새로운 시대의 기술 주식: Zomato의 문제는 계속되고 EaseMyTrip은 Str...
사용할 수 있는 기계 학습에는 두 가지 주요 분기가 있습니다.
- 지도 머신 러닝: 이름에서 알 수 있듯이 이 유형의 머신 러닝 모델은 레이블이 지정된 데이터로 알고리즘을 학습하여 결과를 예측하거나 데이터를 범주로 분류할 때 사용됩니다.
예; 감독된 기계 학습 알고리즘을 사용하여 지난 기간 지출, 판매 목표 등과 같은 요소를 기반으로 필요한 마케팅 예산을 예측할 수 있습니다.
- 비지도 머신 러닝: 지도 머신 러닝은 레이블이 지정된 데이터로 알고리즘을 훈련해야 하지만 비지도 머신 러닝 알고리즘은 사람의 개입 없이 데이터의 숨겨진 패턴을 발견합니다.
예: 감독되지 않은 기계 학습은 해당 고객에 대한 특정 속성이 지정된 고객을 그룹화하는 데 도움이 될 수 있습니다.
주의: 비지도 학습이 아무리 멋지게 들리더라도 일반적으로 비지도 학습 모델의 작동을 비즈니스 이해 관계자에게 설명하는 것은 매우 어렵습니다. 적어도 처음에는 지도 머신 러닝을 고수하는 것이 좋습니다.
지도 머신 러닝의 알고리즘 범주
지도 머신 러닝에는 두 가지 유형의 알고리즘이 있습니다.
1. 분류 : 분류는 레이블을 예측하는 데 도움이 됩니다. 예: 수익, 구매 빈도, 구매 날짜, 웹사이트에 머문 시간 등과 같은 다른 종속 변수를 기반으로 고객을 분류합니다.
인기 있는 분류 모델: 로지스틱 회귀(이름에서 회귀라고 암시하지만 실제로는 분류 문제에 사용됨), 확률적 기울기 하강, K-최근접 이웃. 의사결정나무. 랜덤 포레스트. 벡터 머신을 지원합니다.
- 회귀 : 회귀 문제는 변수의 양을 예측하는 데 도움이 됩니다. 예; 다음달 매출.
인기 있는 회귀 모델: 선형 회귀, 능선 회귀. 올가미 회귀. ElasticNet 회귀
해결하려는 문제가 분류 또는 회귀 중 하나인지 알고 나면 모델 선택은 사용 사례에 따라 크게 달라집니다. 사용 사례에 가장 적합한 모델을 선택하기 위해 최적화하려는 메트릭(예: 평균 제곱 오차)이 있습니다.
문제로 시작:
배우고 적용하지 않으면 언젠가는 잊혀지는 것. 따라서 기계 학습의 세계에 익숙해지면 유스 케이스를 염두에 두는 것이 좋습니다. 이렇게 하면 새로운 모델을 배우는 데 계속 관심을 가질 수 있을 뿐만 아니라 새로 배운 기술을 뽐낼 수도 있습니다.
진행하면서 해결해야 할 문제부터 시작해야 합니다. 이는 KMeans 클러스터링으로 사용자를 분류하려는 시도부터 선형 회귀를 사용한 매출 예측, KNN 분류기를 사용한 이탈 예측에 이르기까지 무엇이든 될 수 있습니다.
프로덕션 준비 모델을 배포할 만큼 충분히 배웠다면 다른 모델을 적용하고 기능을 미세 조정하여 모델의 정확도를 높일 수 있습니다. 모델의 정확도는 시간이 지남에 따라 변할 수 있으므로 나중에 모델을 다시 방문하는 것이 좋습니다.
전문가 팁: Python에는 SARIMAX와 같은 모델이 있습니다. SARIMAX는 말 그대로 기계 학습에 속하지 않지만 시계열 예측에 매우 유용한 모델입니다. 기계 학습에 자신을 제한하지 마십시오. Python을 배울 때 유용할 다른 모델이 있습니다.
그리고 모든 기계 학습 모델은 학습에 제공하는 데이터만큼 우수하다는 것을 기억하십시오. SERP 순위에 대한 최상의 지표를 예측하는 모델은 기능 목록이 얼마나 철저하고 합리적인지에 따라 결정됩니다. 기계 학습 모델을 구축하는 동안 도메인 지식은 매우 중요합니다.