Como você pode começar com aprendizado de máquina em marketing
Publicados: 2021-06-20A chave por trás de todos os bons algoritmos de ML são bons dados e, para buscar esses dados de um banco de dados relacional como o que sua empresa provavelmente está usando, você precisará de conhecimento de SQL
A análise de marketing na maioria das empresas ainda está restrita a criar relatórios em planilhas do Google e usar previsões de séries temporais simples (ou uma conjectura) para projetar vendas
Embora algumas empresas estejam se tornando extremamente sofisticadas no manuseio de big data e combiná-lo para melhores usuários de segmento e mercado, muitas ainda estão se atualizando.
De vez em quando, todos ouvimos como o Machine Learning assumirá nossos trabalhos mundanos e como a IA é o futuro. Mas, francamente, hoje Machine Learning e Algoritmos não são uma história do futuro, eles estão em toda parte, desde suas pesquisas no Google até suas sugestões da Netflix.
Enquanto no início, você pode nunca ser capaz de reconhecer essa inteligência oculta nos sistemas ao seu redor, mas esses sistemas são projetados para oferecer uma experiência tão perfeita que parece quase “mágica”.
O aprendizado de máquina é um subconjunto da Inteligência Artificial, e vamos falar apenas sobre o aprendizado de máquina por enquanto.
O aprendizado de máquina simplesmente utiliza computadores para entender dados complexos e grandes que nós, como humanos, podemos ter dificuldade em compreender.
Hoje quando pensamos em marketing, não podemos deixar de pensar em “Marketing Digital”. Com a invenção deste prefixo, vieram muitos dados digitais. Dados sobre como adquirimos clientes para dados sobre o comportamento do usuário em nossos produtos.
Embora algumas empresas estejam se tornando extremamente sofisticadas no manuseio de big data e combiná-lo para melhores usuários de segmento e mercado, muitas ainda estão se atualizando.
A análise de marketing na maioria das empresas ainda está restrita a criar relatórios em planilhas do Google e usar previsões de séries temporais simples (ou uma conjectura) para projetar vendas.
Embora a maioria dos principais executivos de marketing saiba que o Machine Learning pode ser útil no marketing, apenas alguns sabem exatamente como. E sem saber exatamente como, como você pode conseguir que o cientista de dados da sua empresa o ajude?
Não se preocupe, neste artigo, darei a você a estrutura para começar sua jornada como Cientista de Marketing e usar o Machine Learning para capacitar suas atividades de marketing.
Como começar
- Aprenda SQL básico: A chave por trás de todos os bons algoritmos de ML são bons dados e, para buscar esses dados de um banco de dados relacional como o que sua empresa provavelmente está usando, você precisará de conhecimento de SQL. Apenas familiarize-se com a sintaxe básica, para que você possa buscar os dados relevantes e armazená-los em um CSV.
- Aprenda Python: Quando se trata de Inteligência Artificial ou Aprendizado de Máquina ou qualquer coisa que remotamente diga respeito a esses tópicos, Python é a Linguagem Padrão Ouro para isso. A extensão dos recursos e da ajuda é ilimitada e, uma vez iniciado, você deve estar codificando rapidamente.
Familiarize-se com o python básico e pacotes como pandas e numpy, aprenda a limpar dados e pré-processá-los para os modelos de ML. Isso pode envolver lidar com valores nulos, estruturar bem os dados e um pouco de seleção de recursos e engenharia de recursos.
Depois de concluir a manipulação e a limpeza dos dados e selecionar todos os recursos certos para construir o modelo, você divide seus dados em conjuntos de "teste" e "treinamento". O conjunto de trem ajuda seu modelo a aprender enquanto o conjunto de teste ajuda a testar a precisão do seu modelo.
Recomendado para você:
Como a estrutura do agregador de contas do RBI está definida para transformar as fintechs na Índia
Empreendedores não podem criar startups sustentáveis e escaláveis por meio do 'Jugaad':...
Como o Metaverse transformará a indústria automobilística indiana
O que significa a provisão antilucratividade para startups indianas?
Como as startups de Edtech estão ajudando a qualificação da força de trabalho da Índia e se preparando para o futuro
Ações de tecnologia da nova era esta semana: os problemas do Zomato continuam, EaseMyTrip publica...
Existem 2 ramos principais de Machine Learning que você pode utilizar;
- Aprendizado de máquina supervisionado: como o nome sugere, esse tipo de modelo de aprendizado de máquina é usado quando ensinamos o algoritmo com dados rotulados para prever resultados ou classificar dados em categorias.
Por exemplo; você pode usar algoritmos de aprendizado de máquina supervisionados para prever o orçamento de marketing necessário com base em fatores como gastos no último período, meta de vendas etc.
- Aprendizado de máquina não supervisionado: enquanto o aprendizado de máquina supervisionado exige que você treine o algoritmo com dados rotulados, os algoritmos de aprendizado de máquina não supervisionados descobrem os padrões ocultos nos dados sem qualquer intervenção humana.
Por exemplo: o aprendizado de máquina não supervisionado pode ser útil para agrupar clientes com determinados atributos para esses clientes.
Atenção: Não importa o quão sofisticado o aprendizado não supervisionado pareça, geralmente é muito difícil explicar o funcionamento dos modelos de aprendizado não supervisionado para as partes interessadas do negócio. É melhor ficar com o Aprendizado de Máquina Supervisionado, pelo menos no início.
Categorias de algoritmo em Aprendizado de Máquina Supervisionado
Existem 2 tipos de algoritmos em Aprendizado de Máquina Supervisionado;
1. Classificação : A classificação ajudará você a prever um rótulo Por exemplo: segmentar clientes com base em outras variáveis dependentes, como Receita, Frequência de compra, Tempo de compra recente, Tempo gasto no site etc.
Modelos de classificação populares: regressão logística (embora o nome sugira regressão, na verdade é usado para problemas de classificação), descida de gradiente estocástico, K-Nearest Neighbours. Árvore de Decisão. Floresta Aleatória. Máquina de vetores de suporte.
- Regressão : O problema das regressões ajuda a prever a quantidade de uma variável. Por exemplo; vendas no próximo mês.
Modelos de regressão populares: regressão linear, regressão de cume. Regressão de Lasso. Regressão ElasticNet
Depois de saber se o problema que você está tentando resolver é de Classificação ou Regressão, a seleção do modelo depende muito do seu caso de uso. Existem métricas para as quais você deseja otimizar (por exemplo: erro quadrático médio), para selecionar o melhor modelo para seu caso de uso.
Comece com um problema:
Algo se aprendido e não aplicado é esquecido em algum tempo. Portanto, é aconselhável ter casos de uso em mente à medida que você se familiariza com o mundo do Machine Learning. Isso não apenas o manterá interessado em aprender modelos mais novos, mas também poderá mostrar suas habilidades recém-adquiridas.
À medida que você progride, você deve começar com um problema para resolver. Isso pode ser qualquer coisa, desde tentar segmentar seus usuários com clustering KMeans até projetar vendas com Regressão Linear e prever o churn com o classificador KNN.
Depois de aprender o suficiente para implantar modelos prontos para produção, você pode tentar aplicar outros modelos e ajustar recursos para aumentar a precisão de seus modelos. A precisão de seus modelos pode mudar com o tempo, por isso é sempre aconselhável revisitar seus modelos mais tarde também.
Dica profissional: Existem modelos em Python, por exemplo: SARIMAX que não se enquadram em Machine Learning, mas são modelos muito úteis para uma previsão de séries temporais. Não se restrinja ao Machine Learning, existem outros modelos que serão úteis à medida que você aprende Python.
E lembre-se, todos os modelos de aprendizado de máquina são tão bons quanto os dados que você alimenta para treiná-los. Um modelo para prever o melhor indicador para seus rankings SERP será determinado por quão exaustiva e razoável é sua lista de recursos. O conhecimento do domínio é muito crucial enquanto você cria seus modelos de aprendizado de máquina.