如何在营销中开始使用机器学习
已发表: 2021-06-20所有好的 ML 算法背后的关键是好的数据，并且要从关系数据库（比如您的公司最可能使用的数据库）中获取这些数据，您需要了解 SQL
大多数公司的营销分析仍然仅限于在 Google 表格上创建报告并使用简单的时间序列预测（或猜想）来预测销售额
尽管一些公司现在在处理此类大数据并将其结合到更好的细分市场和市场用户方面变得非常复杂，但仍有很多公司正在迎头赶上。
时不时地，我们都听到机器学习将如何接管我们平凡的工作以及人工智能如何成为未来。 但坦率地说，今天机器学习和算法并不是未来的故事，它们无处不在，从你的谷歌搜索到你的 Netflix 建议。
虽然一开始您可能永远无法识别您周围系统中隐藏的智能，但这些系统旨在为您提供如此无缝的体验，感觉就像“魔术”。
机器学习是人工智能的一个子集，我们现在只讨论机器学习。
机器学习只是利用计算机来理解我们作为人类可能难以理解的复杂和大数据。
今天，当我们想到营销时，我们不禁会想到“数字营销”。 随着这个前缀的发明，出现了大量的数字数据。 有关我们如何获取客户的数据，以及有关我们产品的用户行为的数据。
尽管一些公司现在在处理此类大数据并将其结合到更好的细分市场和市场用户方面变得非常复杂，但仍有很多公司正在迎头赶上。
大多数公司的营销分析仍然仅限于在 Google 表格上创建报告并使用简单的时间序列预测（或推测）来预测销售。
虽然大多数顶级营销主管都知道机器学习在营销中很有用，但只有少数人确切知道如何做。 在不确切知道如何做的情况下，你怎么能让公司的数据科学家来帮助你呢？
不用担心，在本文中，我将为您提供开始成为营销科学家的旅程的框架，并使用机器学习来增强您的营销活动。
如何开始
- 学习基本的 SQL：所有好的 ML 算法背后的关键是好的数据，并且要从关系数据库中获取这些数据，比如您的公司最可能使用的数据库，您将需要 SQL 知识。 只需熟悉基本语法，这样您就应该能够获取相关数据并将其存储在 CSV 中。
- 学习 Python：当涉及到人工智能或机器学习或任何与这些主题无关的东西时，Python 是它的黄金标准语言。 资源和帮助的范围是无限的，一旦开始，您应该立即编码。
熟悉基本的 python 和包，如 pandas 和 numpy，学习清理数据并为 ML 模型预处理数据。 这可能涉及处理空值、很好地构建数据以及一些特征选择和特征工程。
一旦你完成了数据操作和清理，并选择了所有正确的特征来构建模型，你就可以将数据划分为“测试”和“训练”集。 训练集帮助你的模型学习，而测试集帮助测试你的模型的准确性。
为你推荐：
RBI 的账户聚合器框架将如何改变印度的金融科技
企业家无法通过“Jugaad”创建可持续、可扩展的初创公司：Cit...
元界将如何改变印度汽车业
反暴利条款对印度初创企业意味着什么？
教育科技初创公司如何帮助印度的劳动力提高技能并为未来做好准备……
本周新时代科技股：Zomato 的麻烦仍在继续，EaseMyTrip 发布强...
您可以使用机器学习的 2 个主要分支；
- 监督机器学习：顾名思义，当我们用标记数据教授算法来预测结果或将数据分类时，就会使用这种类型的机器学习模型。
例如; 您可以使用监督机器学习算法根据上一期支出、销售目标等因素预测所需的营销预算
- 无监督机器学习：虽然有监督机器学习需要您使用标记数据训练算法，但无监督机器学习算法无需任何人工干预即可发现数据中的隐藏模式。
例如：无监督机器学习可以帮助对给定客户特定属性的客户进行分组。
警告：无论无监督学习听起来多么花哨，通常都很难向业务利益相关者解释无监督学习模型的工作原理。 至少在开始时，最好坚持使用监督机器学习。
监督机器学习中的算法类别
监督机器学习中有两种算法；
1.分类：分类将帮助您预测标签例如：根据其他因变量（如收入、购买频率、购买新近度、在网站上花费的时间等）对客户进行细分。
流行的分类模型：逻辑回归（虽然名称暗示它是回归，但实际上用于分类问题）、随机梯度下降、K-最近邻。 决策树。 随机森林。 支持向量机。
- 回归：回归问题有助于预测变量的数量。 例如; 下个月的销量。
流行的回归模型：线性回归、岭回归。 套索回归。 弹性网络回归
一旦您知道您要解决的问题是分类问题还是回归问题之一，模型选择就高度依赖于您的用例。 您需要优化一些指标（例如：均方误差），以便为您的用例选择最佳模型。
从一个问题开始：
某些东西如果学过而不应用，过段时间就会被遗忘。 因此，当您熟悉机器学习的世界时，最好记住用例。 这不仅可以让您对学习新模型感兴趣，还可以展示您新学到的技能。
随着您的进步，您应该从要解决的问题开始。 这可以是任何东西，从尝试使用 KMeans 聚类对用户进行细分，到使用线性回归预测销售额，再到使用 KNN 分类器预测客户流失。
一旦您学会了部署生产就绪模型的足够知识，您可以尝试应用其他模型并微调功能以提高模型的准确性。 您的模型的准确性可能会随时间而变化，因此始终建议您稍后再重新访问您的模型。
专业提示：Python 中有一些模型，例如：SARIMAX 不属于机器学习，但对于时间序列预测来说是非常有用的模型。 不要将自己局限于机器学习，当你学习 Python 时，还有其他模型会派上用场。
请记住，所有机器学习模型都与您用于训练它们的数据一样好。 预测 SERP 排名最佳指标的模型将取决于您的功能列表的详尽程度和合理程度。 在构建机器学习模型时，领域知识非常重要。