10 моделей машинного обучения, которые должен знать каждый маркетолог

Мировой рынок предиктивной аналитики: прогнозируется, что он вырастет более чем в два раза с 17,42 млрд долларов в 2024 году до 41,44 млрд долларов в 2028 году.

Инструменты, инсайты ИИ для бизнеса в моем тг-канале 😎, приглашаю:

Перевод статьи от pecan.ai:
Чтобы воспользоваться преимуществами прогнозного моделирования на основе машинного обучения, важно точно знать, на что оно способно. Короткий ответ: на многое. Обнаружение и предотвращение мошенничества, сегментация клиентов, оптимизация кампаний, ценообразование и планирование спроса и т.д. Рассмотрим 10 наиболее часто используемых моделей машинного обучения и области их применения.

Это одна из наиболее часто используемых моделей — отчасти потому, что она одна из самых простых. В ней используется одна или несколько известных, или независимых, переменных для прогнозирования связанной с ними, но неизвестной, или зависимой, переменной.

Важно помнить, что зависимая и независимая переменные должны иметь прямую корреляцию. Использование цвета глаз потребителей для прогнозирования вероятности покупки ими дорогого кофе не даст результатов, поскольку между цветом глаз и потреблением кофе премиум-класса нет никакой связи.

Модели линейной регрессии часто используют исторические данные или данные о тенденциях для прогнозирования будущих значений. Например, ритейлер может использовать данные о продажах за предыдущие праздничные сезоны, чтобы оценить, сколько сезонных товаров нужно закупить для предстоящего праздничного сезона, или определить, как устанавливать цены на новые товары, исходя из цен на аналогичные артикулы.

Распространенные варианты использования: прогнозирование продаж, пожизненная ценность клиента (CLV), оптимизация ценообразования, прогнозирование спроса, распределение бюджета

Как и линейная регрессия, логистическая регрессия использует одну или несколько независимых переменных для прогнозирования зависимой переменной. Но на выходе модели линейной регрессии будут непрерывные значения, например, сколько ещё людей купят продукт при дополнительных расходах на рекламу в размере 10 000 долларов. С другой стороны, прогнозы моделей логистической регрессии являются бинарными и используются для классификации вероятных результатов. Например, с их помощью можно определить, уйдёт ли клиент (да/нет), или определить, какие маркетинговые и торговые лиды являются приоритетными, например: «Приведёт ли этот лид к конверсии?»

Распространенные варианты использования: прогнозирование оттока клиентов, сегментация клиентов и определение приоритетности лидов, эффективность кампаний по электронной почте и прогнозирование показателя кликабельности (CTR) для цифровой рекламы.

Хотя опорные векторы могут выдавать непрерывные значения, чаще всего они используются для классификации, как и модели логистической регрессии. Поскольку модели логистической регрессии обычно проще в реализации, обучении и интерпретации, чем машины опорных векторов, вы можете задаться вопросом, зачем вообще нужны последние. Основная причина: машины опорных векторов могут работать с более сложными или нелинейными взаимосвязями, чем модели логистической регрессии.

Например, модель логистической регрессии может определить, является ли электронное письмо спамом, по наличию в теме письма слова free: если оно есть, письмо классифицируется как спам. Метод опорных векторов может также учитывать взаимосвязь между словом free в теме письма и другими фразами в тексте. Метод опорных векторов с меньшей вероятностью переобучается и лучше справляется с минимизацией влияния выбросов.

Типичные сценарии использования: сегментация клиентов, выявление мошенничества, таргетинг рекламы, рекомендации по продуктам

Модель ARIMA использует данные, собранные за определённый период времени, для прогнозирования будущего спроса, цен и других числовых значений. Точно так же, как метод опорных векторов можно считать «умным братом» модели логистической регрессии, ARIMA — это более сложный и надёжный «кузен» линейной регрессии. Время, в частности последовательность, является важной характеристикой модели ARIMA; она предполагает, что прогнозы являются результатом процесса, протекающего во времени, и использует предыдущие последовательности для прогнозирования будущих. В то время как модель линейной регрессии может предсказать продажи компании в декабре на основе продаж в предыдущем декабре, модель ARIMA также будет учитывать продажи в промежуточные месяцы.

Распространенные варианты использования: прогнозирование продаж, оценка эффективности кампании, планирование запасов

Название этой модели отражает то, как выглядят её результаты в виде диаграммы: как дерево с ветвями, которые делятся на ещё более мелкие ветви. Корневой узел — это весь набор данных. Затем данные делятся на узлы принятия решений — ветви, — каждая из которых может быть разделена на более мелкие ветви в зависимости от данных и решаемой задачи. Деревья решений очень гибкие, поскольку их можно использовать как для регрессионных, так и для классификационных задач, а также поскольку они могут работать с большим количеством переменных или признаков. И хотя их описание может показаться сложным, на самом деле они используются для разбиения сложных данных на более простые элементы.

Допустим, вы хотите определить, какие клиенты из набора данных с наибольшей вероятностью повторно подпишутся на ваш сервис. У вас есть множество характеристик для каждого из них: возраст, пожизненная ценность, уровень вовлечённости, доход домохозяйства и пол. Модель дерева решений может сначала разделить их на группы по полу. Затем каждая группа по полу может быть разделена на более мелкие группы по возрастным группам. Каждая возрастная группа по полу может быть разделена по пожизненной ценности и так далее, пока модель не сможет предсказать, какие сегменты набора данных с наибольшей и наименьшей вероятностью повторно подпишутся.

Распространённые сценарии использования: оценка потенциальных клиентов, дополнительные продажи, размещение рекламы, стратегии удержания клиентов

Несмотря на все преимущества, модели на основе деревьев решений склонны к переобучению и предвзятости. Модель случайного леса компенсирует это, объединяя результаты нескольких деревьев решений для получения окончательного результата. Если вернуться к предыдущему примеру с вероятностью повторной подписки, то одно дерево решений может придавать большее значение доходу домохозяйства при составлении прогноза, в то время как другое может придавать большее значение уровню вовлечённости, а третье может учитывать оба фактора в равной степени. Случайный лес учитывает все эти факторы при составлении прогнозов, которые, как и прогнозы самих деревьев решений, могут быть непрерывными значениями или классификациями.

Распространенные сценарии использования: отток клиентов, перекрестные продажи, прогнозирование эффективности кампаний, сегментация клиентов

Как и случайные леса, градиентные бустинг-машины помогают повысить эффективность моделей деревьев решений. Но в то время как случайный лес объединяет несколько деревьев решений, градиентная бустинг-машина создаёт одно дерево за раз, проектируя каждое последующее дерево так, чтобы оно исправляло ошибки предыдущего, и вычисляя разницу между прогнозами и фактическими значениями до тех пор, пока не будет получена высоконадёжная модель. Поскольку градиентные бустинг-машины эффективно устраняют влияние выбросов и несбалансированных классов, их часто используют там, где особенно важны точность и аккуратность, например в здравоохранении и финансовой оценке. При этом он также может прогнозировать отток клиентов, покупательское поведение и множество других маркетинговых показателей.

Типичные сценарии использования: оптимизация рекламных расходов, прогнозирование продаж, персонализированный маркетинг

Вы, вероятно, несколько раз в неделю сталкивались с результатами работы моделей, использующих алгоритмы k-ближайших соседей. Они помогают создавать рекомендательные системы, классифицируя новые данные на основе того, насколько их характеристики похожи (или близки) на характеристики существующих данных. K обозначает количество ближайших соседей, используемых для прогнозирования; если k равно 5, новая точка данных классифицируется на основе пяти наиболее похожих на неё существующих точек данных, а k, равное 1, означает, что новые данные будут классифицироваться на основе только одной ближайшей существующей точки данных. Помимо использования в системах рекомендаций, KNN часто применяется в инструментах для распознавания изображений, где он сравнивает значения пикселей на новых изображениях с существующими.

Типичные варианты использования: рекомендации по продуктам, персонализированная реклама
K-means кластеризация

Модели KNN дают классификацию для каждой новой точки данных. Кластеризация методом k-средних создаёт группы данных на основе их сходства с центроидом, или центром каждого кластера. Здесь k обозначает количество создаваемых центроидов, а каждый центроид представляет собой математическое среднее выбранных точек данных. Модель машинного обучения случайным образом выбирает точки данных для каждого центроида, а затем многократно уточняет выбор, пока не создаст кластеры данных, наиболее похожие друг на друга и наименее похожие на другие кластеры.

Кластеризация методом k-средних часто используется для сегментации клиентов и аудитории. Потребители, входящие в кластер, наиболее вероятно приобретающий товары премиум-класса, могут получать маркетинговые электронные письма, отличные от тех, которые получают потребители, наименее вероятно приобретающие товары премиум-класса, а также те, кто покупает только товары со скидкой.Типичные варианты использования: сегментация клиентов, группировка товаров/дополнительные продажи, оптимизация кампаний

Основная цель PCA - уменьшить количество переменных в наборе данных без снижения надежности модели. Это достигается путем создания новых переменных — основных компонентов, — которые включают соответствующую информацию о множестве существующих переменных. Сам по себе он не будет предсказывать результаты, но за счет минимизации количества переменных, которые должна анализировать прогностическая модель, он способствует более быстрым и эффективным выводам из прогностической модели. Типичные варианты использования: выбор/уточнение функций, расширенная сегментация клиентов, анализ эффективности рекламы.

#ai #ии