Решаем проблему атрибуции в digital-маркетинге при помощи машинного обучения
Кажется очевидным: маркетологи должны знать, какие из их маркетинговых инвестиций действительно сработали. Однако сделать это на практике оказывается не всегда так просто, как это звучит. Вот почему рекламная «атрибуция» становится все более незаменимой для успешной работы маркетинговых команд.
Статья хорошая, есть НО: "Предположим, что декабре мы планируем запустить совершенно новые рекламные кампании. Очевидно, что использовать знания, накопленные в ноябре, будет невозможно:
Чего нам хотелось бы меньше всего, так это потратить еще один месяц инвестируя в неэффективную маркетинговую кампанию.
Именно тут на помощь приходить машинное обучение на основе сырых данных, которое лежит в основе атрибуции, которую мы применяем в SegmentStream. "
Нет. Тут на помощь никто и ничто не придёт. Ваша модель показывает недооценённость - по её расчётам - того или иного ракламного канала. Предиктив тут нигде не зашит. На самом деле - увы и ах. Думаю, вы уже пилите условную "атрибуцию атрибуций"? ML'ку ML'ек, которая будет учиться на результатах других моделей и строить свою - предиктивную. Правда, там ещё неплохо бы сторонних данных добавить - цены, конкуренты и проч. - интересно было бы посмотреть.
Возвращаясь к текущей теме - посмотреть на свои расходы под другим углом - очень полезно, и при достаточно крупной группировке данных - даже будет "выхлоп". А вот для использования в будущем - максимум, поможет увеличить долю одного канала (каналов) за счёт других - не то, что даже в объявлении в условном Директе или кампании - канале! "Тонкая" настройка всё равно остаётся за конкретным специалистом, вносящим изменения руками.
Не уверен, что я понял, о чем идёт речь в комментарии. Модель помогает обучаться на паттернах поведения, а не на каналах или кампаниях. Именно поэтому может предсказывать результаты даже для новых кампаний.