Введение в маркетинг, основанный на данных

Продолжаем нашу постоянную рубрику #чтопочитать.

Специалисты компании Sociaro подготовили перевод очередной статьи, которая поможет лучше разобраться в том, что такое машинное обучение. В этот раз речь пойдет про атрибуцию данных.

Маркетинговая атрибуция существует уже много лет, и по мере того, как количество доступных рекламных каналов продолжает меняться и увеличиваться, меняются и стратегии, применяемые маркетинговыми командами по использованию этих каналов.

В данной статье блога я хочу подробно остановиться на использовании моделей машинного обучения взамен эвристических моделей для маркетинговой атрибуции на цифровых каналах. Надеюсь, благодаря данной статье вы узнаете, как использовать науку о данных для атрибуции, а также как это может сыграть важную роль в масштабировании усилий по охвату клиентов с более индивидуализированным таргетингом как в B2C, так и в B2B.

Маркетинговая атрибуция — это процесс измерения эффективности кампании путем количественной оценки влияния, которое эти кампании оказывают на желаемый результат (например, начало бесплатного пробного периода, совершение покупки и т.д.). Понимая, какие каналы или какой контент приводят к более высокой конверсии к этим желаемым результатам, маркетинговые команды могут лучше оптимизировать расходы и улучшить свой имидж.

Сегодня машинное обучение и искусственный интеллект позволяют командам маркетологов выходить далеко за рамки методов атрибуции, применявшихся в предыдущем десятилетии. Например, они могут построить идеальные пути к покупке (Customer Journey) клиентов вплоть до сегментов потребителей или, в некоторых случаях, вплоть до индивидуального уровня для гиперперсонализации - что, как правило, переводится в более желаемые действия потребителей. С помощью алгоритмов, обрабатывающих данные из нескольких источников и предоставляющих обратную связь практически в режиме реального времени по наиболее эффективным каналам, они могут масштабировать свои усилия, чтобы охватить большее количество людей более эффективно, в идеале, потратив меньше денег. Кроме того, четкая координация с CRM-менеджером (менеджером по управлению взаимоотношениями с клиентами) или рекламными платформами позволяет сократить количество процессов, выполняемых вручную, и повысить уровень автоматизации. Наконец, благодаря тому, что вся тяжелая работа выполняется моделями машинного обучения, маркетологи могут свободнее проявлять творческий подход и экспериментировать, когда дело доходит до каналов и имиджа - особенно с обратной связью об эффективности в режиме реального времени, чтобы при необходимости поворачиваться в нужное русло.

Как и в любом проекте по сбору данных, атрибуция должна начинаться с деловой стороны. Перед тем, как погрузиться в данные, команда должна сделать шаг назад и ответить на следующие вопросы (желательно совместно с командами по маркетингу/бизнесу и по данным):

Как мы в настоящее время осуществляем атрибуцию? Прежде чем начать новый проект, важно понять, что уже делают команды для решения вопроса атрибуции каналов. Каждый член команды, занимающейся атрибуцией каналов, должен знать, как это делается в настоящее время, почему это делается таким образом, как это работает, какие дает результаты, и кто использует эти результаты. Это позволит получить более четкое представление об имеющихся потребностях.

Сколько у нас разных типов кампаний, и какие действия желательны для каждой из них? Для некоторых коммерческих предприятий или для определенных кампаний, желаемым действием может быть покупка. В других случаях это может быть повышение осведомленности, тогда простое посещение веб-сайта потенциальным покупателем, будет считаться целевым действием. В любом случае, желаемое действие для каждой маркетинговой кампании должно быть точно определено. Различные модели атрибуции могут лучше или хуже работать с определенными кампаниями, поэтому очень важно четко определить данные моменты заранее

Каков идеальный способ достижения результатов, которые окажут значительное влияние на бизнес? Неспособность определить конечные результаты до начала проекта по атрибуции маркетинга создает предпосылки для провала - особенно в тех случаях, когда специалисты по данным и маркетинговые команды не согласны друг с другом, а результатом становится то, что не может быть использовано командой маркетологов.

Разработка хорошего решения в области науки о данных для делового вопроса начинается с правильного определения потребностей бизнеса, но как только это завершается, вторым наиболее важным компонентом являются хорошие данные.

Первым шагом является составление карты всех каналов и точек контакта на протяжении всего пути клиента, чтобы быть уверенным, что ни один канал не забыт. После этого хорошие данные подразумевают обязательное отслеживание всех действий пользователя по каждому выбранному каналу. Кроме того, подразумевается точное понимание того, какие данные привязаны к каждой точке контакта и откуда они поступают, а также какие могут существовать ограничения. Понимание данных об атрибуции не только фундаментально важно для точности моделей, но также важно для бизнес-команды и руководителей, чтобы они доверяли результатам моделирования. Понимание данных об атрибуции фундаментально важно не только для точности моделей, но и для веры бизнес-команд и руководителей в результаты моделей.

После определения всех правильных источников данных, независимо от того, какой алгоритм в конечном итоге будет выбран для атрибуции, следующим шагом в любом случае является обеспечение чистоты данных и их правильного формата. Для этого необходимо, чтобы сеансы пользователей были сконструированы и четко определены. Именно на этом этапе процесса можно обнаружить каналы, в которых данные полностью отсутствуют.

Если в ходе этого процесса обнаруживаются дыры в данных, то лучший подход — это остановиться и решить проблему. Невозможно построить точную модель атрибуции с пробелами в данных, поэтому, прежде чем двигаться дальше, очень важно потратить время на исправление проблемы, чтобы убедиться в том, что данные атрибутированы правильно.

Именно на данном этапе необходимо определить модель, которая будет использоваться в проекте. Связано это с тем, что все последующие этапы работы с данными зависят от того, какая модель будет использоваться для атрибуции.

В отличие от других типов моделей машинного обучения (например: отток клиентов, предиктивное обслуживание или выявление аномалий), в которых данные можно разделить на обучающие и тестовые выборки для сравнения предсказаний модели с фактическими результатами, единственный способ реально протестировать модель атрибуции - это использовать ее. В отличие от других моделей, маркетинговая атрибуция не является на самом деле предсказательной моделью, поэтому нет никаких "фактических" результатов, с которыми можно было бы провести сравнение до внедрения модели.

Традиционно в информационном проекте, после того как данные очищены и подготовлены, могут быть применены модели прогнозирования. В случае маркетинговой атрибуции на самом деле ничего не предсказывается. Вместо этого, результатом модели будет процент или балл для каждого канала.

Конечно, визуализации могут быть полезны, когда речь идет о маркетинговой атрибуции, чтобы проиллюстрировать распределение конверсии для самих каналов. Это может быть столбчатая диаграмма, показывающая конверсии (или процент конверсии) по каждому каналу в течение всего времени. Или же это может быть линейная диаграмма, показывающая конверсии по каналу во времени, которая может быть полезна для прослеживания колебаний. Колебания могут либо указывать на сезонность, либо, с большей вероятностью, на нестабильность алгоритма, что является хорошим показателем необходимости его повторения.

Применение проекта маркетинговой атрибуции может означать множество вещей в зависимости от предопределенных задач, поставленных перед командами специалистов по маркетингу и бизнесу. Но, как минимум, это означает наличие модели, работающей на фактических данных и регулярно обновляемой на основе текущих данных. Это должно было быть заранее определено в задачах, согласованных с отделом маркетинга. В зависимости от их потребностей и характера бизнеса, обновления могут быть ежедневными, еженедельными, ежемесячными или даже ежегодными.

Маркетинговая атрибуция как проект по сбору данных уникальна тем, что единственный способ увидеть ее результативность — это применить модель, соответствующим образом обновить маркетинговые расходы и наблюдать за изменениями с точки зрения бизнеса. Другими словами, основываясь на модели и корректировке расходов, посмотрите на конверсию - каким образом выделение меньшего бюджета на конкретный канал повлияло на конверсию в целом?

Повторяя этот процесс для различных каналов и измеряя конечный коммерческий результат, маркетинговые команды смогут определить оптимальный баланс.

Действительно, традиционно не существует способа проверить маркетинговые модели атрибуции, прежде чем использовать их в реальной деловой ситуации, поскольку невозможно сравнить результат работы алгоритма с каким-либо источником правдивых данных. Тем не менее, несмотря на это, маркетинговая атрибуция все еще является развивающейся наукой, и специалисты по данным изучают возможные способы тестирования этих моделей для возможного изучения производительности перед применением их с данными в реальном времени и проведением своего рода тестирования в реальной жизни путем перемещения маркетингового бюджета.

Атрибутирование рекламных каналов — это, пожалуй, самая большая - и в то же время самая сложная - задача, с которой на сегодняшний день сталкиваются маркетинговые команды. И нет никакого волшебного решения; хотя использование науки о данных и техники машинного обучения может значительно сократить время и обеспечить лучшие результаты по сравнению с традиционными эвристическими моделями, это все же не простая проблема. Команды маркетологов должны постоянно оценивать каналы и их использование через регулярные промежутки времени, чтобы понять и отреагировать на изменения в потребительском поведении с течением времени.

Более того, с течением времени и по мере появления новых путей выхода на потенциальных клиентов эта задача будет продолжать усложняться. Алгоритмический подход к атрибуции — это только начало изменений за счет перехода к более детальному, ориентированному на данные подходу в маркетинге.

Оригинальная статья