Подход, который выводит компании на новый уровень зрелости в области данных.
Делиться
Разработка стратегий для маркетинговых кампаний — чрезвычайно сложная задача. Во многом она сводится к методу проб и ошибок, хотя мы знаем, что более целенаправленные стратегии были бы эффективнее. Мы просто не знаем, как этого добиться. Процесс часто включает в себя запуск кампании, наблюдение за ней, извлечение уроков, внесение корректировок и повторную попытку. Такой подход, основанный на методе проб и ошибок, имеет свои преимущества. Он поощряет движение, а не паралич. Он позволяет командам быстро учиться, особенно на быстро меняющихся рынках. Для ранних стадий роста или в условиях ограниченного объема данных это часто единственный практический вариант.
Я хочу представить другой подход. Подход, несомненно, более сложный, продвинутый и комплексный, но также революционный и замечательный. Именно этот подход выводит компании на новый уровень зрелости данных. Позвольте мне познакомить вас с моделированием ожидаемой стоимости.
Прежде чем начать, хочу отметить, что этому подходу посвящены целые главы в некоторых учебниках по науке о данных. Однако я намерен изложить всё максимально доступно. Я буду придерживаться концептуального подхода, но при этом предоставлю чёткую схему того, как этого можно достичь. Если вас заинтересует более подробная информация, я приведу ссылки на полезные источники в конце.
Начнём.
Что такое моделирование ожидаемой стоимости?
Ожидаемая ценность — это ключевой аналитический подход, позволяющий лицам, принимающим решения, учитывать компромиссы при неравных затратах и выгодах. Рассмотрим сценарий, в котором модель машинного обучения помогает диагностировать у пациента рак. Методы и модели, учитывающие только простую точность (было ли предсказание верным или неверным), не принимают во внимание компромиссы в предсказаниях.
В данном случае не каждый «неверный прогноз» одинаков. Недиагностирование рака у пациента, когда он уже болен, обходится гораздо дороже, чем диагностирование рака, когда он действительно болен. Оба прогноза были технически неверны, но один стоил жизни, а другой — нет.
К счастью, наши маркетинговые стратегии не являются вопросами жизни и смерти. Но этот принцип применим и здесь. Решение о том, на кого нацеливать маркетинговую кампанию, а на кого нет, может привести к совершенно разным затратам для бизнеса.
Моделирование ожидаемой ценности расширяет этот горизонт, учитывая больше возможных результатов, и позволяет нам измерять затраты или выгоды каждого из них. Эта модель в значительной степени зависит от деловых знаний экспертов в данной области для определения последствий каждого результата. Наша цель здесь — понять, как разработать стратегию, которая статистически оптимизирует достижение нашей цели. В оставшейся части статьи мы сосредоточимся на изучении того, на кого следует ориентироваться в маркетинговой стратегии, чтобы максимизировать прибыль.
Начните с модели вероятности покупки.
Модель вероятности покупки — это модель машинного обучения, которая прогнозирует вероятность того, что клиент купит товар. Предположим, мы проводим рекламную кампанию для интернет-магазина. Каждый человек, кликнувший на объявление, создает строку данных. Он видит кампанию, просматривает ваш магазин и в конечном итоге принимает решение о покупке или отказе от покупки товара. В ходе этого процесса необходимо собрать множество данных. Модель машинного обучения анализирует все исторические данные, чтобы выявить закономерности. Она изучает факторы, влияющие на вероятность покупки клиентом. Затем она применяет эти закономерности к новым клиентам, чтобы предсказать, купят ли они товар.
Сама по себе эта модель имеет огромную ценность. Она показывает компании, кто из клиентов с наибольшей вероятностью купит продукт и какие аспекты кампании влияют на вероятность покупки. Мы можем использовать эти данные для адаптации нашей следующей рекламной кампании. Вот как выглядит принятие решений на основе данных.
Внедрение моделирования ожидаемой стоимости
Для дальнейшего продвижения важно понять концепцию матрицы ошибок. Матрица ошибок — это таблица размером n x n, где n представляет все возможные исходы. Для простоты я буду использовать матрицу ошибок размером 2 x 2.
Эта матрица содержит прогнозируемые результаты по одной оси и фактические результаты по другой. Она предоставляет нам четыре ячейки, по одной для каждого возможного результата в задаче бинарной классификации, как, например, в нашей модели вероятности покупки (либо покупатель приобретает товар, либо нет). Это приводит к следующим возможностям:
- Истинный положительный результат: мы предсказали, что клиент совершит покупку, и это действительно произошло.
- Ложное срабатывание: мы предсказали, что клиент совершит покупку, но этого не произошло.
- Ложноотрицательный результат: мы предсказывали, что клиент НЕ совершит покупку, но он совершил её.
- Истина/Отрицание: мы предсказывали, что клиент НЕ совершит покупку, и он действительно её не совершил.
Вот иллюстрация:
Для применения ожидаемых значений к каждому результату нам необходимо глубокое понимание бизнеса. Нам нужна следующая информация:
- Прибыль с каждого проданного товара.
- Стоимость за клик.
- Вероятность совершения покупки одним покупателем.
В том же примере для нашего интернет-магазина рассмотрим следующие значения:
- Прибыль с каждого проданного товара = 50 долларов
- Стоимость клика = 1 доллар
- Вероятность покупки для каждого клиента = на основе нашей модели вероятности покупки
Зная эту информацию, мы можем определить, что выгода от клика клиента по нашей рекламной кампании и покупки товара (истинное положительное значение) составит прибыль с каждого товара ( 50 долларов) за вычетом стоимости клика ( 1 доллар ), что равно 49 долларам . Стоимость клика клиента по нашей кампании, но без покупки (ложное положительное значение), — это просто затраты на клик, то есть -1 доллар . Результат отказа от таргетирования клиента, который не совершил бы покупку, равен 0 долларов , поскольку не было понесено никаких затрат и не был получен доход. Результат отказа от таргетирования клиента, который совершил бы покупку, также равен 0 долларов по тем же причинам.
Я хочу признать наличие альтернативных издержек, связанных с тем, что покупатель не будет привлечен к совершению покупки, или с возможностью совершения покупки без привлечения внимания целевой аудитории. Эти факторы более абстрактны и субъективны, хотя и поддаются измерению. Для простоты я не буду рассматривать их в данном сценарии.
В результате мы получаем следующую матрицу ошибок:
Отлично, теперь мы знаем конкретные затраты или выгоды от каждого результата нашей рекламной кампании. Это позволяет нам понять ожидаемую ценность таргетирования клиента, используя следующее уравнение (извините за математические вычисления):
Ожидаемая прибыль = P(покупка) × Прибыль при покупке + (1 — P(покупка)) × Убыток при отсутствии покупки
В этом случае ожидаемое значение равно вероятности ответа (P(покупка)) умноженной на значение ответа (Прибыль при покупке) плюс вероятность отсутствия ответа (1 — P(покупка)) умноженная на стоимость отсутствия ответа (Убыток при отсутствии покупки).
Если мы хотим, чтобы ожидаемая выгода от таргетирования клиента была положительной, то есть чтобы мы получили прибыль, то мы можем переформулировать уравнение следующим образом:
P(купить) × 49$ + (1 — P(купить)) × (–1$) > 0
P(покупка) > 0,02 (или 2%)
Это означает, что, исходя из нашей модели вероятности покупки, мы должны ориентироваться на каждого клиента с вероятностью покупки, превышающей 2%.
Для реализации этого не обязательно иметь степень по математике или статистике, но я хотел показать, как мы к этому пришли.
Ответ найден: нам нужно ориентироваться на всех клиентов, у которых вероятность покупки превышает 2%. Теперь мы можем вернуться к нашей модели вероятности покупки и определить, какие сегменты клиентов соответствуют этим критериям.
Мы точно определили целевую аудиторию, адаптировали нашу кампанию к их потребностям и запустили эффективную маркетинговую кампанию. Мы разработали нашу стратегию, опираясь на все необходимые данные и принимая решения на основе реальных показателей.
Сделаем еще один шаг вперед с Profit Curves
Мы разработали нашу структуру и спланировали маркетинговую кампанию таким образом, чтобы оптимизировать рентабельность инвестиций. Однако часто существуют дополнительные ограничения, которые сдерживают наши возможности по запуску кампании, часто связанные с выделенным бюджетом и количеством целевой аудитории. В таких сценариях полезно знать не только оптимальное решение, но и ожидаемую выгоду в широком диапазоне возможностей. В подобных ситуациях мы можем включить расчет ожидаемой выгоды в процесс обучения нашей модели вероятности покупки.
Вместо того чтобы выбирать модели, основываясь исключительно на технических характеристиках, мы можем оценивать их на основе ожидаемой прибыли. Или использовать комбинированный подход, который уравновешивает прогностическую способность и экономическое воздействие.
В процессе построения модели мы можем рассчитать ожидаемую прибыль для всего диапазона целевой аудитории, от полного отсутствия целевой аудитории до абсолютно всех. В результате мы получаем график кривой прибыли:
По оси Y отложена ожидаемая прибыль от маркетинговой кампании в зависимости от количества целевых групп. По оси X — пороговое значение вероятности покупки. По мере увеличения порога наша кампания становится все более узкой. Если мы доведем его до 100%, мы никого не будем охватывать. Если же мы снизим его до 0%, мы сможем охватить всех.
Как и в нашем предыдущем примере, мы видим, что максимальная ожидаемая прибыль достигается при таргетировании всех групп населения с вероятностью покупки выше 2%. Однако, возможно, у нас более ограниченный бюджет, или мы хотим разработать отдельную кампанию только для клиентов с действительно высокой вероятностью покупки. В этом случае мы можем сравнить наш бюджет с кривой и определить, что таргетирование клиентов с вероятностью покупки выше 12% по-прежнему, как ожидается, обеспечит высокую прибыль при значительно меньших затратах. Затем мы можем вернуться к тому же процессу, что и раньше, для разработки этой кампании. Мы определяем, кто эти клиенты, что влияет на вероятность их покупки, и приступаем к адаптации нашей маркетинговой кампании к их потребностям.
Всё начинается и заканчивается знаниями в сфере бизнеса.
Мы уже рассмотрели возможности и ценность моделирования ожидаемой стоимости, но я должен еще раз подчеркнуть, насколько важно иметь представление о бизнесе, чтобы все работало бесперебойно. Крайне важно иметь четкое понимание затрат и выгод, связанных с каждым возможным результатом. Крайне важно правильно интерпретировать результаты модели, чтобы полностью понять, какие рычаги можно задействовать для влияния на вероятность покупки.
Хотя это сложный подход, я не хочу обескураживать читателя, впервые знакомящегося с этими методами. Совсем наоборот. Я пишу об этом, чтобы подчеркнуть, что такие методы больше не являются прерогативой крупных корпораций. Малые и средние предприятия имеют доступ к тем же инструментам сбора данных и моделирования, что открывает двери для любого, кто хочет вывести свой бизнес на новый уровень.
Источник: towardsdatascience.com
