Machine Learning to nie novum
Machine Learning, czyli uczenie maszynowe używane jest już przez niejedną ze znanych na całym świecie firm. Nie raz zetknąłeś się z jego potencjałem, korzystając np. z Netflixa. Wszystkie rekomendacje filmów, które wyświetlają ci się podczas używania aplikacji to właśnie efekt wdrożenia technologii Machine Learning. Facebook, Spotify, Google Maps czy Uber to tylko nieliczne przykłady pośród ogromu marek, które zastosowały to rozwiązanie w swoich codziennych praktykach.
SALESmanago Copernicus Machine Learning&AI
SALESmanago Marketing Automation rozwinęło swój własny projekt Sztucznej Inteligencji – SALESmanago Copernicus Machine Learning&AI. Już teraz firmy takie jak New Balance, Yves Rocher czy Sizeer wykorzystują go, aby dostarczać swoim klientom dopasowane i odpowiednio spersonalizowane treści.
Copernicus to jedna z najbardziej zaawansowanych technologii na rynku systemów Marketing Automation. Projekt ten powstał z myślą o klientach eCommerce, aby umożliwić im personalizację w czasie rzeczywistym czy też zaawansowaną segmentację. Copernicus pozwala na:
- analizę Big Data wspieraną przez najbardziej zaawansowane algorytmy i struktury
- predyktywne rekomendacje produktowe
- personalizację omnichannel w czasie rzeczywistym
- zbieranie i analizę wszystkich danych w obrębie jednej platformy
- przetwarzanie, analizowanie oraz ulepszanie działań i wyników.
Marketing Automation wykorzystywany jest dzisiaj m.in. do tworzenia zaawansowanego systemu punktacji tzw. Lead Scoring, przygotowania kampanii Lead Nurturing, Workflows, Reguł Automatyzacji, a także segmentacji i w szeroko pojętych działaniach związanych z prowadzonymi kampaniami. Szkopuł tkwi w ogromie danych, które muszą zostać poddane analizie.
Dane analizowane w SALESmanago obejmują:
- wizyty na stronach WWW
- zakupione produkty
- produkty dodane do koszyka
- ścieżki konwersji
- źródła konwersji
- dane osobiste i demograficzne kupujących (CRM)
- cechy produktów kupowanych
- reakcje związane z direct marketingiem
- wyszukiwane hasła
- konwersacje prowadzone w czacie
- wyświetlane produkty
- wartość koszyka tj. produktów w nim umieszczonych
- zachowania offline
Stosowana dzisiaj powszechnie technologia opiera się na wykonywaniu poleceń, działaniu w oparciu o zdefiniowane algorytmy. Ten prosty mechanizm dostosowuje podejmowane akcje, zgodnie z tym co zostanie mu zaprogramowane na początku. Uczenie maszynowe (machine learning) charakteryzuje się zupełnie odmienną strategią. Podobnie do istoty ludzkiej, jego potencjał pochodzi z doświadczenia, czy dokładniej, z bezustannie zbieranych i analizowanych informacji pochodzących z zewnątrz.
Typy Machine Learning
Supervised Machine Learning
Zakłada obecność ludzkiego nadzoru nad tworzeniem tych propcesów uczących się i weryfikację wychodzących danych na podstawie wejściowych parametrów. Zadaniem systemu jest nauczanie przewidywania prawidłowej odpowiedzi na zadane pytanie i generalizacja przypadków wyuczonych na przypadki, których system jeszcze nie zna.
Unsupervised Machine Learning
Stanowi przeciwieństwo uczenia nadzorowanego. Brak w nim nadzorcy – kogoś, kto powie nam jak interpretować wyniki. Podzielony jest na clustering i asocjację.
Clustering – dysponujemy danymi bez etykiet. Celem takiego uczenia jest znalezienie grup tych clustrów, w których skupione są dane. Te dane, które są pogrupowane, charakteryzują się pewnego typu podobieństwem.
Asocjacja – wykrywanie specyficznych zależności między danymi, które wielokrotnie występują wspólnie np. produkty kupowane wspólnie przez klientów.
Reinforcement Machine Learning (Deep Learning)
To najbardziej zaawansowana odmiana Machine Learning. Stosowana jest w technologiach najbardziej rozwiniętych i rozbudowanych. Związany z dużym kosztem i długim czasem implementacji. Używany jest w najbardziej zaawansowanych gałęziach przemysłu.
Ten rodzaj Machine Learning przystosowany jest do rozwiązywania problemów o najwyższym stopniu komplikacji, takich jak:
- robotyka i automatyzacja branży przemysłowej
- przemysł samochodowy
- zdrowie i medycyna
- systemy bazujące na tekście, mowie czy dialogach
Etapy implementacji
Projekt składa się z 5 etapów:
1. Określenie celów, wskaźników i limitów
Musisz skupić się na rezultatach, które chcesz osiągnąć i wyobrazić sobie restrykcje i ograniczenia, z którymi zmierzy się projekt.
2. Gromadzenie i ocena danych
3. Szkolenie modelu
Budowa i szkolenie modelu projektowego.
4. Integracja i testowanie
5. Monitorowanie modelu
Poprzez monitorowanie wyników będziesz w stanie dostosować model do założonych wymagań i uzyskać najlepsze rezultaty.
Machine Learning w Marketing Automation
Inteligentna segmentacja
Grafiki produktów
Segmentacja to proces polegający na dzieleniu szerokiego spektrum danych na podgrupy (segmenty) na podstawie zdefiniowanych cech wspólnych dla danych elementów.
Twoja baza danych podzielona zostanie na sekcje z uwzględnieniem przeróżnych czynników i charakterystyk. Jeżeli np. klient zainteresowany jest obuwiem w kolorze czerwonym, dostarczysz mu rekomendacje butów właśnie w tym kolorze. Jeżeli jednak ten sam klient szuka czerwonych butów, które dodatkowo ozdobione są trzema białymi paskami, dzięki uczeniu maszynowemu automatycznie dostarczysz rekomendacje produktów spełniających powyższe założenia.
Ilość transakcji
Możesz analizować liczbę dokonywanych zakupów i dzielić bazę danych w oparciu o ilość transakcji przeprowadzonych przez klientów z różnych grup jak np. kobiety, które dokonały przynajmniej 10 zakupów lub klientów będących po 30-stce bez historii zakupowej w twoim sklepie. Na tej podstawie dobierzesz odpowiednie działania i skierujesz odpowiednie kampanie do każdej z wyodrębnionych grup.
Wartość koszykowa
Wykorzystując segmentację, wyselekcjonujesz cechy charakterystyczne konkretnych segmentów – wartość koszykową według wieku, częstotliwości zakupu (RFM) czy wielkości zamieszkiwanego miasta.
Analiza przywiązania
Analiza zapewniająca dane o zainteresowaniu kontaktu danymi tematami czy produktami.
Dynamic Pricing
Dynamiczna wycena produktów umożliwia zastąpienie manualnego przeprowadzania tego procesu. Podjęcie decyzji o przyznanej obniżce warunkowane będzie prawdopodobieństwem dokonania zakupu, zwiększając tym samym przychody pozyskane od każdego z klientów.
Zwiększenie retencji
Zapobieganie churnowi – kompleksowa analiza zachowań i interakcji identyfikująca klientów o wysokim współczynniku churn.
Rekomendacje Produktowe
W przeciwieństwie do mechanizmów rekomendacji produktowych dostępnych w większości platform Marketing Automation, rekomendacje AI nie są oparte jedynie na produktach samych w sobie.
- ciągła analiza danych z zakresu odbytych wizyt na stronie czy dokonanych transakcji
- wyniki bezustannie analizowane i zmieniające się w zależności od zmian w zachowaniach klienta
- analiza statystyczna dostarczająca informacji o prawdopodobieństwie współwystępowania zdarzeń (jeżeli A to B)
- w celu obliczenia siły zależności danych system używa systemu wagowego i ilości wystąpień
Rekomendacje AI w SALESmanago Copernicus
1. Collaborative filtering – wspólna filtracja, czyli rekomendacje udzielane na podstawie zachowania innych klientów
2. Najczęściej kupowane po wizycie
3. Najczęściej wyświetlane razem
4. Najczęściej współkupowane (kupowane razem)
5. Mixed statistics with weight – statystyki połączone z rangą
Rekomendacje dostarczane mogą być:
- Strona Internetowa (ramki produktowe, pop-up, sidebar)
- E-mail Marketing
- Powiadomienia Web Push
- Media Społecznościowe
- Dynamiczny remarketing.
Follow
