Маркетинг 5.0. Технологии следующего поколения

1. Сбор данных по зависимым и независимым переменным

Для регрессионного анализа наборы данных как для зависимых, так и независимых переменных должны собираться параллельно и с достаточной выборкой. Например, маркетологи могут исследовать влияние цвета цифрового баннера на количество переходов, собрав достаточное количество примеров цветов и результатов по показателям кликабельности.

2. Нахождение уравнения зависимости между переменными

С помощью статистических программ маркетологи могут получить уравнение, наилучшим образом подходящее под данные. Самая простая форма уравнения – это прямая линия, или график линейной регрессии. Также часто встречается логистическая регрессия, которая использует логистическую функцию для моделирования бинарной зависимой переменной, как, например, покупка или отсутствие покупки, удержание или отток клиента. Так, логистическая регрессия часто используется для предсказания вероятности наступления события, например вероятности совершения покупки.

3. Интерпретация уравнения для получения выводов и проверка на достоверность

Рассмотрим следующий пример. Предположим, что наиболее подходящее уравнение определено следующим образом:

Y = a + bX₁+ cX₂+ dX₃+ e

В этой формуле, Y – зависимая переменная, а X₁, X₂ и X₃ – это независимые переменные. а – константа, которая отражается на величине Y, но на нее никакого влияния не оказывают независимые переменные. b, c и d – это коэффициенты независимых переменных, которые показывают, насколько сильно переменные влияют на зависимые переменные. В уравнении мы можем также оценить обозначаемый e коэффициент погрешности или показатель статистической ошибки. В регрессионной формуле всегда есть ошибки, так как не только независимые переменные могут влиять на зависимую переменную. Чем больше величина погрешности, тем менее точно уравнение.

4. Прогнозирование зависимых переменных при разных независимых переменных

После определения формулы маркетологи могут прогнозировать значения зависимых переменных при разных значениях независимых переменных. Таким образом, маркетологи могут предсказать результат от набора маркетинговых действий.

Коллаборативная фильтрация для рекомендательных систем

Наиболее популярный метод построения рекомендательных систем – это коллаборативная (совместная) фильтрация. Основополагающее допущение состоит в том, что людям понравятся товары, похожие на ранее купленные, или они предпочтут продукты, купленные людьми со схожими предпочтениями. Для того чтобы модель работала, ей требуется участие покупателей для ранжирования продуктов, отсюда и название – «коллаборативная» фильтрация. Она также применима не только к товарам, но и к контенту, в зависимости от того, что маркетологи намерены рекомендовать покупателям.

В двух словах, коллаборативная фильтрация работает в соответствии со следующей логической последовательностью: