Маркетинг 5.0. Технологии следующего поколения

1. Загрузка двух наборов данных: вводные и выводные данные

Модель нейронной сети состоит из слоя входных данных, слоев выходных данных и скрытых слоев между ними. Как и при построении регрессионной модели, во входные данные загружаются независимые переменные, а зависимые переменные загружаются в выходной слой. Разница, однако, состоит в скрытых слоях, которые содержат алгоритмы «черного ящика».

2. Предоставление сети возможности выявления взаимосвязей в данных

Нейронная сеть способна соединить данные для выведения функции или предиктивной модели. Она работает как и человеческий мозг, связывая факты в единое целое на основании непрерывного обучения. Нейронные сети обнаружат разные типы закономерностей и взаимосвязей между наборами данных: корреляцию, ассоциации, зависимости и причинно-следственные связи. Некоторые из этих связей могут оказаться из числа ранее неизвестных или скрытых.

3. Использование получившейся в скрытых слоях модели для прогноза результатов

Функция, полученная на обучающей выборке, может быть использована для прогнозирования результата на новом наборе данных. И когда реальный результат загружается обратно в нейронную сеть, машина обучается на своих неточностях и совершенствует скрытые слои со временем. Поэтому это и называется машинное обучение. Несмотря на то, что нейронные сети не раскрывают понимание мира из-за своей сложности, постоянно обучающиеся нейронные сети могут быть очень точны в прогнозах.

Рисунок 9.2. Как работают предиктивные модели

Выбор предиктивной модели зависит от стоящих перед вами задач. Когда задача структурирована и легка для понимания, достаточно регрессионной модели. Но когда вопрос касается неизвестных факторов или алгоритмов, лучше всего может работать машинное обучение, например нейронные сети. Маркетологи также могут использовать более чем одну модель для нахождения наиболее подходящей техники работы с имеющимися данными (см. рисунок 9.2).

Резюме: предвосхищая рыночный спрос проактивными действиями

Маркетологи, опирающиеся на знания, могут быть на шаг впереди, прогнозируя результаты каждого маркетингового действия. В сфере управления клиентами предиктивная аналитика может помогать компаниям оценивать ценность потенциальных клиентов до их подключения и определить, насколько целесообразно вкладываться в их продвижение и развитие.

В управлении продуктом маркетологи могут предположить результаты продаж предварительно запущенного прототипа продукта или определить, какие продуктовые линейки выбрать для повышения объема продажи и кросс-продаж из широкой линейки товаров. И, наконец, предиктивное моделирование может позволить бренд-менеджерам анализировать отношение покупателей по тональности высказываний и определять, как строить бренд-коммуникации при определенных условиях.

Существует несколько техник создания моделей в предиктивном маркетинге, которые включают регрессионный анализ, коллаборативную фильтрацию и нейронные сети. Машинное обучение или искусственный интеллект могут быть использованы для построения предиктивных моделей. Таким образом, большинству маркетологов потребуется технологическая помощь специалистов по статистике и ученых по данным. Однако у маркетологов должно быть стратегическое понимание, как модели работают и как с их помощью делать выводы.

Вопросы к размышлению

Использует ли ваша организация предиктивную аналитику для маркетинга? Рассмотрите некоторые новые возможности применения предиктивного маркетинга.