विपणक के लिए मशीन सीखना: कंपनी के मुनाफे को कैसे बढ़ाया जाए

आधुनिक विपणक के निपटान में डिजिटल उपकरणों का एक विशाल शस्त्रागार है, यह सब है: एनालिटिक्स सिस्टम से लेकर परिष्कृत प्रोग्रामेटिक प्लेटफ़ॉर्म और विभिन्न क्लाउड समाधान तक। दूसरी ओर, उपयोगकर्ताओं द्वारा उत्पन्न डेटा की मात्रा हिमस्खलन की तरह बढ़ रही है। उनका स्रोत डिजिटल दुनिया में नेटवर्क और उपयोगकर्ता संचार में व्यवहार कारक है। जानकारी के इस प्रवाह को नेविगेट करने के लिए, विपणक को विशेष समाधानों की आवश्यकता होती है जो उपयोगकर्ता डेटा, प्रक्रिया और विश्लेषण के लिए सुविधाजनक रूप में मौजूद कर सकते हैं। यह वह जगह है जहाँ कृत्रिम बुद्धिमत्ता और मशीन लर्निंग विपणक की मदद करते हैं। मशीन लर्निंग (एमएल) कृत्रिम बुद्धिमत्ता का एक उपधारा है जो एल्गोरिदम का उपयोग करता है जिसे स्वतंत्र रूप से प्रशिक्षित किया जा सकता है, अर्थात, उन्हें विशेष कार्य के लिए विशेष रूप से प्रोग्राम किए जाने की आवश्यकता नहीं है।

एमआईटी टेक्नोलॉजी रिव्यू के अनुसार, एक फॉर्म में 60% कंपनियां या कोई अन्य अपने व्यवसाय में एमएल का उपयोग करता है।

विश्लेषकों के अनुसार, 2017 व्यापार में एमएल के गहन विकास और कार्यान्वयन का वर्ष था। यह तकनीक अब गार्टनर प्रौद्योगिकी परिपक्वता वक्र के चरम पर है - जिसका अर्थ है कि निकट भविष्य में एमएल का गहन विकास होगा, और कंपनियां इन प्रौद्योगिकियों में निवेश करेंगी। कंप्यूटरवर्ल्ड पत्रिका ने कर्मचारियों के सबसे मूल्यवान कौशल की सूची में एमएल को शीर्ष स्थान दिया है । मार्केटर्स मुख्य रूप से व्यक्तिगत उपयोगकर्ता सगाई के अवसरों में रुचि रखते हैं जो एमएल एल्गोरिदम प्रदान कर सकते हैं। वे आपको तीन मुख्य कार्य करने की अनुमति देते हैं:

1. बिग डेटा के साथ काम करें और दर्शकों के उन्नत विभाजन का संचालन करें;
2. ग्राहक व्यवहार के पूर्वानुमानात्मक विश्लेषण का संचालन करना;
3. वास्तविक समय में कार्यों को समायोजित करने के लिए सिफारिशें प्रदान करें।

सिफारिशें

नेटफ्लिक्स, साइट आगंतुकों के लिए सिफारिशों को बेहतर बनाने के लिए भविष्य कहनेवाला विश्लेषिकी का उपयोग करते हुए, उन्हें सेवा के अधिक सक्रिय उपयोग में शामिल करता है। यदि आपने कभी नेटफ्लिक्स वेबसाइट का उपयोग किया है, तो आपने शायद वहां अनुशंसित टीवी शो का एक भाग देखा है। मशीन सीखने वाले एल्गोरिदम का उपयोग करने वाले साइट आगंतुकों को सभी सिफारिशें प्रदान की जाती हैं जो आपकी वरीयताओं का विश्लेषण करती हैं और "समझती हैं" कि आपको कौन सी फिल्में सबसे ज्यादा पसंद हैं। ई-बे पर उत्पाद सिफारिश प्रणाली इसी तरह काम करती है।

यूएसए आइडियलसैट से स्टार्टअप, मैचों में सबसे आरामदायक दर्शक अनुभव बनाने के लिए एमएल और डीप लर्निंग का उपयोग करता है। सेवा कई मापदंडों का विश्लेषण करती है जो दर्शक टिकट ऑर्डर करते समय चुन सकते हैं: आप तय कर सकते हैं कि आप कहां बैठना चाहते हैं: छाया में या धूप में, किसी प्रशंसक या पारिवारिक क्षेत्र में, और इसी तरह।

भविष्य कहनेवाला विश्लेषण

एमएल का उपयोग करके, कंपनियां यह अनुमान लगा सकती हैं कि ग्राहक कब और क्यों उनसे संपर्क करेगा। यह आपको ग्राहकों के साथ संचार को निजीकृत करने और एक समर्थन सेवा को बनाए रखने की लागतों की योजना बनाने की अनुमति देता है। उदाहरण के लिए, एक कंपनी किसी व्यक्ति की संगीत वरीयताओं का विश्लेषण कर सकती है, अपने उपभोक्ता व्यवहार का एक पैटर्न बना सकती है और अपने स्टोर में उसकी औसत जांच के मूल्य की गणना कर सकती है। सिद्धांत रूप में, आप यह भी पहचान सकते हैं कि बीटल्स के प्रशंसक किस प्रकार की खरीदारी करेंगे और एबीबीए प्रशंसकों के लिए औसत जांच क्या होगी।

कार्डधारकों के व्यवहार के पैटर्न की पहचान करने और भविष्यवाणी करने का तरीका Sberbank के विशेषज्ञ पहले ही जान चुके हैं। उदाहरण के लिए, एक बैंक कार्डधारकों की विभिन्न गतिविधियों के बीच अंतर कर सकता है और उन्हें तीन मुख्य पैटर्न में कम कर सकता है: कार खरीदना, फर्नीचर खरीदना या मरम्मत और उपचार लागत। इसके आधार पर, अपने ग्राहकों को उचित कार्यक्रम प्रदान करें।

बिग डाटा और फ्लेक्सिबल प्राइसिंग

एमएल प्रौद्योगिकियां माल की मात्रा, बिक्री के रुझान और अन्य कारकों के आधार पर कीमतों का अनुकूलन करती हैं। आज 63% उपयोगकर्ता कंपनी की वेबसाइट, विशेष रूप से ऑनलाइन स्टोर से पिछले कार्यों के आधार पर निजीकरण की उम्मीद करते हैं। एक उदाहरण के रूप में, Booking.com पर निजीकरण तंत्र को याद रखें।

बिग डेटा विश्लेषण एल्गोरिदम के साथ, विपणक पूर्वानुमान बनाने के लिए ऐतिहासिक डेटा और आंकड़ों का उपयोग कर सकते हैं। अमेज़ॅन मोबाइल एनालिटिक एस या Google क्लाउड मशीन लर्निंग जैसी मोबाइल एनालिटिक्स सेवाओं ने पहले ही सफलतापूर्वक इसका उपयोग किया है।

विज्ञापन विभाजन और लक्ष्यीकरण

एमएल का उपयोग करके, आप बाहरी कारकों के आधार पर रूपांतरण की भविष्यवाणी कर सकते हैं और स्वचालित रूप से संदर्भ में बोलियों को समायोजित कर सकते हैं। अब विकास ने सुदृढीकरण के साथ प्रशिक्षण प्राप्त किया है: प्रारंभिक विज्ञापन को प्रासंगिक विज्ञापन प्रणाली में नहीं रखा गया है। वह पर्यावरण के साथ बातचीत करना और प्रतिक्रिया प्राप्त करना शुरू करती है। सिस्टम अपनी प्रतिक्रिया गुणवत्ता के आकलन के आधार पर अपने कार्यों को सही करता है। उदाहरण के लिए, यदि बैंकिंग उत्पादों के क्षेत्र में प्रासंगिक विज्ञापन लॉन्च किया जाता है, तो ऐसा पैरामीटर बैंक के प्रस्ताव के ग्राहक के लिए रूचि का हो सकता है।

लीड योग्यता

एमएल एल्गोरिदम उन होनहार उपयोगकर्ताओं की पहचान कर सकता है जो उच्चतम संभावना के साथ खरीदने के लिए तैयार हैं। ऐसा करने के लिए, बिक्री विशेषज्ञों और बाज़ारियों को संयुक्त रूप से संपर्क की "संभावना" का आकलन करने के लिए अपने स्वयं के मानदंड विकसित करने चाहिए। उदाहरण के लिए, एक एल्गोरिथ्म भाषा पैटर्न का विश्लेषण करता है, ऐसे शब्दों का चयन करता है जो जुड़ाव बढ़ाते हैं और वृद्धि पर क्लिक करते हैं। फिर आप ट्रिगर शब्दों की एक सूची बना सकते हैं जिसके साथ विपणक विज्ञापन लिखेंगे।

दुनिया बहुत तेज़ी से बदल रही है, आज का उपभोक्ता एक अनूठी सेवा की प्रतीक्षा कर रहा है, वह सोचता है कि सब कुछ तुरंत होगा, व्यक्तिगत और किसी भी चैनल में उसके लिए सुविधाजनक। एमएल विपणक के लिए एक बड़ी मदद और एक शक्तिशाली उपकरण है। हालांकि, काम करने के लिए सब कुछ के लिए, यह केवल विशेष सॉफ़्टवेयर खरीदने और स्थापित करने के लिए पर्याप्त नहीं है। एक संगठन में एआई या एमएल को लागू करने के लिए, नई या सुधारक मौजूदा प्रक्रियाओं को बनाना आवश्यक है: सबसे पहले, आने वाले डेटा के रसद पर काम करना और वास्तविक समय में उनके प्रसंस्करण के लिए सामान्य मानकों का विकास करना।

वास्तव में, उपयोगकर्ता डेटा के दो बड़े समूह हैं: ऐसी जानकारी जो कंपनियां स्वयं एकत्र कर सकती हैं (औसत चेक, खरीद के प्रकार, आदि) और कनेक्शन चैनलों (हितों, आयु और उपयोगकर्ता की सामाजिक गतिविधि पर अन्य डेटा) से सीधे जानकारी। एक साथ, यह सभी डेटा उपयोगकर्ता का पूरा चित्र और उसकी वरीयताओं की एक तस्वीर देगा। सूचना के इस सरणी एमएल एल्गोरिदम के लिए "भोजन" होगा।

डेटा एकत्र करने, संसाधित करने और विश्लेषण करने के बाद क्या करना है? एमएल एल्गोरिदम के साथ काम करने का दूसरा सबसे महत्वपूर्ण चरण अभ्यास में प्राप्त पूर्वानुमानों का उपयोग करना है, जो, क्या, कहाँ, कब और कैसे खरीदेंगे, के विस्तृत नक्शे तैयार करते हैं।

भविष्य के एम.एल.

सिद्धांत रूप में, एमएल और एआई काफी स्वायत्त और मानवजनित संस्थाएं बन सकते हैं: वे स्काईनेट या श्रृंखला ब्लैक मिरर के नायकों में बदल जाएंगे। चलो हाल के कुछ मामलों को चैट बॉट के साथ याद करते हैं। सबसे पहले, जब फेसबुक टीम द्वारा विकसित बॉट्स, एक दूसरे के साथ एक संक्षिप्त संचार के बाद, अपनी भाषा का आविष्कार किया। रचनाकार, जो इस नवोदित भाषा को समझ नहीं सके, ने तत्काल परियोजना को बंद करने का फैसला किया । दूसरा मामला थोड़ा पुराना है: माइक्रोसॉफ्ट द्वारा ट्विटर पर शुरू की गई चैट बॉट अंततः एक कठिन नस्लवादी बन गई। लॉन्च के एक दिन बाद, Microsoft ने बॉट की सबसे उत्तेजक टिप्पणी को हटा दिया ।

हालांकि, मामलों की वास्तविक स्थिति से पता चलता है कि घरेलू व्यवसायों को उग्र एआई से डरना नहीं चाहिए। वह प्रासंगिक अभियान चलाना और उपयोगकर्ता के अनुकूल साइट बनाना सीखेगा।

एमएल एल्गोरिदम और विपणन और व्यवसाय में इसके उपयोग के तरीके, निश्चित रूप से विकसित किए जाएंगे। हमने इन तकनीकों के लिए निम्नलिखित विकास बिंदुओं की पहचान की है:

ग्राहक डेटा एकत्र करने और तैयार करने के लिए तंत्र में सुधार करना। आज, व्यवसाय में एमएल का उपयोग करने की मुख्य सीमाओं में से एक डेटा स्तर निम्न स्तर है। जानकारी अक्सर खंडित और खंडित होती है: उदाहरण के लिए, आयु उपयोगकर्ताओं के एक समूह के लिए जानी जाती है, और उपभोक्ता प्राथमिकताएं दूसरे के लिए जानी जाती हैं। डेटा की गुणवत्ता में सुधार का मतलब है कि एमएल एल्गोरिदम की दक्षता बढ़ाना।

व्यवसाय में एमएल की प्रभावशीलता में सुधार। अब एआई का उपयोग केवल बहुत बड़ी कंपनियों के लिए फायदेमंद है। विभिन्न अनुमानों के अनुसार, एमएल के उपयोग से व्यावसायिक दक्षता केवल 2-3% बढ़ जाती है। यह विपणक और डेवलपर्स द्वारा भविष्य के संयुक्त प्रयासों के लिए बहुत गुंजाइश है।

ग्राहक डेटा एकत्र करने के लिए सिस्टम का विकास। एनालिटिक्स और पूर्वानुमान के साथ एमएल शुरू करने से पहले, आपको विश्लेषण के लिए जानकारी की एक बड़ी सरणी को जमा करने की आवश्यकता है, और इसके लिए इसे एकत्र करने, साफ करने और खंडित करने की आवश्यकता है। यह ग्राहकों के डेटा और उनके विभिन्न सहयोगों को इकट्ठा करने के लिए सिस्टम के लिए बहुत अधिक गुंजाइश खोलता है।

एआई खुद सबकुछ करेगा?

कोई फर्क नहीं पड़ता कि विपणक "सिंगल" बटन के साथ सुपर सेवा का सपना कैसे देखते हैं, यह कभी भी वास्तविकता बनने की संभावना नहीं है। एल्गोरिदम और गणना कभी भी बाज़ारिया की जगह नहीं लेगी। एमएल सिर्फ एक उपकरण है, एक शक्तिशाली के बावजूद, आपको सही तरीके से उपयोग करने में सक्षम होने की आवश्यकता है। हमारे निकट भविष्य में, मशीन ग्राहक को समझने में सक्षम नहीं होगी और उत्पाद या सेवा के लिए उसकी आवश्यकता का निर्माण करेगी।

एआई और एमएल का उपयोग करके प्राप्त आंकड़ों की व्याख्या अंततः एक जीवित विशेषज्ञ द्वारा की जाती है। उनका व्यावसायिकता, परिणाम को प्रभावित करने वाले प्रमुख चर को सही ढंग से पहचानने की क्षमता, और एमएल एल्गोरिदम के आवेदन के अंतिम प्रभाव को निर्धारित करता है।