數(shù)據(jù)轉(zhuǎn)換率較低會嚴重影響機器學習發(fā)揮的作用，這就是需要意識到這一點很重要的原因。

如今，機器學習以多種有益的方式改變著市場的未來發(fā)展。數(shù)字營銷研究機構(gòu)的調(diào)查報告表明，97%的決策者認為機器學習技術(shù)將促進未來市場發(fā)展。

營銷人員可以采用多種策略來使用機器學習算法來優(yōu)化廣告并進行推廣。但是，其中一些策略的局限性要比營銷人員想的還要嚴重。

[[281632]]

大數(shù)據(jù)技術(shù)為營銷行業(yè)提供了許多解決方案。它能夠處理大量數(shù)據(jù)集，從而可以通過多種方式幫助營銷人員。他們可以使用轉(zhuǎn)化數(shù)據(jù)集：

• 根據(jù)客戶最有可能轉(zhuǎn)化的時間自動投放廣告;
• 使用依靠機器學習的人工智能工具為不同的訪問者優(yōu)化內(nèi)容;
• 準確定位最有可能轉(zhuǎn)換的廣告，并向其提供廣告的客戶的人口統(tǒng)計信息;
• 了解客戶在與支持服務(wù)和聊天機器人聊天時提出的最常見問題，并對這些問題進行自動回復;
• 確定電子郵件標題，并進行復制以提高點擊率和轉(zhuǎn)化次數(shù);
• 發(fā)現(xiàn)對現(xiàn)有客戶進行促銷最有效的痛點。

行業(yè)專家表示，機器學習在大數(shù)據(jù)方面非常強大。但是，他們必須克服一些挑戰(zhàn)。對于小型數(shù)據(jù)集來說，它幾乎沒有用處，而小型數(shù)據(jù)集是過去可供營銷人員使用的唯一數(shù)據(jù)形式。行業(yè)專家Jyoti Prakash Maheswari對于有關(guān)小型數(shù)據(jù)集的問題進行了探討，他提出的原則與其他機器學習應用一樣適用于市場營銷。

多年來，營銷人員不得不使用小型數(shù)據(jù)集。他們根本沒有足夠的存儲空間和資源來收集有關(guān)其客戶的大數(shù)據(jù)。即使是有能力存儲大數(shù)據(jù)的公司，也很少有資源對其進行處理并提出可行的見解。

這些公司還沒有準備放棄使用小型數(shù)據(jù)集的概念。當企業(yè)嘗試開發(fā)基于機器學習技術(shù)進步的復雜營銷策略時，這可能會出現(xiàn)問題。

使用小型轉(zhuǎn)化數(shù)據(jù)集自動執(zhí)行營銷策略會遇到什么問題?

許多數(shù)字營銷平臺使客戶更容易利用機器學習的好處，他們通常要求廣告客戶實時跟蹤其轉(zhuǎn)化，或者進行人工上傳。

Propel Media公司是使用機器學習來幫助廣告商獲得最高投資回報率的公司之一。許多廣告客戶表示，他們開始使用依賴機器學習技術(shù)的每次動作成本(CPA)優(yōu)化器后，便注意到廣告效果顯著提高。

不過，熟悉這種技術(shù)的人士警告說，不要試圖將其用于少量轉(zhuǎn)換數(shù)據(jù)。Propel Media公司的一家媒體廣告商說，企業(yè)通常需要至少50次轉(zhuǎn)換才能從中獲得一些價值，當超過100個轉(zhuǎn)換時，廣告定位的質(zhì)量要高得多。

機器學習算法可以從轉(zhuǎn)換中得到一些非常有用的觀察結(jié)果，他們可以推斷現(xiàn)有的轉(zhuǎn)換數(shù)據(jù)，以顯著提高廣告效果。問題在于，這些推廣的質(zhì)量與已上傳的轉(zhuǎn)化次數(shù)高度相關(guān)。

其他大多數(shù)廣告平臺也具有類似的技術(shù)。企業(yè)使用自己的內(nèi)部機器學習平臺來自動化和優(yōu)化營銷策略也會發(fā)現(xiàn)同樣的問題。

當企業(yè)營銷人員嘗試將轉(zhuǎn)換數(shù)據(jù)用于其機器學習算法時，將會面臨一些挑戰(zhàn)。他們需要最低級別的轉(zhuǎn)換數(shù)據(jù)點，才能創(chuàng)建有效的機器學習策略。他們還將會發(fā)現(xiàn)轉(zhuǎn)換數(shù)據(jù)的質(zhì)量取決于指數(shù)衰減因子。這意味著，隨著導入新數(shù)據(jù)，添加更多轉(zhuǎn)化的增量收益將繼續(xù)減少。

這意味著什么?營銷人員可能會發(fā)現(xiàn)，將首次轉(zhuǎn)化添加到其數(shù)據(jù)集中的邊際收益將是巨大的。第二次轉(zhuǎn)換的價值將是可觀的，但其強度卻不及第一次轉(zhuǎn)換。營銷人員可能需要添加五個或六個轉(zhuǎn)換數(shù)據(jù)點，才能使他們從添加到數(shù)據(jù)庫的第一次轉(zhuǎn)換中獲得的數(shù)據(jù)質(zhì)量提高一倍。為了使數(shù)據(jù)質(zhì)量再次翻倍，他們可能需要再添加20個或25個數(shù)據(jù)點，并且可能需要添加100個到150個數(shù)據(jù)點才能再次將質(zhì)量提高一倍。

這意味著營銷人員可能需要大量數(shù)據(jù)才能獲得有意義的見解。他們所需的轉(zhuǎn)換次數(shù)有所不同，具體取決于他們試圖優(yōu)化或自動化的過程的復雜性。

例如，營銷人員可能只需要來自20次或30次轉(zhuǎn)化的數(shù)據(jù)即可確定他們使用的效果最好的廣告。機器學習算法可能使用這樣的數(shù)據(jù)量以95%的置信區(qū)間識別最好的廣告。

然而，營銷人員還需要更多的數(shù)據(jù)來確定最佳的人口統(tǒng)計數(shù)據(jù)。他們試圖使用機器學習來細分或消除人口統(tǒng)計數(shù)據(jù)，但可能需要幾百次以上的轉(zhuǎn)換。

機器學習營銷算法需要足夠的數(shù)據(jù)

機器學習對于市場營銷來說是無價的。但是，營銷人員需要大量數(shù)據(jù)來開發(fā)高質(zhì)量的算法。他們應該謹慎確定正確的數(shù)據(jù)規(guī)模，并確保能夠收集足夠的轉(zhuǎn)換數(shù)據(jù)。