--- md_version: 2 title: "Алгоритмический маркетинг (часть 3): предсказательная аналитика и оптимизационные модели" description: "Обычно в маркетинге, основанном на данных, выделяют 3 типа аналитики: описательная, предсказательная, предписывающая...." canonical: "https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-3-predskazatelnaya-analitika-i-optimizatsionnye-modeli/" markdown: "https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-3-predskazatelnaya-analitika-i-optimizatsionnye-modeli/index.md" published: "2020-02-27" author: "Tess Technology" organization: "ООО ТЕСС ТЕХНОЛОДЖИ" language: "ru-RU" category: "Технологии и AI" direction: "technology-ai" tags: ["Маркетинг","Операционная эффективность"] image: "https://tesstech.ru/upload/iblock/23e/gtrbvfthrlq7vdys500oo81cs39gl017.webp" original_source: "https://tesstech.ru/info/articles/biznes-sovety/algoritmicheskiy-marketing-chast-3-predskazatelnaya-analitika-i-optimizatsionnye-modeli/" related_service: title: "Системная ИИ-трансформация" url: "https://tesstech.ru/services/ai-transformation/" related_articles: - title: "Алгоритмический маркетинг (часть 2): кейсы" url: "https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-2-keysy/" markdown: "https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-2-keysy/index.md" - title: "Как Big Data произведет революцию в фармацевтическом R&D" url: "https://tesstech.ru/blog/kak-big-data-proizvedet-revolyutsiyu-v-farmatsevticheskom-r-d/" markdown: "https://tesstech.ru/blog/kak-big-data-proizvedet-revolyutsiyu-v-farmatsevticheskom-r-d/index.md" - title: "Алгоритмический маркетинг (часть 1): зачем маркетологам искусственный интеллект?" url: "https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-1-zachem-marketologam-iskusstvennyy-intellekt/" markdown: "https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-1-zachem-marketologam-iskusstvennyy-intellekt/index.md" sources: [] --- # Алгоритмический маркетинг (часть 3): предсказательная аналитика и оптимизационные модели Обычно в маркетинге, основанном на данных, выделяют 3 типа аналитики: описательная, предсказательная, предписывающая. Алгоритмический маркетинг (АМ) основывается на оценке результатов бизнес-действий, и полагается на базовые методы машинного обучения и экономического моделирования. Обычно в маркетинге, основанном на данных, выделяют 3 типа аналитики: описательная (descriptive), предсказательная (predictive; предиктивная), предписывающая (prescriptive; прескриптивная). АМ использует, как правило, только часть всего инструментария этих методов. **3 типа аналитики: описательная, предсказательная и предписывающая** **![_2020-01-11_223712.png](/upload/iblock/44a/jz6vss71e3l1ui7470uw59c3wa1cj5no.webp)** ## 1) Описательная аналитика. В рамках этого типа аналитики обычно обобщают данные, оценивают их качество и ищут связи и корреляции между переменными. _Пример:_ агрегирование данных продаж компании, а также данных рынка о продажах и свойствах продуктов. _Важно:_ Описательная аналитика не пытается объяснить те или иные результаты, или понять, как те или иные результаты можно изменить. ## 2) Предсказательная аналитика. В рамках данной аналитики оценивается вероятность того или иного результата, исхода (outcome) в зависимости от значений входных переменных. _Пример:_ прогнозирование спроса на товар на основе рыночных данных и данных компании, прогнозирование отклика потребителей на промо-акции, банковский скоринг клиентов. _Важно:_ предсказываются не обязательно будущие значения переменной, а значения (выходной переменной) в зависимости от тех или иных параметров. ## 3) Предписывающая аналитика. Методы данной аналитики определяют зависимости между бизнес-решениями и бизнес-результатами, для поиска оптимального решения. _Пример:_ прогнозирование оптимальных цен и скидок. _Важно:_ обычно подразумевается функциональная зависимость между различными переменными, например, прямая зависимость прибыли от цен подразумевает непосредственное влияние на готовность к покупке, и такая функция позволяет рассчитать оптимальную ценовую скидку, в том числе для разных категорий покупателей. В АМ и программных решениях, где наиболее важна автоматизация принятия решений, главный фокус делается на **предписывающую аналитику**, которая, в свою очередь, опирается на предсказательную аналитику. ## Экономическая оптимизация Под экономической моделью обычно подразумевают функцию (назовем ее G), использующие данные прошлого опыта (обозначим D как данные). Выделяют пространство доступных бизнес-решений или действий, которые повлияют на результат (назовем их s ∈S). К примеру, в задаче оптимизации email-рассылок пространством доступных действий будет отправка или не-отправка писем с промо-акцией определенным клиентам, а максимизация выручки от продаж по акциям может быть целью. Для построения модели понадобится последовательно решить следующие задачи: ## 1) Определить бизнес-цель и выразить ее в экономических терминах. Чаще всего максимизируют прибыль компании, однако в этой роли могут выступать и другие переменные, такие, как выручка и рентабельность. _Важно:_ существует трейд-офф между получением прибыли компании и полезностью потребителем. Например, при улучшении поиска в онлайн-каталоге товаров должны быть показаны релевантные товары по запросу, но и товары в соответствии с маркетинговыми целями компании. ## 2) Собрать данные и учесть их в модели. Алгоритмический маркетинг подразумевает, что данные собраны в достаточном количестве, и используются уже доступные данные или данные будут собираться в дальнейшем. Особое значение принимают технологии дата майнинга (data mining), которые призваны собрать больше данных и улучшить качество моделей. _Важно:_ есть трейд-офф между стоимостью данных и их ценностью. Данные рассматриваются как актив компании, и при инвестировании в данные компания может значительно улучшить свои маркетинговые результаты. Например, компания может временно пожертвовать своей экономической эффективностью, чтобы с помощью разных стратегий протестировать построенную экономическую модель, и собрать больше данных. Результатом будет улучшенная модель с более надежными прогнозами, более простая модель, и т.п. ## 3) Выбрать степень детализации модели и построить модель. В зависимости от формулирования бизнес-цели может понадобиться та или иная степень детализации, или степень детализации может ограничиваться доступностью тех или иных данных и возможностью их экстраполяции. _Важно:_ есть трейд-офф между степенью агрегирования и более точными данными. Высокоагрегированные модели более просты в построении и больше поддаются интерпретации, однако меньше показывают зависимости между переменными и менее способны делать качественные прогнозы.К примеру , классические модели, такие, как модели совокупного спроса, характеризуются высокой степенью агрегирования данных, но показывают связь лишь небольшого числа факторов с достаточно простыми зависимостями. Приведем пример агрегирования модели: а) Если оптимизируются email-рассылки по всем потребителям, максимизируя выручку, то можно агрегировать месячную выручку по всем клиентам, потому что ко всем клиентам применяется одна стратегия. б) Однако если все потребители разделены на 2 сегмента, и для каждого должна быть найдена своя стратегия рассылок, нельзя обойтись без переменных для каждой стратегии (число потребителей и затраты по рассылке данной стратегии). Линейность модели также предполагает ее значительное упрощение, и к ним часто прибегают из-за недостатка данных. Введение фактора времени в модель также может быть упрощено: вместо построения динамической модели и запоминания текущего состояния, может быть использована статическая, простая модель, в которой значения прошлых периодов и прогнозы на их основании (продажи и их прогнозы в зависимости от скидок) будут введены как отдельные переменные. По данным книги Katsov I. Introduction to Algorythmic Marketing: Artificial intelligence for marketing operations. 2018. ## Услуга по теме [Системная ИИ-трансформация](https://tesstech.ru/services/ai-transformation/) — Находим процессы, где ИИ дает измеримый результат, и сопровождаем пилот до внедрения. ## Материалы по теме - [Алгоритмический маркетинг (часть 2): кейсы](https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-2-keysy/index.md) - [Как Big Data произведет революцию в фармацевтическом R&D](https://tesstech.ru/blog/kak-big-data-proizvedet-revolyutsiyu-v-farmatsevticheskom-r-d/index.md) - [Алгоритмический маркетинг (часть 1): зачем маркетологам искусственный интеллект?](https://tesstech.ru/blog/algoritmicheskiy-marketing-chast-1-zachem-marketologam-iskusstvennyy-intellekt/index.md)