Tess Technology
Анализ рынков, социальное и
экономическое моделирование
+7 (916) 729 07 16
Пн. – Пт.: с 9:00 до 18:00
Заказать звонок
г. Москва, пр. Кадомцева, д.15
Компания
  • О компании
  • Принципы и ценности Tess Technology
  • Реквизиты
Услуги
  • Анализ рынков
  • Математическое моделирование
  • Теория ограничений
  • Предоставление Баз Данных
Проекты
  • Выход на новый рынок
  • Математическое моделирование
  • Поиск новых ниш
  • Расчет экономических показателей
Блог
Контакты
    Tess Technology
    Компания
    • О компании
    • Принципы и ценности Tess Technology
    • Реквизиты
    Услуги
    • Анализ рынков
    • Математическое моделирование
    • Теория ограничений
    • Предоставление Баз Данных
    Проекты
    • Выход на новый рынок
    • Математическое моделирование
    • Поиск новых ниш
    • Расчет экономических показателей
    Блог
    Контакты
      Tess Technology
      • Компания
        • Назад
        • Компания
        • О компании
        • Принципы и ценности Tess Technology
        • Реквизиты
      • Услуги
        • Назад
        • Услуги
        • Анализ рынков
        • Математическое моделирование
        • Теория ограничений
        • Предоставление Баз Данных
      • Проекты
        • Назад
        • Проекты
        • Выход на новый рынок
        • Математическое моделирование
        • Поиск новых ниш
        • Расчет экономических показателей
      • Блог
      • Контакты
      • Главная
      • Информация
      • Статьи
      • Алгоритмический маркетинг (часть 3): предсказательная аналитика и оптимизационные модели

      Алгоритмический маркетинг (часть 3): предсказательная аналитика и оптимизационные модели

      27 февраля 2020 16:16
      // Бизнес-советы

      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

      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.


      Теги
      Маркетинг Алгоритмический маркетинг
      Назад к списку Следующая статья
      Категории
      • Бизнес-советы14
      • Повышение продаж1
      • Управление проектами1
      Это интересно
      • Маркировка электронно компонентной базы в РФ
        10 октября 2022
      • Перспективы развития литографии в РФ
        26 июня 2022
      • Отношение бизнеса к данным и аналитике
        1 июня 2022
      • Рынок Умного Дома
        10 мая 2022
      • Отечественная полупроводниковая отрасль в условиях санкций
        14 марта 2022
      • Жизненный цикл товаров: от производителя до полки супермаркета
        2 октября 2021
      • Большие данные в большой фарме? Большое дело!
        2 октября 2021
      • Карта искусственного интеллекта
        28 сентября 2021
      • Нейромаркетинг: верить ли словам потребителя?
        2 октября 2020
      • Три правила работы с Big Data
        28 сентября 2020
      • 7 трендов социальных медиа
        28 сентября 2020
      • Алгоритмический маркетинг (часть 2): кейсы
        27 февраля 2020
      • Алгоритмический маркетинг (часть 1): зачем маркетологам искусственный интеллект?
        27 февраля 2020
      Облако тегов
      AI Big Data R&D SMM Алгоритмический маркетинг Аналитика Аналитика рынка Биг Дата Искусственный интеллект Исследования Маркетинг Микроэлектроника Нейромаркетинг Производство Социальные медиа Фарма Цифровая экономика
      Компания
      О компании
      Принципы и ценности Tess Technology
      Реквизиты
      Услуги
      Анализ рынков
      Математическое моделирование
      Теория ограничений
      Предоставление Баз Данных
      Проекты
      Выход на новый рынок
      Математическое моделирование
      Поиск новых ниш
      Расчет экономических показателей
      Блог
      Перспектива отечественных полупроводников
      Три правила работы с Big Data
      Перспективы развития литографии в РФ
      Наши контакты

      +7 (916) 729 07 16
      Пн. – Пт.: с 9:00 до 18:00
      г. Москва, пр. Кадомцева, д.15
      mail@tesstech.ru
      © 2023 Все права защищены.