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
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.