Tess Technology
Trusted Expertise
in Strategy and Systems
Главная
Продукты
  • Анализ технологических рынков
  • Повышение операционной эффективности
  • Матмоделирование и машинное обучение
  • Базы данных
  • Стратегические сессии
Кейсы
  • Выход на новый рынок
  • Математическое моделирование
  • Поиск новых ниш
  • Расчет экономических показателей
Блог
    Связаться с нами
    Tess Technology
    Главная
    Продукты
    • Анализ технологических рынков
    • Повышение операционной эффективности
    • Матмоделирование и машинное обучение
    • Базы данных
    • Стратегические сессии
    Кейсы
    • Выход на новый рынок
    • Математическое моделирование
    • Поиск новых ниш
    • Расчет экономических показателей
    Блог
      Tess Technology
      • Главная
      • Продукты
        • Назад
        • Продукты
        • Анализ технологических рынков
        • Повышение операционной эффективности
        • Матмоделирование и машинное обучение
        • Базы данных
        • Стратегические сессии
      • Кейсы
        • Назад
        • Кейсы
        • Выход на новый рынок
        • Математическое моделирование
        • Поиск новых ниш
        • Расчет экономических показателей
      • Блог
      • Главная
      • Информация
      • Статьи
      • Алгоритмический маркетинг (часть 3): предсказательная аналитика и оптимизационные модели

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

      Поделиться
      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
      Поделиться
      Назад к списку Следующая статья
      Категории
      • Бизнес-советы17
      • Повышение продаж1
      • Управление проектами1
      Это интересно
      • Исследование операционной эффективности российских производственных компаний
        12 мая 2025
      • Развитие Рынка Химических Материалов в Микроэлектронике России: проблемы и перспективы
        21 января 2024
      • Аппаратно-программные комплексы для Искусственного Интеллекта
        15 марта 2023
      • 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
      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
      Продукты
      Анализ технологических рынков
      Повышение операционной эффективности
      Матмоделирование и машинное обучение
      Базы данных
      Стратегические сессии
      Проекты
      Выход на новый рынок
      Математическое моделирование
      Поиск новых ниш
      Расчет экономических показателей
      Наши контакты

      +7 (916) 729 07 16
      mail@tesstech.ru
      ООО «ТЕСС ТЕХНОЛОДЖИ» ИНН 7702421130
      © 2025 Все права защищены.
      Связаться с нами
      Находясь на нашем сайте, Вы даете согласие на обработку файлов cookie.