Machine Learning en campañas de marketing

Capaz piensen que el Machine Learning para expertos informáticos, pero no los especialistas en marketing.

Bueno la realidad es que se esta utilizando cada vez mas para tomar datos y poder vender mas y mejor a las personas. Con resultados que a veces parecen mágicos.

¿Cómo es que lo podemos utilizar en el marketing?

Empecemos con una necesidad. Digamos que está promocionando un negocio simple como una joyería online, y la estrategia principal es mostrar publicidad online.

Desafío: Crear una campaña que obtenga click, claro, pero los clicks correctos : Click de los compradores y cuanto mas vayan a pagar mejor!

De hecho, supongamos que sabemos que la mayoría de los ingresos de nuestro cliente vienen de personas que gastan más de U$D 100. Entonces necesita encontrar más, incluso a expensas de los <U$D 100 compradores.

Diseñamos de esta forma una serie de anuncios para atraer a estos grandes compradores :
Mezclamos cuidadosamente las fotos de los productos, los distintos modelos y también el logotipo de nuestra marca con la copia correcta.

Después, ejecutamos la campaña durante unos días, y miramos a los análisis…solo para descubrir que no son muy útiles.

Por qué no?
Bueno, el análisis de marketing puede indicarnos qué campañas generaron los mayores ingresos promedio e incluso la cantidad de grandes consumidores, pero necesitamos saber más.

Necesitamos saber qué elementos están atrayendo a los grandes consumidores, de esta forma hacer foco en generar mas de estos anuncios y menos de lo demás.

Y ahí es donde empezamos con el Machine Learning.

Machine Learning en pocas palabras

El Machine Learning es un tema muy amplio con muchos métodos y aplicaciones, pero normalmente se usa para resolver problemas al encontrar patrones que no podemos ver a nosotros mismos.

Es decir, aprovechamos el poder insensible y masivo de las computadoras para ver cosas que nosotros somos parciales, y tan lentos que no podemos, y después inventamos nuevas reglas sobre cómo hacer las cosas mejor..

Cómo hacer que nuestra maquina aprenda

Bueno, lo primero que debemos hacer es olvidarse de la parte de “máquina” y centrarse en el aprendizaje. Es decir, empecemos por encontrar las reglas y después nos preocupamos por la automatización de esas reglas.

Afortunadamente, hay un proceso estándar para desarrollar las reglas de aprendizaje. No es difícil, pero es importante comprender los pasos antes de comenzar, así que léalos teniendo en cuenta sus propias tareas de marketing.

1) Encontrar nuestras características

Primero debemos tomar el problema del mundo real y asignarlo a algo que podamos armar en una hoja de cálculo.

En esta hoja de cálculo, las columnas son los diferentes aspectos o “características” de nuestra campaña. Agregamos campos como la plataforma, la copia o la foto.

Las filas, entonces, son los puntos de datos. ¿Cuáles fueron las características de cada anuncio que condujo a la compra? ¿Qué foto vieron, copiaron la que leyeron o desde qué plataforma hicieron click?

Para nuestros anuncios de joyería, utilizamos las siguientes características para describir cada anuncio que condujo a una compra:

• ¿En qué plataforma esta el ad? Google, Facebook
• ¿Qué características tenía la foto? Mujer, producto, logotipo
• ¿Qué hizo hincapié en el texto del anuncio? Pregunta, usted, producto, precio
• ¿Hubo una ‘llamada a la acción’ (por ejemplo, haga click aquí)? Si no
  Ahora, por supuesto, hay muchas otras características que podríamos usar. Tiempo de compra, páginas visitadas, etc., pero son simples e ilustran cómo el aprendizaje automático funciona bastante bien.

2) Identificar el resultado

Entonces, debemos tener un resultado claro y deseable, y un resultado claro y negativo. De esa forma, podemos entrenar a la computadora para encontrar el patrón que conduce, con mayor frecuencia, al resultado correcto.

Para este ejemplo, un resultado positivo es un gasto de $ 100 o más, y un resultado negativo es un gasto inferior a $ 100.

Tengamos en cuenta que no incluimos clicks sin compras para esta prueba, aunque, de hecho, esa puede ser otra prueba válida para ejecutar también. La razón de esto es que estamos buscando el anuncio que atrae a grandes y pequeños gastadores, por lo que debemos ver los datos de las personas que compraron algo.

Entonces, para este ejemplo, el resultado es simple: si gastaron más de $ 100, entonces usamos ‘TRUE’ y si no lo hicieron, ‘FALSE’.

Podríamos, por supuesto, limitarnos al monto en dólares, pero no lo haremos, por las razones que explico a continuación.

3) Reúnir los datos

La tercera tarea es recopilar los datos de nuestras características.

Pero, ¿y si no tienes los datos correctos? Ah, es por eso que necesitas saber todo el procedimiento antes de comenzar.

Posiblemente, la parte más frustrante del aprendizaje automático sea obtener una lista de características y un resultado, y luego darse cuenta de que simplemente no tenemos todos los datos.

Muchas veces hemos ido a crear un informe para resaltar el rendimiento de diferentes anuncios y descubrir que no etiquetamos correctamente los anuncios para ver las diferencias en Google Analytics.

Pero como estamos leyendo esto antes de haber hecho algún trabajo, podemos asegurarnos de que nuestros datos cubran las características.

Marcamos cada enlace en nuestros anuncios con la variable de URL adecuada para que cuando un comprador propspective haga click en nosotros sepamos la plataforma, la copia, la foto y la CTA que los trajo a nuestro sitio.

Luego combinamos los datos con las características y terminamos con una tabla que se ve así:

4) Elija su programa de aprendizaje automático

OK, esto es un poco difícil. Si hace un poco de lectura sobre el tema de los programas de aprendizaje automático (o algoritmos), encontrarán que existe una enorme variedad de algoritmos. Es desconcertante y paralizante cuando comienzas por primera vez.

La razón de esta variación es que cada algoritmo de aprendizaje automático tiene su propio caso de uso especial que puede producir algunos modelos muy complejos para ayudarlos a predecir el futuro.

Las buenas características permiten un modelo simple para vencer a un modelo complejo.

Entonces, aunque creo que es importante estar familiarizado con algunos modelos, elegir las características y preparar el conjunto de datos que nos ayudará a resolver nuestro problema de manera mucho más efectiva que el método de aprendizaje automático que utilizamos

Para simplificar las cosas, elegímos el modelo que claramente te dice qué funciona desde una perspectiva de aprendizaje automático: un árbol de decisiones.

5) Dividimos los datos

Una parte importante de la metodología de aprendizaje automático es dividir los datos para que tengamos un conjunto de datos para el aprendizaje y otro para las pruebas. Normalmente, el aprendizaje es mucho mayor que las pruebas, por lo que utilizaremos 400 ejemplos para aprender y luego lo evaluaremos en 100 ejemplos.

Lo que estamos buscando aquí es si el modelo que está construido por la máquina a partir de los datos de aprendizaje realmente funciona en los datos de prueba.

Es decir, ¿la máquina realmente ‘aprendió’ lo suficientemente bien como para ser de alguna utilidad en el futuro? ¿O simplemente aprendió cómo predecir los datos de aprendizaje y es inútil en los datos fuera de eso?

Estas son preguntas muy importantes para hacer y, de nuevo, hay muchas opiniones y métodos diferentes sobre cómo hacer esto de la manera más eficiente. Pero la división de cuatro a uno entre los datos de aprendizaje y de prueba parece ser bien aceptada, así que vamos a ir con eso.

6) Ejecuta el algoritmo

Para este ejemplo, estamos usando el software de árbol de decisión C5.0 que tiene una versión demo gratuita

El programa es muy fácil de usar. Todo lo que necesitamos es una plantilla para las características y archivos CSV para los datos de entrenamiento y prueba. Luego presionas ‘ejecutar’ — y el programa hace el resto.

Realmente es así de simple, pero si está confundido, hay muchos tutoriales disponibles para ayudarte.

7) Revisa los resultados

No lleva mucho tiempo procesar nuestros 400 entrenamientos y 100 casos de prueba. Luego produce un archivo de salida que es bastante fácil de leer, aunque requiere cierta interpretación.

Esto es lo que nuestro ejemplo nos dice:

La primera línea dice que si la copia es una Pregunta o un Producto, entonces es FALSA, o es probable que el comprador no pague más de $ 100. 190 de 195 entran en esa categoría.

Líneas dos y tres: si la copia es un Precio y la foto es el Producto, es probable que el comprador compre más de $ 100. 38 VERDADERO, 8 FALSO.

Línea cuatro: Pero si la copia incluye Precio y la Foto es un Logotipo o una Niña, entonces el comprador tenderá a no comprar más de $ 100.

Líneas 5–9: Si la copia te menciona, y la plataforma es Facebook y la foto es un Producto o una Chica, entonces el comprador tiende a ser> $ 100. De otra forma no.

Como puede ver, las primeras recomendaciones son bastante claras, pero a medida que avanzamos, se vuelven un poco más oscuras, y probablemente puedan ser ignoradas.

Evaluación de árbol

Ahora miren la evaluación del árbol y los datos de prueba:

Parece complicado, pero en realidad es bastante sencillo. Todo lo que nos está diciendo es que el árbol de decisión tuvo un 7% de error cuando se ejecutó contra los datos de entrenamiento, y la tasa de error solo aumentó al 13% cuando se ejecutó contra los datos reales.

Entonces, parece que probablemente tengamos un algoritmo útil para predecir qué anuncios tienden a atraer a los grandes consumidores.

¿Por qué utilizamos TRUE (> $ 100) y FALSE (<$ 100)?

Esta es la razón por la que no solo le dimos a nuestro algoritmo el monto real de la compra, sino que dividimos el resultado en VERDADERO y FALSO alrededor de la marca de $ 100.

Si hubiéramos dado el monto de la compra, entonces el algoritmo habría decidido qué cantidad de dólares produjo la mayoría de los resultados sin errores.

Tal vez la cantidad sea de $ 100, pero es más probable que haya sido $ 20 o $ 85, o alguna otra cantidad que no nos importó.

Entonces, lo más importante es determinar qué es lo que quieres saber, ¡y no esperes que el algoritmo lo resuelva!

8) Actuar

Por lo tanto, ahora sabemos eliminar la copia de Pregunta y Producto, pero incluir Precio cuando la foto es del Producto para conseguir que más compradores gasten más de $ 100.

Y luego, por supuesto, vuelvan a realizar la prueba en unos días para ver si todavía estamos obteniendo los mismos resultados.

Ahora, un verdadero sistema de comercialización de aprendizaje automático seguiría estas reglas automáticamente y seguiría trabajando con los nuevos datos para mejorar los resultados y mejorar los resultados predictivos.

Aquí es donde el aprendizaje automático se vuelve realmente interesante, ya que terminas con un sistema que cambia y mejora a sí mismo con el tiempo.

Pero como ese tipo de automatización puede ser difícil de hacer con sus sistemas de marketing, lo que es realmente importante es que entiendan el potencial de posibilidades que tiene esto

Conclusión

Aunque es poco probable que los expertos en aprendizaje automático nos roben nuesto trabajo en marketing en el corto plazo, es importante que nos familiaricemos con la nueva tecnología y sepamos qué es posible.

Es de esperar que a partir de este simple ejemplo, pueda ver la preparación necesaria para utilizar el aprendizaje automático con un programa de CRM, de modo que pueda avanzar hacia una automatización de comercialización asistida por computadora.

Y aunque un simple programa de aprendizaje automático puede no ser capaz de identificar a sus clientes como lo hizo Target, ciertamente nos ayuda a identificar qué es y qué no funciona con nuestras campañas.