Xây dựng mô hình xu hướng để nhắm mục tiêu người dùng tốt hơn trong các chiến dịch tiếp thị

Xu hướng hy vọng và niềm vui là sự giàu có thực sự; một người để sợ hãi và đau khổ nghèo đói thực sự. - David Hume

trừu tượng

Các nhà tiếp thị đầu tư rất nhiều thời gian để nói về tầm quan trọng của việc đưa thông điệp chính xác đến những cá nhân hoàn hảo vào thời điểm hoàn hảo. Thông báo hoặc Gửi email khi người dùng không quan tâm có thể khiến nhiều người dùng tắt thông báo ứng dụng hoặc báo cáo email spam, điều này sẽ chặn tất cả các liên lạc trong tương lai.

Tiếp thị phải trả giá bằng cả tài chính và trải nghiệm người dùng. Nếu có 100 nghìn người dùng trên nền tảng này, điều khôn ngoan là bạn nên nỗ lực chỉ cho một nhóm nhỏ người dùng có thể quan tâm đến việc mua hàng / chuyển đổi.

Cách tốt nhất để xác định ai trong số khán giả của bạn có nhiều khả năng thực sự mua hàng, chấp nhận đề nghị hoặc đăng ký dịch vụ là mô hình xu hướng . Hãy để chúng tôi hiểu rõ hơn về mô hình xu hướng bằng cách làm việc với một tuyên bố vấn đề: Xây dựng mô hình xu hướng để xác định xem người dùng có mua hàng khi họ quay lại hay không.

Mục tiêu

Khách quan

• Mô hình xu hướng để tìm ra khả năng một người mua sản phẩm khi họ quay lại.
• Chúng ta cần xác định xác suất để chuyển đổi cho từng người dùng.

Kết quả kinh doanh

• Điểm số xu hướng sẽ giúp phân khúc người dùng và chạy các chiến dịch tiếp thị khác nhau để tỷ lệ chuyển đổi tăng lên.
• Chúng tôi có thể chia sẻ thông báo trên thiết bị di động hoặc nhà bán lẻ với các ưu đãi dành riêng cho những người dùng có xu hướng cao giúp các doanh nghiệp có tỷ lệ trò chuyện.

Cách tiếp cận

Điểm Xu hướng là gì?

• Thiên hướng là một khuynh hướng tự nhiên để cư xử theo một cách nhất định. Tất cả chúng ta đều có thiên hướng - những điều chúng ta có xu hướng làm.
• Mô hình hóa xu hướng cố gắng dự đoán khả năng khách truy cập, khách hàng tiềm năng và khách hàng sẽ thực hiện các hành động nhất định.
• Điểm xu hướng có thể được định nghĩa là P (Target = 1 | Z) trong đó Z là các tính năng đặc trưng về hành vi của người dùng trên trang web.

Yêu cầu tính năng

Phân tích dữ liệu

Phân tích dữ liệu của bạn để biết có bao nhiêu% lớp tích cực (người dùng mua khi quay lại) và lớp tiêu cực (người dùng không mua khi quay lại).

• Hạng tích cực (1) tức là người dùng mua khi quay lại: 1,53% [Khách hàng có xu hướng cao]
• Loại phủ định (0) tức là người dùng không mua hàng khi quay lại: 98,47% [Khách hàng có xu hướng thấp]

Lựa chọn số liệu

Đối với trường hợp sử dụng Tiếp thị của chúng tôi để cải thiện tỷ lệ chuyển đổi:

 Cost of False Negative (marking High Propensity as Low) > Cost of False Positive (marking a Low Propensity Customer as High)

Do đó, Chỉ số của chúng ta phải như vậy: Nhớ lại quan trọng hơn Độ chính xác

Giá trị beta bằng 2 sẽ gây chú ý nhiều hơn về việc thu hồi so với độ chính xác và được gọi là thước đo F2.

 F2-Measure = ((1 + 2²) * Precision * Recall) / (2² * Precision + Recall)

Đào tạo người mẫu

Mô hình xu hướng là một bài toán phân loại nhị phân, chúng tôi sẽ sử dụng hồi quy logistic cho mô hình của mình.

Lược đồ đào tạo mô hình

Đầu ra mô hình

prob: là xác suất hồi quy logistic của một sự kiện xảy ra, trong trường hợp của chúng tôi, sự kiện đó có phải là người dùng mua hàng khi quay lại hay không.

Thử nghiệm

Chúng tôi đã chạy 3 thử nghiệm tập hợp tính năng khác nhau với hồi quy logistic và nhận thấy thứ 2 hoạt động tốt nhất trên các chỉ số của chúng tôi.

VISUAL của Đánh giá Mô hình (Mô hình Tốt nhất: Đứng thứ 2 trong Bảng Thử nghiệm ở trên | Ngưỡng Lớp Tích cực: 0,0217)

Ngưỡng tốt nhất cho lớp tích cực = 0,0217 có nghĩa là xác suất hồi quy logistic ≥ ngưỡng là lớp tích cực (người dùng sẽ mua khi truy cập trở lại) khác, lớp âm.

Kết quả trên Tập dữ liệu thử nghiệm cho mô hình xu hướng

Trên thử nghiệm mô hình thử nghiệm 2 với các tính năng Bounce, OS, TimeOnSite, Pageviews và Country. Chúng tôi nhận được Số lần thu hồi là 91,7% và Độ chính xác là 3,9%. Mức thu hồi cao liên quan đến các trường hợp Phủ định Sai thấp và độ chính xác thấp liên quan đến các trường hợp Dương tính Sai cao.

Ma trận nhầm lẫn trên tập dữ liệu kiểm tra

LƯU Ý: Để xây dựng mô hình này, mục tiêu của chúng tôi là tối đa hóa tỷ lệ chuyển đổi. Chúng tôi đưa ra tầm quan trọng hơn để thu hồi, tức là Chi phí (Phủ định sai)> Chi phí (Tích cực sai)

Nếu chi phí truyền thông tiếp thị cao và nhu cầu kinh doanh (Độ chính xác và Số lần thu hồi bằng nhau) thì chúng tôi sẽ cần thay đổi ngưỡng và chỉ số phân loại tích cực sao cho Nhớ lại = Độ chính xác (lấy Điểm F1 làm số liệu).

Phạm vi cải tiến mô hình

• Nếu người dùng có đăng nhập trên trang web hay không.
• Thêm nguồn lưu lượng truy cập; không phải trả tiền hoặc quảng cáo đưa họ đến trang web
• Sử dụng các tính năng thời gian: một số người dùng thích mua sắm vào ban đêm ( liên kết nghiên cứu điển hình )
• Sử dụng Tính năng Công nghệ: Thương hiệu và Mẫu thiết bị để nhắm mục tiêu người dùng tốt hơn. Đã có nhiều nghiên cứu điển hình cho thấy rằng người dùng có thiết bị đắt tiền / cao cấp chuyển đổi nhiều hơn. ( liên kết nghiên cứu điển hình )
• Xem xét thử nghiệm với mô hình bằng cách thêm nhiều địa lý hơn của người dùng, ví dụ như Thành phố / Tiểu bang. Người dùng truy cập trang web từ các thành phố hoặc tiểu bang Cấp 1 có bình quân đầu người cao hơn có xu hướng chuyển đổi cao hơn.

Sự kết luận

Giờ đây, việc sử dụng mô hình xu hướng này để tiếp thị và nhắm mục tiêu theo đối tượng có thể được thực hiện một cách thông minh hơn khi cơ hội chuyển đổi người dùng (mua hàng) từ nền tảng cao hơn. Ngoài ra, nó giúp nhóm tiếp thị về mặt chi phí vì họ không còn phải chạy các chiến dịch / thông báo / nhà bán lẻ trên tất cả khách truy cập mà chỉ tập trung vào một nhóm nhỏ người dùng có điểm số xu hướng cao.

Tôi hy vọng bạn đã học được điều gì đó mới từ blog này. Nếu bạn thích nó, hãy nhấn 👏 và chia sẻ bài viết này. Hãy theo dõi phần tiếp theo!

TÁC GIẢ: https://www.linkedin.com/in/shaurya-uppal/

Bản tin: https://www.linkedin.com/newsletters/problem-solving-data-science-6874965456701198336/

Cũng được xuất bản ở đây .