Untuk membuat model backend dari pemodelan robot untuk kampanye pemasaran, hal-hal berikut diperlukan
Pemodelan otomatis sudah menjadi fokus oleh praktisi. Namun, aplikasi untuk kampanye pemasaran memerlukan upaya yang signifikan dalam persiapan data untuk pemodelan. Untuk mengatasi kemacetan ini, pemodel robot mengintegrasikan lapisan depan, yang secara otomatis menggulung semua kampanye yang dieksekusi dan menyiapkan data yang siap untuk pemodelan, dengan mesin pembelajaran mesin.
Ini memungkinkan untuk siklus pemodelan backend kampanye otomatis sepenuhnya, menghasilkan kode penilaian, dan menghasilkan dokumentasi yang mendukung. Kerangka pemodel robotik mendukung pembelajaran menyeluruh dalam merakit target dan fitur bisnis. Menjalankan pembuat model robot secara sistematis memberikan manfaat tambahan seperti melihat pentingnya fitur masukan dari berbagai kampanye atau memperkirakan efek lintas-kampanye. Ini memberdayakan "hyper-learning" yang berasal dari pemodelan kampanye.
Bisnis menjalankan sejumlah besar kampanye pemasaran yang mencoba mendorong kinerja yang berkelanjutan dan untuk meningkatkan kepuasan dan kesetiaan pelanggan. Dalam lingkungan yang sangat kompetitif, sangat penting untuk tidak hanya mengukur hasil pasca kampanye, tetapi juga untuk memperoleh tingkat wawasan tertinggi yang mungkin untuk mendukung keputusan kampanye yang dioptimalkan di masa depan. Yang terbaru dapat dilakukan dengan menerapkan pemodelan prediktif yang diawasi, seperti regresi tradisional atau pohon keputusan, atau teknik pembelajaran mesin yang lebih canggih termasuk pembelajaran mendalam.
Pemodelan otomatis sudah menjadi fokus oleh praktisi. Misalnya, menyediakan data yang siap untuk pemodelan, " Pemodelan Prediktif Cepat untuk Intelijen Pelanggan " menciptakan model bersaing untuk mendukung kampanye yang ditargetkan. Pendekatan ini dapat mengatasi semua persyaratan yang disebutkan di atas kecuali untuk dua yang pertama. Namun, aplikasi berorientasi bisnis, terutama untuk tujuan pemasaran, memerlukan upaya yang sangat signifikan untuk menyiapkan file data untuk pemodelan. Itu biasanya kemacetan.
Dalam kasus kami, kami meningkatkan pendekatan yang dijelaskan dalam Pemodelan Prediktif Cepat untuk Intelijen Pelanggan , dengan membuat lapisan otomatis depan untuk menyiapkan data yang siap untuk pemodelan (Gambar 1). Lapisan ini secara otomatis menggulung semua kampanye yang dieksekusi, memilih yang memenuhi syarat, dan kemudian menyiapkan data siap untuk pemodelan. Yang terakhir adalah hasil dari menggabungkan variabel target dan fitur masukan yang sesuai untuk kampanye tertentu yang memenuhi syarat untuk pemodelan.
Sebagian besar kampanye pemasaran menargetkan akuisisi, pengurangan, penjualan (penjualan silang, penjualan lebih tinggi), atau rangsangan pelanggan. Daripada mendefinisikan dan mengisi variabel target untuk setiap kampanye, yang biasanya membutuhkan upaya yang signifikan, adalah mungkin untuk membuat proses berseragam yang mengumpulkan semua peristiwa yang menarik. Ini akan memberikan pendekatan standar yang mengidentifikasi variabel target dan akan mendukung otomatisasi pengukuran dan pemodelan kampanye di masa mendatang. Secara logis, baik jenis kampanye dan periode peluncurannya akan mendorong pemilihan acara yang sesuai minat.
Variabel yang berpotensi prediktif untuk kampanye pemasaran biasanya mencakup informasi dan perilaku pelanggan, info produk, dan tindakan manajemen portofolio sebelum pelaksanaan kampanye. Selain itu, faktor desain eksperimen kampanye harus dimasukkan sebagai variabel prediktif juga. Semua variabel prediktif ini diekstrak dan fitur direkayasa, kemudian prosesnya dapat digunakan kembali untuk populasi dan titik waktu yang berbeda.
Integrasi lapisan depan yang dideskripsikan dengan mesin pembelajaran mesin memungkinkan daur otomatis sepenuhnya dari pemodelan backend kampanye, yang meliputi menyiapkan data yang siap untuk pemodelan, membuat dan menjalankan proses pemodelan dan validasi, membandingkan model yang bersaing dan memilih yang terbaik, menghasilkan kode penilaian , dan menghasilkan dokumentasi yang mendukung. Selain itu, hasil dari setiap kampanye yang dimodelkan, seperti proses pemodelan, kode penilaian, dan dokumentasi, disimpan dengan pengidentifikasi unik yang terkait dengan kampanye tertentu.
Menjalankan pemodel robot secara sistematis memberikan manfaat tambahan seperti mengamati pentingnya fitur masukan dari berbagai kampanye, jenis model terbaik yang dipilih, atau memperkirakan efek dari kampanye silang. Ini memungkinkan "hyper-learning" yang berasal dari pemodelan kampanye. Selanjutnya, kerangka pemodel robotik mendukung pembelajaran menyeluruh dalam merakit target dan fitur bisnis. Mengumpulkan informasi dari pembelajaran ini pada akhirnya akan mendukung pergeseran dari eksekusi kampanye yang terisolasi menuju solusi optimal yang diintegrasikan.
Pengembangan model sendiri merupakan tahap interim untuk meningkatkan kinerja bisnis dan kepuasan pelanggan dan kesetiaan. Ini diikuti oleh kode penilaian yang dihasilkan yang akan digunakan untuk memprediksi hasil dan mengoptimalkan keputusan kampanye masa depan. Selain itu, di seluruh proses, pemantauan diperlukan untuk memastikan bahwa kinerja model yang dikembangkan masih dapat diterima. Baik kegiatan penilaian dan pemantauan dapat didukung oleh pembuat model robot dengan cara otomatis (lihat Gambar 1).
Mengintegrasikan lapisan persiapan data otomatis dengan mesin pemodelan otomatis mengarah pada kinerja pembuat model robot yang luar biasa. Hal ini memungkinkan untuk puluhan, jika tidak ratusan, kampanye pemasaran yang berjalan bulanan dan secara otomatis melatih, memvalidasi, dan memilih model dalam beberapa jam jika bukan menit. Tentu saja, pengawasan ilmuwan data masih diperlukan untuk menilai hasil yang diperoleh sebelum membawanya ke dalam produksi, dan untuk campur tangan, jika perlu. Tetapi bahkan jika yang terakhir adalah kasus, itu berarti beralih dari tugas-tugas manual rutin mempersiapkan data dan menyusun proses pemodelan untuk pekerjaan yang lebih cerdas meningkatkan beberapa fitur input dan tuning hyper-parameter untuk meningkatkan hasil pembelajaran mesin yang sudah diperoleh.
Ingin mendapatkan pemberitahuan posting terbaru dari blog ini? cukup klik link subscribe blog Dafi Deff ini (daftarkan email Anda) maka Anda akan mendapatkan pemberitahuan setiap kali blog ini di-update. Follow saya di Twitter @dafideff dan Instagram @dafideff. Atau subscribe channel Youtube saya Channel Youtube Dafi Deff dan add saya di lingkaran Google+ Dafi Deff.
Ini memungkinkan untuk siklus pemodelan backend kampanye otomatis sepenuhnya, menghasilkan kode penilaian, dan menghasilkan dokumentasi yang mendukung. Kerangka pemodel robotik mendukung pembelajaran menyeluruh dalam merakit target dan fitur bisnis. Menjalankan pembuat model robot secara sistematis memberikan manfaat tambahan seperti melihat pentingnya fitur masukan dari berbagai kampanye atau memperkirakan efek lintas-kampanye. Ini memberdayakan "hyper-learning" yang berasal dari pemodelan kampanye.
Bisnis menjalankan sejumlah besar kampanye pemasaran yang mencoba mendorong kinerja yang berkelanjutan dan untuk meningkatkan kepuasan dan kesetiaan pelanggan. Dalam lingkungan yang sangat kompetitif, sangat penting untuk tidak hanya mengukur hasil pasca kampanye, tetapi juga untuk memperoleh tingkat wawasan tertinggi yang mungkin untuk mendukung keputusan kampanye yang dioptimalkan di masa depan. Yang terbaru dapat dilakukan dengan menerapkan pemodelan prediktif yang diawasi, seperti regresi tradisional atau pohon keputusan, atau teknik pembelajaran mesin yang lebih canggih termasuk pembelajaran mendalam.
Untuk membuat model backend dari kampanye yang dieksekusi, hal-hal berikut diperlukan:
- Tentukan variabel target yang sesuai, seperti label yang mengidentifikasi responden atau angka pendapatan.
- Pilih sumber untuk variabel prediktif potensial dan untuk merekayasa fitur masukan untuk pemodelan.
- Buat proses pemodelan, yang mencakup mekanisme validasi, pelatihan paralel dari model yang bersaing, dan pemilihan yang terbaik.
- Fit model, mengevaluasi fitur input sehubungan dengan kepentingannya, dan hitung statistik model yang sesuai.
- Menghasilkan dokumentasi yang mendukung menggambarkan data yang digunakan untuk pemodelan, proses, dan hasil yang diperoleh.
- Hasilkan kode penilaian.
- Mempertimbangkan volume tinggi dari kampanye yang dieksekusi, pendekatan standar dan otomatis adalah satu-satunya cara yang efisien untuk menangani tantangan bisnis mengenai pemodelan kampanye.
Pemodelan otomatis sudah menjadi fokus oleh praktisi. Misalnya, menyediakan data yang siap untuk pemodelan, " Pemodelan Prediktif Cepat untuk Intelijen Pelanggan " menciptakan model bersaing untuk mendukung kampanye yang ditargetkan. Pendekatan ini dapat mengatasi semua persyaratan yang disebutkan di atas kecuali untuk dua yang pertama. Namun, aplikasi berorientasi bisnis, terutama untuk tujuan pemasaran, memerlukan upaya yang sangat signifikan untuk menyiapkan file data untuk pemodelan. Itu biasanya kemacetan.
 |
| Gambar 1. Kerangka Pemodel Robot |
Sebagian besar kampanye pemasaran menargetkan akuisisi, pengurangan, penjualan (penjualan silang, penjualan lebih tinggi), atau rangsangan pelanggan. Daripada mendefinisikan dan mengisi variabel target untuk setiap kampanye, yang biasanya membutuhkan upaya yang signifikan, adalah mungkin untuk membuat proses berseragam yang mengumpulkan semua peristiwa yang menarik. Ini akan memberikan pendekatan standar yang mengidentifikasi variabel target dan akan mendukung otomatisasi pengukuran dan pemodelan kampanye di masa mendatang. Secara logis, baik jenis kampanye dan periode peluncurannya akan mendorong pemilihan acara yang sesuai minat.
Variabel yang berpotensi prediktif untuk kampanye pemasaran biasanya mencakup informasi dan perilaku pelanggan, info produk, dan tindakan manajemen portofolio sebelum pelaksanaan kampanye. Selain itu, faktor desain eksperimen kampanye harus dimasukkan sebagai variabel prediktif juga. Semua variabel prediktif ini diekstrak dan fitur direkayasa, kemudian prosesnya dapat digunakan kembali untuk populasi dan titik waktu yang berbeda.
Integrasi lapisan depan yang dideskripsikan dengan mesin pembelajaran mesin memungkinkan daur otomatis sepenuhnya dari pemodelan backend kampanye, yang meliputi menyiapkan data yang siap untuk pemodelan, membuat dan menjalankan proses pemodelan dan validasi, membandingkan model yang bersaing dan memilih yang terbaik, menghasilkan kode penilaian , dan menghasilkan dokumentasi yang mendukung. Selain itu, hasil dari setiap kampanye yang dimodelkan, seperti proses pemodelan, kode penilaian, dan dokumentasi, disimpan dengan pengidentifikasi unik yang terkait dengan kampanye tertentu.
Menjalankan pemodel robot secara sistematis memberikan manfaat tambahan seperti mengamati pentingnya fitur masukan dari berbagai kampanye, jenis model terbaik yang dipilih, atau memperkirakan efek dari kampanye silang. Ini memungkinkan "hyper-learning" yang berasal dari pemodelan kampanye. Selanjutnya, kerangka pemodel robotik mendukung pembelajaran menyeluruh dalam merakit target dan fitur bisnis. Mengumpulkan informasi dari pembelajaran ini pada akhirnya akan mendukung pergeseran dari eksekusi kampanye yang terisolasi menuju solusi optimal yang diintegrasikan.
Pengembangan model sendiri merupakan tahap interim untuk meningkatkan kinerja bisnis dan kepuasan pelanggan dan kesetiaan. Ini diikuti oleh kode penilaian yang dihasilkan yang akan digunakan untuk memprediksi hasil dan mengoptimalkan keputusan kampanye masa depan. Selain itu, di seluruh proses, pemantauan diperlukan untuk memastikan bahwa kinerja model yang dikembangkan masih dapat diterima. Baik kegiatan penilaian dan pemantauan dapat didukung oleh pembuat model robot dengan cara otomatis (lihat Gambar 1).
Mengintegrasikan lapisan persiapan data otomatis dengan mesin pemodelan otomatis mengarah pada kinerja pembuat model robot yang luar biasa. Hal ini memungkinkan untuk puluhan, jika tidak ratusan, kampanye pemasaran yang berjalan bulanan dan secara otomatis melatih, memvalidasi, dan memilih model dalam beberapa jam jika bukan menit. Tentu saja, pengawasan ilmuwan data masih diperlukan untuk menilai hasil yang diperoleh sebelum membawanya ke dalam produksi, dan untuk campur tangan, jika perlu. Tetapi bahkan jika yang terakhir adalah kasus, itu berarti beralih dari tugas-tugas manual rutin mempersiapkan data dan menyusun proses pemodelan untuk pekerjaan yang lebih cerdas meningkatkan beberapa fitur input dan tuning hyper-parameter untuk meningkatkan hasil pembelajaran mesin yang sudah diperoleh.
Ingin mendapatkan pemberitahuan posting terbaru dari blog ini? cukup klik link subscribe blog Dafi Deff ini (daftarkan email Anda) maka Anda akan mendapatkan pemberitahuan setiap kali blog ini di-update. Follow saya di Twitter @dafideff dan Instagram @dafideff. Atau subscribe channel Youtube saya Channel Youtube Dafi Deff dan add saya di lingkaran Google+ Dafi Deff.
COMMENTS