www.machinelearningmastery.ru

Машинное обучение, нейронные сети, искусственный интеллект
Header decor

Home

AI 101, часть I: что нужно знать о прогнозирующих моделях

Дата публикации Mar 21, 2017

В то время какпрогнозная аналитика и ИИВ наши дни это важная тема для специалистов по продажам и маркетингу, может показаться утомительным, когда вы пытаетесь понять, как начать работу с этими решениями, зависящими от данных. Хотя большинство маркетологов, вероятно, сами не будут строить какие-либо модели данных, жизненно важно, чтобы следующая волна профессионалов, выходящих на рынок, выработала четкое понимание того, как решать бизнес-задачи с использованием данных. В этой серии статей я по частям расскажу о ключевых концепциях, связанных с этими технологиями, и предоставлю полезный обзор возможностей интеллектуального моделирования.

Деловые люди, которые готовы начать заниматься искусственным интеллектом, должны сначала уменьшить масштаб и изучить основы прогнозного моделирования - одной из базовых технологий, которые необходимы для эффективной замены функций человека машинами. Решения AI используют эту передовую науку о данных для обработки, понимания, перевода и интерпретации всех данных, которые там есть, и преобразования их значения в визуальные и действенные результаты.

Давайте рассмотрим каждый из четырех основных этапов построения прогностических моделей:

1) Сбор данных

Когда дело доходит до построения прогнозирующей модели, первым шагом является сбор всех ваших входных данных или источников данных. Нет сомнений в том, что отделы продаж и маркетинга получают множество данных. Однако во многих случаях маркетологи собирают данные, которые толькоOнизаботиться о, и это может быть не ценно, проницательно или действенно для продаж (и наоборот). Независимо от этого, учитывая массовое внедрение пассивных маркетинговых каналов, бесплатные испытания с низким уровнем барьеров и т. Д., Большинство предприятий собирают большое количество данных о своих перспективах в масштабе - большая часть которых может использоваться для информирования более разумных прогностических моделей.

2) Подготовка данных

Прежде чем копаться во всех этих данных, важно сделать первый шаг назад и выяснить, какую бизнес-проблему вы пытаетесь решить с помощью ИИ, что поможет вам расставить приоритеты в задачах подготовки данных. Реальность такова, что данные часто бывают неполными и грязными (нет возможности избежать человеческой ошибки, связанной с вводом данных), поэтому подготовка данных имеет решающее значение для будущего ИИ. Ваши данные должны быть должным образом очищены, если вы хотите, чтобы вы могли нормализовать типичные ошибки на этапе сбора данных и в конечном итоге создать звуковую модель. Только тогда интеллектуальная аналитика ответит на ваши конкретные вопросы и предложит необходимые вам действия. Некоторые распространенные способы подготовки ваших данных включают в себя обогащение (добавление внешних сигналов для дополнения текущих записей), анализ спама и нормализацию названия - следите за подробностями об этих методах в моем следующем посте.

3) Моделирование

Как только вы поймете проблему машинного обучения, которую хотите решить, следующим шагом к построению модели станет использование методологий науки о данных, таких как классификация или регрессия.классификациятакже известен как оценка вероятности и используется для прогнозирования, к какому из небольшого набора классов принадлежит каждый человек. Например, вы можете спросить: «Среди клиентов компании X, кто, скорее всего, ответит на это предложение?», Тогда будет два класса: «не будет отвечать» или будет отвечать ».

С другой стороны, регрессия (или оценка стоимости) используется для прогнозирования числового значения некоторой переменной для каждого человека. Глядя на исторические данные, вы могли бы создать модель, которая оценивает конкретную переменную, специфичную для каждого отдельного человека, например, «Сколько этот клиент будет использовать эту услугу?». Оба эти и многие другие методы могут предоставить выходные данные модели, которые приводят в действие мощный ИИ прогнозные аналитические сценарии использования в продажах и маркетинге.

4) Выход

Например, отделы продаж могут добиться значительных улучшений в управлении производительностью, используя прогнозирующие модели, чтобы улучшить методы фильтрации и определения приоритетов как входящих запросов, так и тактики аутрич-работы на основе аккаунта. Благодаря выводам оценок, которые указывают, какие лидеры больше всего похожи на идеальных клиентов компании, продажи могут уверенно сосредоточить свое время именно на тех перспективах, которые могут купить. Кроме того, команды могут использовать ИИ для более вдумчивой маршрутизации своих лидеров - либо в СДР для охвата и развития с течением времени, для подотчетности руководителей для более активных последующих действий, либо для автоматизированных программ обучения - на основе потенциальной ценности каждого лидера. Прогнозирующие модели поведения могут также предупредить продажи, когда старое лидерство начинаетдействующийкак клиент. Изучая модели взаимодействия в системах автоматизации маркетинга и веб-аналитики, вы можете определить, когда заброшенные потенциальные клиенты приближаются к порогу конверсии. Это помогает представителям найти хорошие квалифицированные учетные записи и контакты, которые «пробуждаются», а затем запускать управляемые данными рабочие процессы для более агрессивного отслеживания с помощью только нужного сообщения в нужное время.

Другой ценный пример использования ИИ - повышение эффективности маркетинга. Обладая необходимыми знаниями клиентов, маркетинговые команды могут оптимизировать конверсии для максимально возможной эффективности воронки. А поскольку результаты прогнозирующей аналитики обеспечивают немедленную обратную связь о качестве маркетинговых кампаний, они могут легко рассчитывать ключевые показатели эффективности в режиме реального времени, а не ждать, когда начнутся циклы продаж. Точные прогнозы также увеличивают ценность, когда речь заходит о количественной оценке ключевых показателей эффективности маркетинга, таких как цена за хорошее лидерство, среднее качество потенциальных клиентов, соотношение расходов и т. Д. И т. Д. Используя эти ключевые показатели эффективности, вы можете просмотреть традиционные показатели тщеславия и определить наиболее эффективные кампании и контент. маркетологи получают более глубокое понимание того, какие программы привлекают потенциальных клиентов высшего качества, стимулируют крупные сделки и ускоряют сделки.

Каждый из этих четырех этапов процесса построения модели важно понимать, если вы хотите, чтобы ваши модели генерировали статистически точные прогнозы, и эти этапы становятся все более критически важными, поскольку ИИ берет на себя все больше и больше повседневных задач от людей. Никто не хочет упустить реальный доход, просто потому, что ИИ допустил ненужные ошибки при определении исходящих списков поиска или написании содержания электронных писем по продажам.

Оригинальная статья

Footer decor

© www.machinelearningmastery.ru | Ссылки на оригиналы и авторов сохранены. | map