多様性による機械学習のパーソナライズの強化
パーソナライズは成長を促進し、優れたカスタマーエクスペリエンスの試金石です。 機械学習によるパーソナライズにより、企業はマーケティングキャンペーンのROIを向上させながら、このエクスペリエンスを向上させることができます。 ただし、パーソナライズが理にかなっている場合、および特定のオプションが推奨される方法と時期については、これらの手法に課題があります。
By ラガヴァン・キルティヴァサン、EpsilonIndiaのデータサイエンスディレクター.
企業は通常、到達可能な顧客ベースに毎週電子メールを送信して、8〜10週間のキャンペーンを実行します。 顧客の購入パターンは製品カタログの製品の性質に依存するため、次の購入までの時間は、カテゴリにもよりますが、通常3か月以上です。 その結果、ほとんどの顧客にとって、モデルの推奨事項は履歴データに基づいて毎週変更されないため、毎週のキャンペーンで送信されるコンテンツは通常同じです。 したがって、4〜XNUMX週間にわたって推奨が停滞すると、カスタマーエクスペリエンスが低下する可能性があります。
反対に、購入の頻度に基づいて、同様の内容の電子メールを送信することは、顧客が以前の電子メールのいずれかを見逃した場合のリマインダーとしても役立つ場合があります。 したがって、同じ推奨事項を使用して繰り返し電子メールを送信する戦略も、収益の増加につながる可能性があります。
この記事では、SKU、製品、カテゴリなどでのオファーなど、マーケティングキャンペーンの電子メールを介して送信されるコンテンツのパーソナライズについて説明し、多様性の概念をそのために使用する方法の概要を説明します。
望ましい状態と制限
理想的な状況は、ROIを犠牲にすることなく、全体的なカスタマーエクスペリエンスを向上させるために、MLモデルからの推奨事項を使用して、月次レベルではなく週次レベルでより多くのオプションを顧客に示すことができるシナリオです。 また、そのような戦略を導入するのに理想的なキャンペーンのさまざまな段階についても説明します。
アイデアは、モデルの推奨事項が変更されず、キャンペーンのリフトが犠牲にならないように、可能な場合は推奨事項に多様性を導入する戦略を考案することです。
前述のように、MLモデルの推奨事項は通常頻繁に変更されないため、顧客がROIを犠牲にすることなく購入する可能性が最も高いMLモデルの推奨カテゴリの上位3つまたは4つ以外のカテゴリを特定することをお勧めします。
提案された解決策
キャンペーンに割り当てられたカテゴリが50個あると仮定します。 これらは、クライアントが顧客に電子メールを送信し、顧客に最も関連性のあるカテゴリで利用可能な割引について通知したいカテゴリです。 このカテゴリのグループを「選択プールに設立された地域オフィスに加えて、さらにローカルカスタマーサポートを提供できるようになります。」
データサイエンスチームからの期待は、顧客が「選択プール。」 モデルを構築する際、モデルは、電子メールで送信する上位3つまたは4つのカテゴリを選択する選択プール内のすべてのカテゴリをスタックランク付けします。
バラエティは、顧客が購入しようとしているものに合わせて最適化されていませんが、顧客が購入する可能性のある追加の製品を示唆しています。
バラエティの紹介
問題解決の段階に応じて、さまざまな導入に関してさまざまなアクションを実行できます。 問題をさらに次の質問に分割する方が理にかなっています。
- バラエティをどこで紹介しますか？
- いつバラエティを紹介しますか？
- バラエティを紹介する方法は？
これらの質問に対する潜在的な回答について、個別に話し合い、見つけようとします。
バラエティをどこで紹介しますか？
これは、さまざまな推奨事項を提供することが理にかなっている可能性のある適切な顧客のセットを特定するのに役立ちます。 モデルのライフサイクルのどの段階にあるかによって、この質問に答える戦略が変わる可能性があります。
展開前
モデルが本番環境に移行する前に、推奨事項に多様性を混合するための適切な戦略を特定するのに役立つ一連のディメンションがあります。
- 選択の推奨事項のモデル強度： これは、プールのさまざまな選択肢のモデル確率がどれだけ離れているかを分析することで理解できます。 距離が離れるほど、顧客に関連する一連の選択肢を特定する際のモデルに自信が持てるようになります
- 顧客の履歴選択プール： 顧客が購入した選択肢のセット、または顧客が利用できる履歴
次の表は、両方の側面を組み合わせて、さまざまな組み合わせに基づいて一連のアクションを識別しようとしています。
上記の戦略は、モデルが本番環境に移行する前に検討することができます。 しかし、これに続いて、モデルが稼働した後、どのように決定を下すかを調べる必要があります。
展開後
モデルが本番環境に移行すると、重要な追加情報が得られます。つまり、モデルの推奨事項に対して顧客の実際の選択がどのように機能するかです。 この新しい情報は、さまざまな推奨事項を通じてどの顧客がプラスの影響を受ける可能性が高いかについての決定をさらに精緻化する上で非常に重要であることがわかります。
この情報を使用して決定を下すには、さまざまな方法があります。 以下は、顧客の実際の購入行動を使用して、さまざまな推奨事項によって恩恵を受ける可能性のある一連の顧客を特定するXNUMXつの方法です。
いつバラエティを紹介しますか？
多様性を推奨事項にブレンドすることはすべてのシナリオでうまくいくとは限らないため、多様性を導入することが論理的であると思われるキャンペーン基準を検索しようとします。
- キャンペーンの長さ： 顧客がキャンペーンに何度もさらされる長期のキャンペーンを扱っている場合、推奨事項に多様性を導入する傾向があるようです。したがって、顧客が複数の電子メールで同じ推奨事項を見る機会があります。
- 品種紹介前のキャンペーンランタイム： 最初の結果では正確な読み取りが得られない可能性があるため、推奨事項に多様性を導入する前に、キャンペーンが成熟するまでにある程度の時間を与える必要があります。 約2〜3週間は、多様性を導入する前にキャンペーンを成熟させ、より多くの情報に基づいた決定を下せるようになる良い時期のようです。
- 選択プールサイズ： プール内の選択肢の数は、多様性に関連する決定において重要な役割を果たす要因です。 選択肢が非常に少ない場合は、試すオプションがほとんどないため、多様性に関する決定は重要ではなくなります。 20のオプションを備えた選択プールは、開始するのに適した場所のようです。 また、4回の実行後に残っているオプションの割合の観点から考えることもできます。たとえば、20の選択肢のプールのうち80つの選択肢を推奨する必要があります。これにより、最初の推奨サイクル後にプールにXNUMX％の選択肢が残ります。顧客のために。
バラエティを紹介する方法は？
特定の理由でモデルの推奨事項が時間の経過とともに変化しない場合は、さまざまな方法を推奨事項にブレンドする方法が多数あります。 ここでは、技術的およびヒューリスティックベースの方法のいくつかを探求します。
マーケットバスケット分析
これは、多様性をもたらすための技術的な方法のXNUMXつであり、アソシエーションルールマイニングに基づいています。 アソシエーションルールマイニングは、一緒に購入した製品のペア間のアソシエーションの強さを識別し、共起のパターンを識別する手法です。 共起とは、XNUMXつ以上のことが一緒に起こる場合です。 アソシエーションルールは、個人の好みを抽出するのではなく、すべての個別のトランザクションの要素のセット間の関係を見つけます。
素人の言葉で言えば、マーケットバスケット分析（MBA）は、一般的に一緒に購入される製品のセットを識別します。
XNUMXつの方法は、モデルを活用して購入確率が最も高い選択肢を見つけ、次にMBAを使用して、モデルの推奨選択肢との関連性が最も高い対応する製品セットを特定し、これらの選択肢を推奨選択肢として使用することです。
次に、推奨事項に多様性を追加するためのヒューリスティックベースの方法をいくつか見ていきます。
価格ベースのバラエティ
多様性を含めるためのルールベースのアプローチのXNUMXつは、選択肢をグループに分類するための基盤として価格を検討することです。 この種の分類により、価格帯の範囲全体から顧客に推奨事項を提供することができます。
これらの価格ベースのグループのそれぞれから購入される可能性が最も高いモデルの選択肢を選択し、それぞれの顧客にまだ提示されていないオプションの形で多様性を提供することができます。 この方法は、さまざまな価格のオプションの形で多様性を提供することが顧客ベースとうまく調和しているかどうかを理解する方法も提供します。
製品カテゴリベースのバラエティ
従うことができる別のルールベースのアプローチは、選択肢を選択するための基礎としてビジネスによって定義された選択肢カテゴリを使用し、さまざまなカテゴリにわたって多様性を提供することです。 最後の戦略と同様に、それぞれの顧客にまだ提示されていない各選択カテゴリから、モデルの可能性が最も高いオプションを提示できます。
結論と将来の範囲
この記事を通じて、現在使用されている推奨モデルで見られる非常に実用的な問題を調査しようとしました。
さまざまな理由によるパーソナライズされた推奨事項がすべての送信で変更されない場合に、多様性を導入できます。 キャンペーンのパフォーマンスを犠牲にすることなく、多様性をもたらす方法について説明しました。
上記の戦略は、分析ベースのアプローチとヒューリスティックベースのアプローチのハイブリッドであり、推奨事項をパーソナライズする際に企業が直面する同様の問題の出発点として機能する必要があります。 次のステップは、このアプローチを活用した後に見られた予備的な結果に応じて、プロジェクトごとに異なる可能性があります。
参照
https://webfocusinfocenter.informationbuilders.com/wfappent/TLs/TL_rstat/source/marketbasket49.htm
バイオ： ラガヴァン・キルティヴァサン データサイエンス/分析で18年の経験があり、さまざまな地域（米国、英国、APAC）でのマーケティング/リスク管理および不正分析の機能に関する専門知識があります。 WNS、AIG、およびEpsilon Agencyでの以前の役割で、Raghavanはデータサイエンスチームをインキュベートしました。
関連する
| 過去30日間の人気記事 | |||||
|---|---|---|---|---|---|
|
|
||||
PlatoAi。 Web3の再考。 増幅されたデータインテリジェンス。
アクセスするには、ここをクリックしてください。
出典：https：//www.kdnuggets.com/2021/08/machine-learning-personalization-variety.html
