必看！現代營銷人員機器學習演算法指南

如今，任何業務都是數據業務，為了做出更好的決策，領導者及業務人員需要通藉助機器學習和數據分析從數據中尋找可轉化為可行的業務模式。

大多數營銷（和銷售）團隊都有著共同的目標：確定最精準客戶、定位與最精準客戶類似的潛在客戶、促成購買、並將潛在客戶納入當前客戶群。

為了完成以上目標，主要的挑戰在於公司需要面臨移動互聯時代所帶來的海量數據以及完成上述工作的人力投入。通過人工智慧可以更快更好地完成更多元化的業務學習和日常工作任務。因為人們無法以機器相同的速度來篩選數據，也無法同精心設計的演算法一樣達到所需要的準確度。

首先，清楚地定義要解決的問題非常重要。例如，如果你正面臨客戶流失問題的困擾，可能需要通過演算法來確定如何能夠減少客戶流失。在這一場景下，需要了解客戶流失可能發生的時間段或者場景，以便恰當地提供降低流失風險的服務。另外需要了解客戶為什麼流失，但這又是一個完全獨立的問題，需要不同的演算法來解決。

當問題聚焦到一個具體且初級的營銷問題時，機器學習演算法將非常適合被引入進來，通過對資料庫中客戶歷史數據的分析來處理問題。那麼，就讓我們來窺探一下營銷領域常用的幾個基礎演算法。

分類

分類模型是定義最佳客戶的極好方法。這類演算法回答一個基本問題：目標是否適合於一個組或另一個組。例如，「目標細分市場是否會對我們的營銷活動做出回應？」，針對這一問題，營銷自動化提供商Autopilot使用他們的分類模型，通過預測分析來衡量營銷渠道的績效，從而幫助客戶確定其營銷資金應該如何投入。

訓練分類模型，需要將歷史期望與客戶數據分成兩組，例如，有回應和沒有回應、理想期望和非理想期望、客戶和非客戶等等。演算法會調整理想客戶的正面屬性和非理想客戶的負面屬性，最終，確定的模型可用於「分析」現有資料庫，以及將來所有新的潛在客戶，以了解其轉化成為客戶的可能性。

回歸

另外一個可以促進營銷升級的演算法是使用回歸模型來預測一個重要信息的具體價值。這種演算法與分類演算法有關聯，後者預測事情是否將會發生，而前者預測事情會發生的程度。

回歸模型的一個很好的用例，是預測通過交叉銷售或加售手段能夠帶來的收入提升。舉個例子，海外在線視頻平台BrightCove通過這種方式來提升現有客戶群體的合同價值。

此外，有分級定價策略的公司，也可以通過類似演算法來生成每個新潛客的估計價值（用於初始銷售或計算客戶全生命周期價值）。有了這一助力，他們可以區別處理潛在客戶，通過為低價值客戶提供自助服務來保證效率，以便能對最有價值的客戶給予VIP級待遇等。

聚類

最後，聚類模型會根據個體的相似性對客戶群體進行分組。通過這一演算法可解決的營銷問題可能會是：「我們的客戶是否會形成天然的細分？」這些信息對於初期的營銷領域探索，或者確定面向目標客戶的支持/銷售團隊結構會特別有用。通過分析潛在客戶及客戶資料庫，這些聚類模型會將每個客戶分配到與其有類似屬性的「群組」中。

聚類演算法的開放性，需要依賴數據與人的直覺，來定義當前目標客群最顯著的特徵。你將了解到客戶群體的最新洞察，並找到新的細分客群。然後，營銷人員可以有的放矢地制定有針對性的廣告或更具個性化的銷售策略，並識別最佳的客群以及類似的客群。

總結起來，演算法能夠為銷售和營銷團隊帶來以下三方面的幫助：

通過演算法確定能夠優化客戶轉化的機會，從而帶來收入的提升。

真正實現自動化以減少人力：每個企業都存在的一些低效率環節（如手動主導的研究等），可以輕鬆被高效演算法和預測分析所取代。

豐富傳統的工作模式：演算法可以幫助團隊跳出既有思維，從數據中發現重要的商業模式，以提高業務敏捷性和競爭優勢。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！