La optimización del gasto en marketing para ventas es una pregunta de miles de millones de dólares para empresas de todo el mundo ya que más de $ 1 trillón se ha dedicado anualmente a la tarea desde 2017. Sin embargo, comprender la relación entre los presupuestos de marketing, las acciones y las ventas asociadas es un reto debido a los muchos factores externos e internos simultáneos y competitivos que influyen en las ventas (psicología, clima, clima, ubicación, precio, anuncios …).
Técnicas de aprendizaje automático han mostrado resultados prometedores en este campo debido a su capacidad para mapear relaciones complejas en grandes conjuntos de datos, pero su implementación suele ser un obstáculo para los profesionales de marketing que carecen de las habilidades técnicas y los antecedentes. El consultor de a bordo Data Scientists también es costoso e ineficiente, ya que no comprende el Marketing y el sector que se está comercializando para proporcionar información significativa y útil.
En Mind Foundry creemos que ese problema a los propietarios se les debe dar herramientas simples pero confiables para construir sus propias soluciones de Data Science, por eso hemos creado AuDaS un equipo automatizado de Data Science. En este artículo, veremos cómo los profesionales de marketing pueden utilizar AuDaS para diseñar sus campañas de marketing por correo electrónico para aumentar sus tasas de conversión y retención de clientes. Usaremos el conjunto de datos Corefactors.in alojado en Kaggle . Los 3 estados de correo electrónico que intentamos predecir son “ignorados”, “leídos” y “reconocidos” según los diversos atributos de los clientes y el contenido del correo electrónico.
Fase 1: Exploración de datos
Después de cargar el conjunto de datos en AuDaS, se muestra una instantánea de los datos junto con el Aprendizaje generado por máquina sobre cómo limpiarlo y prepararlo.
Por ejemplo, AuDaS ha detectado que el Email_ID La columna no tiene poder predictivo y puede ser descartada. También ha detectado valores faltantes en varias columnas y pregunta al usuario si desea completarlos o eliminarlos. Al observar los nombres de las columnas, sabemos que podemos completarlos de la siguiente manera:
- 0 en Enlaces totales, Imágenes, Comunicaciones pasadas
- NA para Ubicación del cliente
Las siguientes imágenes muestran cómo podemos implementar el Asesoramiento en un par de clics.
AuDaS implementa automáticamente el asesoramiento para el usuario y simultáneamente crea un registro de auditoría de cada operación individual aplicada a los datos en la parte inferior de la pantalla. Luego, el usuario puede volver a las versiones anteriores del conjunto de datos y deshacer los pasos si es necesario.
AuDaS también genera automáticamente histogramas y correlaciones de funciones para proporcionar una descripción general de alto nivel de la estructura de los datos al usuario.
Fase 2: Modelado
Para este conjunto de datos de Email Marketing nos gustaría predecir el estado de un correo electrónico (ignorado, leído, reconocido) basado en los otros atributos, lo que significa que estamos tratando de resolver un problema de clasificación . [19659003] Después de especificar qué columna estamos prediciendo ( Email_Status ), AuDaS proporciona un marco robusto para construir tuberías de clasificación que pueden generalizarse a otros conjuntos de datos sin perder demasiado poder predictivo que normalmente es causado por . Esto implica:
- Retener automáticamente una retención equilibrada del 10% del conjunto de datos para fines de validación del modelo
- Realizar una validación cruzada de 10 veces
- Optimizar la Puntuación F1
Los usuarios avanzados pueden cambiar estos valores predeterminados a sus ajustes preferidos (pliegue en N, dividido, métrica optimizable,…).
AuDaS utilizará el optimizador bayesiano patentado de Mind Foundry ( OPTaaS ) para navegar de manera eficiente los millones de posibles soluciones para identificar una clasificación óptima pipeline (ingeniería de características, modelo y parámetros óptimos) en menos de 100 iteraciones.
Al realizar esta búsqueda, AuDaS proporciona total transparencia al usuario en las tuberías, modelos y valores de parámetros probados, así como sus estadísticas de rendimiento asociadas y
Para el modelo de clasificación especificado, el Recuento de palabras, Comunicaciones pasadas totales y Asunto Hotness son las funciones más relevantes para predecir el estado del correo electrónico. El usuario también tiene acceso a una pista de auditoría completa de todo el modelo único que AuDaS ha probado.
Fase 3: Validación e implementación del modelo
Cuando el usuario está satisfecho con el rendimiento del modelo o ha completado las 100 iteraciones, AuDaS validará El modelo sobre el 10% equilibrado aguarda y proporciona consejos de Model Health. En nuestro caso, las pruebas en los datos retenidos fueron consistentes con las pruebas de validación cruzada durante la optimización y el estado del modelo es bueno. Esto significa que el usuario puede confiar en los conocimientos proporcionados por el modelo e implementarlo en producción.
El usuario puede luego cargar un conjunto de prueba para predecir los resultados del estado del correo electrónico, calificar el modelo o implementarlo automáticamente a través de una API RESTful que puede integrarse en su producto.
AuDaS también proporciona las explicaciones de LIME de las predicciones que le permiten comprender la contribución de cada característica al resultado predicho. A continuación, una aplicación web simple muestra cómo puede interactuar con el modelo entrenado:
Fase 4: Mejora del rendimiento
En nuestra primera ejecución, nuestra precisión de clasificación en todas las 3 clases fue del 51%, lo que es mejor que aleatorio pero no ideal . Con nuestro conocimiento de los valores de estado del correo electrónico 0, 1, 2 que representan, ignoran, abren y convierten, para mejorar el rendimiento del modelo, podemos intentar reagrupar 0 y 1 ya que su resultado es el mismo para el comercializador. Al reagrupar las clases en la fase de preparación de datos y volver a capacitar al modelo, podemos lograr una precisión de clasificación mucho mejor del 73.7% en el 10% del rendimiento.
Team and Resources
Mind Foundry es un spin-out de la Universidad de Oxford fundado por los Profesores Stephen Roberts y Michael Osborne que tienen 35 años de experiencia en análisis de datos. El equipo de Mind Foundry está compuesto por más de 30 investigadores de Aprendizaje automático de clase mundial e ingenieros de software de élite, muchos de ellos ex postdoctorados de la Universidad de Oxford. Además, Mind Foundry tiene un acceso privilegiado a más de 30 doctores de doctorado de Oxford University Machine Learning a través de su estado de spin-out. Mind Foundry es una compañía de cartera de la Universidad de Oxford y sus inversores incluyen Oxford Sciences Innovation el Oxford Technology and Innovations Fund, the University of Oxford Innovation Fund y Parkwalk Advisors .
