機械学習技術を活用することは、顧客データを効率的かつ効果的に理解するために不可欠です。TDを使用するマーケターは、機械学習やデータサイエンスに精通している必要はありません。特に、プロペンシティモデル(別名ルックアライクモデル)は、重要な顧客セグメント(例:解約した顧客、高額購入者、購入者など)を定義し、サンプル母集団の特徴的な特性から学習して、顧客ベース全体の中で誰が同じ行動を示す可能性が高いかを予測する一般的なアプローチです。
私たちの予測スコアリングにより、技術的または理論的な専門知識なしに、日常業務で機械学習機能を利用できます。マーケターは、近い将来に解約、購入、クリック、またはコンバージョンする可能性が高い人など、プロファイルの行動を予測できます。
予測モデルは、他の既知の値から未測定の値を予測することを可能にする一連のルールです。ルールの形式は、収集されたデータをレビューすることで提案されます。次にトレーニングを使用して予測が行われます。予測モデリングは統計を使用して結果を予測します。
予測モデリングは、将来の行動を予測するために一般的に使用される統計手法です。予測モデリングソリューションは、過去と現在のデータを分析し、生成されたモデルは将来の結果を予測するのに役立ちます。予測モデリングでは、データが収集され、統計モデルが作成され、予測が行われ、追加データが利用可能になるとモデルが検証(または改訂)されます。たとえば、リスクモデルを作成して、メンバー情報を複雑な方法で外部ソースの人口統計情報やライフスタイル情報と組み合わせて、引受精度を向上させることができます。予測モデルは過去のパフォーマンスを分析して、顧客が将来的に特定の行動を示す可能性を評価します。このカテゴリには、不正検出モデルなど、顧客パフォーマンスに関する質問に答えるために微妙なデータパターンを探すモデルも含まれます。予測モデルは、たとえば、特定の顧客または取引のリスクまたは機会を評価して意思決定を導くために、ライブトランザクション中に計算を実行することがよくあります。
機械学習アルゴリズムはデータから学習します。それらは、与えられたトレーニングデータから関係を見つけ、理解を深め、意思決定を行い、その信頼性を評価します。トレーニング母集団が優れているほど、モデルのパフォーマンスが向上します。機械学習トレーニングデータの品質と量は、アルゴリズム自体と同じくらいデータプロジェクトの成功に関係しています。セグメントはトレーニング母集団を定義します。たとえば、顔認識をトレーニングするには、すべての国とあらゆる肌の色の人々の写真が必要です。非常に小規模で均質なトレーニング母集団のみを使用した場合、世界中の母集団に展開したときに顔認識プログラムが機能しない可能性があります。
スコアリングは、予測モデルがどれだけ優れているかを判断するために使用される別の方法です。
値が離散カテゴリに対応するアトリビュートまたはフィーチャー。たとえば、stateは離散値(CA、NY、MAなど)を持つカテゴリカルアトリビュートです。カテゴリカルアトリビュートは次のいずれかです:
- 州、性別などの非順序(名義)
- 高、中、低温度などの順序(順序)
シードオーディエンスをサードパーティの広告プラットフォーム(例:Facebook)に送信して、シードオーディエンスに「似ている」新しいオーディエンスを見つけたい場合は、Facebook、Twitterなどのためのインテグレーションの使用を検討してください。
予測スコアリングの具体的な使用例については、Customer Data in Actionをご覧ください。