Tăng cường mô hình hóa hỗn hợp tiếp thị với AI nhân quả | của Ryan O’Sullivan | Tháng 6 năm 2024

AI nhân quả, khám phá sự tích hợp của lý luận nhân quả vào học máy

Chào mừng bạn đến với loạt bài của tôi về AI nhân quả, nơi chúng ta sẽ khám phá sự tích hợp lý luận nhân quả vào các mô hình học máy. Mong đợi khám phá một số ứng dụng thực tế trên các bối cảnh kinh doanh khác nhau.

Trong bài viết trước chúng tôi đã đề cập xác nhận tác động nhân quả của phương pháp kiểm soát tổng hợp. Trong bài viết này chúng ta sẽ chuyển sang tăng cường mô hình hóa hỗn hợp tiếp thị với AI nhân quả.

Nếu bạn bỏ lỡ bài viết cuối cùng về điều khiển tổng hợp, hãy xem thử tại đây:

Những thách thức đang diễn ra với việc theo dõi kỹ thuật số đã dẫn đến sự hồi sinh gần đây trong mô hình hỗn hợp tiếp thị (MMM). Tại hội nghị AI nhân quả gần đây, Judea Pearl gợi ý rằng tiếp thị có thể là ngành đầu tiên áp dụng AI nhân quả. Vì vậy, tôi quyết định đã đến lúc bắt đầu viết về những gì tôi đã học được trong 7 năm qua về cách MMM, AI nhân quả và thử nghiệm giao nhau.

Các lĩnh vực sau sẽ được khám phá:

• MMM là gì?
• AI nhân quả có thể tăng cường MMM như thế nào?
• Chúng ta có thể thực hiện những thí nghiệm nào để hoàn thành phép tính tam giác?
• Những thách thức nổi bật trong đo lường tiếp thị.

Sổ ghi chép đầy đủ có thể được tìm thấy ở đây:

MMM là một khung thống kê được sử dụng để ước tính mỗi kênh tiếp thị đóng góp bao nhiêu vào doanh số bán hàng. Nó bị ảnh hưởng nặng nề bởi kinh tế lượng và ở dạng đơn giản nhất là mô hình hồi quy. Hãy cùng tìm hiểu những điều cơ bản về các thành phần chính!

hồi quy

Mô hình hồi quy được xây dựng trong đó biến/mục tiêu phụ thuộc (thường là doanh số) được dự đoán dựa trên một số biến/tính năng độc lập – Chúng thường bao gồm chi tiêu cho các kênh tiếp thị khác nhau và các yếu tố bên ngoài có thể ảnh hưởng đến nhu cầu.

Hệ số của các biến chi tiêu cho biết chúng đóng góp bao nhiêu vào doanh thu.

Gói tiếp thị PyMC bằng python là nơi tuyệt vời để bắt đầu khám phá MMM:

Kho quảng cáo

Kho quảng cáo đề cập đến tác động kéo dài của chi tiêu tiếp thị (hoặc chi tiêu quảng cáo) đối với hành vi của người tiêu dùng. Nó giúp mô hình hóa các tác động lâu dài của tiếp thị. Việc vội vàng mua một sản phẩm khi lần đầu tiên nghe về một thương hiệu không phải là hành vi phổ biến – ý tưởng của kho quảng cáo là hiệu quả của hoạt động tiếp thị sẽ được tích lũy.

Phương pháp kho quảng cáo phổ biến nhất là phân rã hình học, giả định rằng tác động của quảng cáo giảm dần với tốc độ không đổi theo thời gian. Mặc dù điều này tương đối dễ thực hiện nhưng nó không linh hoạt lắm. Bạn nên kiểm tra phương pháp Weibull linh hoạt hơn nhiều – Gói tiếp thị PyMC đã triển khai phương pháp này, vì vậy hãy nhớ kiểm tra:

Độ bão hòa

Sự bão hòa trong bối cảnh tiếp thị đề cập đến ý tưởng về lợi nhuận giảm dần. Việc tăng chi tiêu tiếp thị có thể tăng khả năng thu hút khách hàng, nhưng theo thời gian, việc tác động đến đối tượng mới sẽ trở nên khó khăn hơn.

Có một số phương pháp bão hòa mà chúng ta có thể sử dụng. Hàm Michaelis-Menton là một hàm phổ biến – Bạn cũng có thể kiểm tra chức năng này trong gói tiếp thị PyMC:

Khung MMM thường sử dụng mô hình hồi quy phẳng. Tuy nhiên, có một số vấn đề phức tạp trong cách các kênh tiếp thị tương tác với nhau. Có công cụ nào trong hộp công cụ AI nhân quả của chúng tôi có thể trợ giúp việc này không?

Đồ thị nhân quả

Biểu đồ nhân quả rất hữu ích trong việc giải quyết các nguyên nhân khỏi mối tương quan, khiến chúng trở thành một công cụ tuyệt vời để giải quyết sự phức tạp trong cách các kênh tiếp thị tương tác với nhau.

Nếu bạn không quen với biểu đồ nhân quả, hãy sử dụng bài viết trước của tôi để tăng tốc:

Hiểu biểu đồ tiếp thị

Việc ước tính biểu đồ nhân quả trong các tình huống mà bạn có sẵn kiến ​​thức về miền kém là một thách thức. Nhưng chúng ta có thể sử dụng khám phá nhân quả để giúp chúng ta bắt đầu – Hãy xem bài viết trước đây của tôi về khám phá nhân quả để tìm hiểu thêm:

Khám phá nhân quả có những hạn chế và chỉ nên được sử dụng để tạo giả thuyết ban đầu cho biểu đồ. Might mắn thay, có rất nhiều kiến ​​thức về cách các kênh tiếp thị tương tác với nhau mà chúng ta có thể xây dựng!

Dưới đây tôi chia sẻ kiến ​​thức mà tôi đã thu thập được khi làm việc với các chuyên gia tiếp thị trong nhiều năm…

• PPC (tìm kiếm có trả tiền) có tác động tiêu cực đến web optimization (tìm kiếm không phải trả tiền). Chúng ta càng chi nhiều cho PPC thì chúng ta càng nhận được ít nhấp chuột web optimization hơn. Tuy nhiên, chúng ta có một yếu tố gây nhiễu quan trọng….nhu cầu! Mô hình hồi quy phẳng sẽ không giải quyết được sự phức tạp này và thường dẫn đến việc đánh giá quá cao PPC.
• Chi tiêu xã hội có tác động mạnh mẽ đến các nhấp chuột trên mạng xã hội, chúng ta càng chi tiêu nhiều thì càng có nhiều khách hàng tiềm năng nhấp vào quảng cáo trên mạng xã hội. Tuy nhiên, một số khách hàng tiềm năng có thể xem quảng cáo xã hội và ngày hôm sau sẽ truy cập trang net của bạn thông qua PPC, web optimization hoặc Direct. Mô hình hồi quy phẳng sẽ không nhận được hiệu ứng hào quang này.
• Một trường hợp tương tự có thể được thực hiện cho chi tiêu thương hiệu, nơi bạn nhắm mục tiêu đến khách hàng tiềm năng bằng thông điệp xây dựng thương hiệu dài hạn hơn nhưng không có lời kêu gọi hành động trực tiếp để nhấp vào. Những khách hàng tiềm năng này có thể truy cập trang net của bạn thông qua PPC, web optimization hoặc Direct ở giai đoạn sau sau khi biết đến thương hiệu của bạn.
• Các số lần nhấp chuột là những người trung gian. Nếu chúng tôi chạy hồi quy phẳng và bao gồm các yếu tố trung gian, điều này có thể gây ra vấn đề khi ước tính tác động nhân quả. Tôi sẽ không đề cập quá chi tiết về chủ đề này ở đây, nhưng việc sử dụng biểu đồ nhân quả cho phép chúng ta kiểm soát cẩn thận các biến phù hợp khi ước tính tác động nhân quả.

Hy vọng rằng bạn có thể thấy từ các ví dụ trên rằng việc sử dụng biểu đồ nhân quả thay vì hồi quy phẳng sẽ nâng cao đáng kể giải pháp của bạn. Khả năng tính toán các phản thực tế và thực hiện các biện pháp can thiệp cũng khiến nó trở nên rất hấp dẫn!

Cần lưu ý rằng bạn vẫn nên kết hợp các phép biến đổi kho quảng cáo và độ bão hòa vào khung của mình.

Khi làm việc với dữ liệu quan sát, chúng ta cũng nên cố gắng chạy thử nghiệm để giúp xác thực các giả định và bổ sung cho các ước tính nhân quả của mình. Có ba thử nghiệm chính có thể sử dụng trong tiếp thị chuyển đổi. Hãy cùng đi sâu vào chúng!

Thử nghiệm mức tăng chuyển đổi

Các nền tảng xã hội như Fb và Snapchat cho phép bạn chạy thử nghiệm mức tăng chuyển đổi. Đây là thử nghiệm AB trong đó chúng tôi đo lường mức tăng chuyển đổi bằng cách sử dụng nhóm điều trị so với nhóm đối chứng. Những điều này có thể rất hữu ích khi đánh giá phản thực tế từ biểu đồ nhân quả của bạn về chi tiêu xã hội.

Kiểm tra độ nâng địa lý

Bạn có thể sử dụng thử nghiệm mức tăng địa lý để ước tính tác động của việc ngừng tiếp thị hoặc khi bạn bắt đầu sử dụng kênh mới. Điều này có thể đặc biệt hữu ích cho thương hiệu kỹ thuật số và truyền hình, nơi không có lời kêu gọi hành động trực tiếp để đo lường. Tôi trình bày vấn đề này chi tiết hơn nhiều trong bài viết trước:

Chuyển lại thử nghiệm

Các chiến dịch PPC có thể được lên lịch để tắt và bật hàng giờ. Điều này tạo ra một cơ hội tuyệt vời cho việc thử nghiệm chuyển đổi ngược lại. Lên lịch tắt và bật các chiến dịch PPC mỗi giờ trong vài tuần, sau đó tính toán sự khác biệt giữa số lần nhấp chuột PPC + web optimization trong khoảng thời gian tắt so với trong khoảng thời gian. Điều này sẽ giúp bạn hiểu web optimization có thể nắm bắt được bao nhiêu PPC và từ đó đánh giá phản thực tế từ biểu đồ nhân quả của bạn đối với chi tiêu PPC.

Tôi nghĩ việc chạy thử nghiệm là một cách tuyệt vời để điều chỉnh và sau đó có được sự tự tin vào biểu đồ nhân quả của bạn. Nhưng kết quả cũng có thể được sử dụng để hiệu chỉnh mô hình của bạn. Hãy xem cách nhóm PyMC đã tiếp cận vấn đề này:

Hôm nay tôi đã trình bày cách bạn có thể nâng cao MMM bằng AI nhân quả. Tuy nhiên, AI nhân quả không thể giải quyết tất cả các thách thức trong hoạt động tiếp thị chuyển đổi— Và thật không could, có rất nhiều thách thức trong số đó!

• Chi tiêu theo dự báo nhu cầu — Một lý do khiến chi tiêu tiếp thị có mối tương quan cao với khối lượng bán hàng có thể là do nhóm tiếp thị chi tiêu phù hợp với dự báo nhu cầu. Một giải pháp ở đây là thay đổi chi tiêu một cách ngẫu nhiên từ -10% đến +10% mỗi tuần để thêm một số biến thể. Như bạn có thể tưởng tượng, nhóm tiếp thị thường không mấy quan tâm đến cách tiếp cận này!
• Ước tính nhu cầu — Nhu cầu là một biến thiết yếu trong mô hình của chúng tôi. Tuy nhiên, việc thu thập dữ liệu có thể rất khó khăn. Một lựa chọn hợp lý là trích xuất dữ liệu xu hướng của Google về cụm từ tìm kiếm phù hợp với sản phẩm bạn đang bán.
• Hiệu quả lâu dài của thương hiệu — Khó có thể nắm bắt được tác động lâu dài của thương hiệu vì thường không có nhiều tín hiệu xung quanh vấn đề này. Các thử nghiệm nâng cao địa lý dài hạn có thể hữu ích ở đây.
• Đa cộng tuyến – Đây thực sự là một trong những vấn đề lớn nhất. Tất cả các biến chúng tôi có đều có mối tương quan cao. Sử dụng hồi quy sườn núi có thể làm giảm bớt điều này một chút, nhưng nó vẫn có thể là một vấn đề. Biểu đồ nhân quả cũng có thể giúp ích đôi chút vì nó cần thiết để chia vấn đề thành các mô hình nhỏ hơn.
• Sự tiếp nhận từ đội ngũ tiếp thị — Theo kinh nghiệm của tôi, đây sẽ là thử thách lớn nhất của bạn. Biểu đồ nhân quả cung cấp một cách trực quan thú vị để thu hút đội ngũ tiếp thị. Nó cũng tạo cơ hội cho bạn xây dựng mối quan hệ trong khi làm việc với họ để thống nhất những điểm phức tạp của biểu đồ.

Tôi sẽ kết thúc mọi thứ ở đó – Sẽ thật tuyệt khi được nghe suy nghĩ của bạn trong phần bình luận!