本文介紹了基於一個或多個特定行銷 KPI來啟動 Web 分析資料的範例。引入蒸餾、濃縮、精煉的比喻來描述獲取多個數據維度並將其濃縮為濃縮物的過程。

範例案例是將產品添加到購物車的傾向(相似度)評分的建模。 0-100 的分數將作為自訂用戶維度添加回來,從而能夠根據受眾將產品添加到購物車的傾向來創建細分和受眾。這不僅有助於透過廣告伺服器更好地定位和出價,還有助於內容優化和個人化。

此外創建的維度蒸餾可

於訓練另一個行銷 KPI 的下一個模型 – 從而既增強媒體活化部分又增強資料和理解本身。

目標:提取資料以優化 KPI
根據我個人的經驗,業務目標與透過網路和應用程式分析工具衡量的內容之間的聯繫通常有點不清

 

測量計劃或解決方案設計要求對於在目標和測量資料之間建立聯繫至關重要。在經典的成熟度模型中,這是基礎 – 在收集、豐富或激活數據之前必須設定的首要步驟。

附註:Google Analytics 是一種行銷工具,基於經典的漏斗方法。將事件或目標指定為 KPI 至關重要。

KPI 和規劃階段之後的步驟是收集數據並做出反應性報告。責任往往就到此為止。為什麼不利用收集到的數據來積極改善指標背後的業務目標呢?

如何透過機器學習提取資料來優化 KPI_01

資料成熟度 資源歷程

許多業務目標是由多個資料維度來衡量和支援的,這些維度通常是目標本身的外圍。使用機器學習模型,我們可以根據這些維度對 KPI 指標的重要性來提取這些維度。

根據我個人的經驗,業務目標與透過網路和應用程式分析工具衡量的內容之間的聯繫通常有點不清楚,或者是蘋果和橘子的模糊衡量標準。
加入購物車的傾向
在此案例中,業務目標是針對漏斗下部活動(添加到購物車事件)更聰明地使用行銷預算。

我們採用創建自訂資料維度的概念,這為我們提供了用戶將產品添加到購物車的可能性(傾向)的分數。資料維度的範圍是使用者。具體來說,每個 clientId 將根據他們將產品添加到購物車的可能性獲得 0-100 的分數。

首先可以設定四個通用受眾。可以透過將創建的分數與其他相關維度混合來形成後續的細微受眾。

 

返回頂端