Алгоритмы против интуиции: разговор с генеральным директором Altcraft на тему ML – модель Best Send Time

Мир стремительно меняется, и те, кто успевает адаптироваться к современным технологиям, оказываются на шаг впереди своих конкурентов. Поэтому сегодня мы обсудим, как машинное обучение (machine learning) преобразует сферу маркетинга.

Машинное обучение (ML) — это технология, которая позволяет системам анализировать данные, выявлять в них закономерности и использовать их для прогнозирования или принятия решений без необходимости ручного программирования каждого шага.

Актуальность ML в маркетинге трудно переоценить. С его помощью можно не только сегментировать целевую аудиторию, но и оптимизировать рекламные кампании, прогнозировать продажи и даже персонализировать предложения. Например, алгоритмы предиктивной аналитики способны обрабатывать большие объёмы данных о поведении пользователей на сайте и рекомендовать товары, соответствующие их интересам. Это способствует не только росту конверсии, но и улучшению пользовательского опыта.

Существует довольно большое количество алгоритмов машинного обучения. Они предназначены для решения разного рода задач, и выбор правильного механизма может существенно повлиять на итоговые результаты анализа. Давайте разберем подробнее одну из наиболее популярных моделей, разработанную с применением методов ML, — Best Send Time.

Где еще можно использовать алгоритмы machine learning, читайте в нашей статье «Прогнозирование трендов в маркетинге с помощью анализа данных и машинного обучения».

Модель Best Send Time

Best Send Time помогает определить лучшее время для отправки сообщения клиенту. Почему это так важно?

Представьте, что вы отправляете промо-сообщение в 3 часа ночи. Как вы думаете, какова вероятность того, что клиент его увидит и откроет? Или, если вы выберете неудачный день, когда ваш целевой сегмент загружен своими делами, сообщение просто останется незамеченным. Неправильно выбранное время отправки может снизить уровень открываемости, ухудшить взаимодействие с клиентами и, как следствие, привести к снижению прибыли.

За внедрением модели Best Send Time в свою маркетинговую стратегию к нам обратилась одна из крупных международных компаний. Заказчик столкнулся с проблемой корректной сегментации своей базы по времени отправки: из-за слишком большого объёма данных он не смог справиться с задачей самостоятельно, поэтому её решение доверили нашей команде. Как происходил процесс «зарождения» и «появления на свет» модели Best Send Time в CDP Altcraft, нам расскажет генеральный директор компании Денис Чумаченко.

— Денис, как, на Ваш взгляд, машинное обучение влияет на маркетинг?

— В современном мире машинное обучение значительно ускоряет и оптимизирует процессы, автоматизируя рутинные задачи. Специалисты по маркетингу используют его для прогнозирования поведения пользователей, что позволяет корректировать стратегии. Маркетологу важно уметь предсказывать лучшее время для отправки коммуникаций, так как это повышает вероятность открытия сообщений и покупки товара. Ведь одна из задач маркетинга — это генерация продаж, а значит, важно стремиться к их увеличению и более эффективному вовлечению клиентов.

— Расскажите, в чём суть данной модели и какие у неё особенности?

— Существует мнение, что в сценарии достаточно создать множество временных промежутков и, основываясь на сегментах, сделать вывод, что если человек последний раз кликнул в определенное время, то в следующий раз он также кликнет в этот момент. Но это некорректный подход. Что, если по расчётам его время активности в 14:00, а сейчас уже 15:00, ждать следующего дня? Это нелогично. На самом деле, у человека есть несколько часов активности. Наша модель определяет, когда клиент наиболее готов к взаимодействию, а также учитывает его ближайший временной промежуток активности. Таким образом, вы никогда не упустите лучшее время отправки сообщения для своей аудитории. Это определенно фича модели Best Send Time в Altcraft.

— Как создавалась модель, какие были трудности?

— Изначально для решения задачи был выбран метод Gradient Boosting. Мы использовали библиотеку XGBoost. Но этот опыт оказался неудачным, так как на больших данных она не давала нужной производительности. Чтобы ускорить выдачу предсказаний, мы переобучили модель с использованием библиотеки CatBoost и добились увеличения производительности более чем в 30 раз по сравнению с первым вариантом. Также мы столкнулись с тем, что для нашего основного языка программирования GoLang не существует готовой библиотеки для работы с CatBoost, поэтому нам пришлось написать такую библиотеку с нуля. Мы назвали ее CatBoostGo и стали активно использовать для решения задач машинного обучения у себя в команде. Как итог нашей работы, была получена уже упомянутая выше модель Best Send Time, которая предсказывает лучшее время отправки сообщения с математически подтвержденной точностью — 82%.

— Но почему не 100% или близко к этому?

— Модель, о которой идет речь, анализирует исторические данные клиентов. Она обрабатывает информацию о каждом пользователе и его активности. В нужный момент, когда маркетологу необходимо произвести коммуникацию, например, в сценарии, модель в реальном времени предсказывает оптимальное время для этого. И, стоит отметить, обработка данных и предсказание происходит очень быстро даже на больших объёмах, вплоть до 100 миллионов профилей. По поводу корректности результатов: если ML-модель показывает 100% точности, то, вероятнее всего, где-то совершена ошибка при обучении, либо ответ на вопрос содержится в самом вопросе. Для предсказания лучшего времени отправки точность в пределах 80-90% — это хороший результат. Также хочу отметить, что показатель в 82% был получен на очень больших объемах данных заказчика о людях из разных стран мира. Однако, когда мы проверили данные, сузив их до одной страны, модель показала точность 93%.

— Благодаря чему удалось достичь подобных успехов?

— Я думаю, что это просто потому, что наши ребята — отличные профессионалы своего дела, и у них нестандартный взгляд на привычные вещи. Также большое спасибо нашему заказчику, который предоставил свои данные для обучения, без них мы бы не добились таких результатов. Команда Altcraft всегда открыта для новых предложений и готова реализовать любые инновационные идеи.

— Какие преимущества выделяют Altcraft Platform среди аналогичных решений?

— В современном ПО очень много функционала, поэтому порой сложно в нём ориентироваться. Пользователь ожидает, что ИИ будет автоматически решать все задачи за него, но при этом сталкивается с ограничением: при таком подходе модуль ML полностью берет на себя управление, не позволяя вносить изменения или корректировать настройки. Мы же в Altcraft Platform стремимся сохранить баланс автоматизации с помощью моделей ML и функций, которыми пользователь сможет управлять.

Более подробно о работе модели Best Send Time в платформе CDP Altcraft вы можете узнать в документации.

Заключение

Можно с уверенностью утверждать, что машинное обучение становится ключевым инструментом в арсенале современного маркетолога. Возможность анализировать огромные объемы данных, обнаруживать неочевидные закономерности и прогнозировать поведение потребителей открывает новые горизонты для оптимизации стратегий и повышения эффективности кампаний.

Интеграция машинного обучения в маркетинговые процессы не только позволяет бизнесу лучше понимать свою аудиторию, но и обеспечивает конкурентные преимущества в динамично меняющемся рынке. Ведь в мире, где данные играют ключевую роль, использование машинного обучения — это не просто тренд, а необходимость для достижения успеха!

Подписывайтесь на наш Telegram-канал. Там вы найдёте актуальные новости в области digital-маркетинга, полезные статьи и интересные исследования. Будьте в теме вместе с нами:)