これまで、さまざまな推奨アルゴリズムについて説明してきました。具体的には、データ製品にそれらをどのように適用すればよいのでしょうか。これらの推奨ロジックは推奨システムにのみ適用できますか?

そうは思いません。ユーザーの興味は、ビジネス ロジックのほぼすべての側面に浸透します。簡単に言えば、どんなビジネスであっても、顧客と接触するときはいつでも、顧客の好きなものを提供するのが最善の戦略ではないでしょうか。

答えは「はい」ではないかもしれませんが、それでもほとんどの分野で非常に価値があります。この記事では、一般的な 2 つの応用方向を紹介します。

1) アクティビティの人気度、最適な人混み/アクティビティのおすすめ:

• これまでの経験をもとに、スパークリングイベントを企画しましたが、本当にそのイベントは今の会社の顧客層に合っているのでしょうか？
• 最近、同社は古い顧客に恩返しをしたいと考えており、価値の高い顧客のグループを特定しました。これらの顧客に適したアクティビティや、好まれるクーポンの種類は何でしょうか?
• 同社は新しいパートナーを追加し、一連の新しいクーポンについて話し合いました。これらの新しいクーポンがどの顧客に適しているかを知りたいです。

2) 珍しい人をターゲットにして、その人たちが気に入るクーポンをプッシュする:

同社の最近の目標は、アクティベーションとコンバージョンを促進することです。選別された異常な顧客（アクティブだがコンバージョンしていない顧客、休眠顧客、失われるのを待っている顧客など）に直面して、彼らをアクティベートするためにどのようなクーポンを提供すべきでしょうか？

上記の問題をどのように解決すればよいでしょうか?

何百万人もの人々が何百万ものアイデアを持っています。この記事では、アルゴリズムの観点からアルゴリズムソリューションを検討します。このアルゴリズム モデルは、ユーザー関心モデル (マーケティング応答モデルとも呼ばれます) です。

したがって、問題を解決する前に、関心モデルの構築プロセスを見てみましょう。

1. マーケティング関心モデル

顧客の興味を探る際には、レコメンデーション システムでよく使用されるモデルである DeepFM を利用しました。このモデルは、高次元と低次元の特徴を効果的かつ深く統合できるため、クリックスルー率の予測やレコメンデーションのランキング付けで広く使用されています。

このモデルを注意深く考えると、クリックスルー率の予測と推奨ランキングの問題は、本質的には、ユーザーと製品の基本属性を組み合わせて、ユーザーが特定の製品を気に入る確率値を計算し、ユーザーがそれをクリックするかどうかを推測するという、製品に対するユーザーのインタラクティブな行動に基づいています。

このモデルを構築するプロセスには、ユーザーが気に入ったものをクリックする可能性が高くなるという基本的な仮定があります。この仮定が必ずしも正しいかどうかに関係なく、前半だけを見ると、モデルはユーザーが特定の製品を気に入っているかどうかを予測しており、これは私たちのアプリケーションには十分です。

モデル構築プロセスでは、アクティビティ データをエントリ ポイントとして使用し、ユーザーの基本属性、アクティビティの基本属性、アクティビティにおけるユーザーの行動相互作用データを取得しました。これら 3 種類のデータを統合し、DeepFM モデルに入力して、アクティビティに対するユーザーの好み、つまり関心レベルを計算しました。

ここで興味深い点は、特徴ライブラリによって特徴エンジニアリングの難しさが簡素化されるということです。

通常のロジックでは、アルゴリズム エンジニアは詳細な特徴スクリーニングを実行し、既存の特徴をリストし、相関やエントロピーなどの計算方法を通じてどの特徴がターゲット値と相関しているかを判断し、相関の強い特徴と相関の重みをスクリーニングする必要があります。

このプロセスには長い時間がかかることがよくありますが、機能ライブラリの出現により、この作業は簡素化されました。次の記事では、機能ライブラリの動作原理について詳しく説明します。

ここでは、y 値と x のキー経験値 (一部の設計では、機能ライブラリの設計の完全性に応じて、x キー値を省略し、y 値のみを入力します) を機能ライブラリに入れることを理解するだけです。機能ライブラリは、次のように、y 値と x 経験値と強く相関する他の機能と、対応する相関重みを返します。

エンジニアは、これらの特徴に対して欠損値や離散化などの簡単なビジネス関連の処理を実行するだけで、それらをモデルに直接取り込むことができます。

面白いと思いますか？

車が馬車に取って代わり、機械が労働に取って代わったように、科学技術の力は徐々に肉体労働に取って代わっていくでしょう。

話を元に戻しましょう。DeepFM モデルについては、レコメンデーション アルゴリズムに関するシリーズで説明しました。

この記事は製品設計におけるアルゴリズムの応用に関するものなので、アルゴリズムに関しては、モデルのスタイルをそのまま掲載しています。興味のある学生は、詳細を調べることができます。

全体の操作プロセスは次のとおりです。

上記の議論を経て、特定の活動に対するユーザーの関心の比較表が得られました。

次のタスクは、これら 3 つのテーブルを使用して、対応するアプリケーション シナリオを設計することです。

2. 戦略オペレーションサンドボックス

運営プロセスにおいて、イベント設計はしばしば「知識の呪い」という問題に遭遇します。イベント設計者の豊富な経験により、イベントはこのように設計されるべきであり、ある段階の顧客グループはこれを好むはずだと信じてしまい、新しいソリューションの探求や顧客の実際の好みを徐々に無視してしまいます。

この「呪い」は解けるのでしょうか？

今日は、ユーザーの興味という観点から新しい方法を提供してみようと思います。

多くの活動の設計アイデアは、過去の経験と他社の経験から生まれています。これは実は私たちの継続的な学習の主な方法であり、つまり歴史から学び、他の人からインスピレーションを得ることです。これ自体は何も悪いことではなく、モデル構築自体もこの考え方に従っています。つまり、過去n年間の活動データから現在の顧客が何を好むかを要約して推測し、彼らにとってどのような活動を設計するかということです。問題は、人々がデータセット全体の観点からユーザーの好みを判断し、活動計画を設計することができないことです。それは一方では計算量が大きすぎるためであり、他方では複雑すぎるデータから有効な情報を抽出することが難しいためです。

ということで、興味モデルがあります〜

興味モデルの価値は、強力な計算能力を活用して企業の n 年間の有効なデータを横断し、既存の顧客の過去の行動を使用して現在の好みを判断できることにあります。新規顧客も、既存の顧客との類似性に基づいて現在の好みを大まかに判断できるため、前述の人間の限界を間接的に解決できます。

しかし、金利モデル自体の限界は何でしょうか?

とても簡単です。モデルがニュースを読み取れないという制限があります。これはどういう意味ですか?

つまり、他の人の経験データをモデルに取り込まない限り、モデルは他の人からインスピレーションを得ることができず、想像力に欠けます。そして、他の企業があなたが望むデータを提供できないため、これを行うことはしばしば不可能です。したがって、興味モデルだけに頼ることは、未知のものを探索してインスピレーションを得る能力が人間の能力にはるかに劣るため、失敗することが多いのです。

人間と機械の組み合わせですね〜

人間と機械の統合とは、主に、計画作成プロセス中に人々が関心モデルの履歴データのマイニング機能を活用し、独自のアイデアやインスピレーションを統合して、より完全な計画を作成するプロセスを指します。

戦略オペレーションサンドボックスが誕生しました〜

このサンドボックスには主に 3 つの機能があります。

1. 既存の活動は顧客グループと一致していますか?

あなたが行っている活動があなた自身のアイデアや過去の経験から生まれたものである場合、それは会社の現在の顧客層に適していますか?

アクティビティを細分化し、認識可能なアクティビティ タイプの特徴を特定し、それを上記の関心テーブルに入力して、アクティブな顧客グループのグループを特定できます。次に、この顧客グループのグループを、アクティビティに対して最初に決定された顧客グループと比較し、共通部分を取得して顧客の関心の分布を確認し、アクティビティ設計が現在の顧客グループに適しているかどうかを判断できます。

2. 新しい顧客グループに直面した場合、どのようなタイプの活動が適合度が高いですか?

この質問には、いくつかの推奨の影があります。新しい顧客グループに応じて、関心表で対応する活動特性を丸で囲み、各活動特性の関心レベルに応じて並べ替え、各活動特性の関心分布を確認します。一般的に関心レベルが高い活動特性は、顧客グループに一致する活動特性であり、この活動特性を中心に想像力を働かせることができます。

3. 新しいクーポンに直面して、どの顧客グループを対象に活動を設計する必要がありますか?

関心モデルで関心を評価する主なアクティビティ特性の 1 つはクーポンです。新しいクーポンが生成されると、関心テーブルのアクティビティ タイプ リストで既存のクーポンに類似するクーポン顧客グループをフィルタリングし、関心値に従って並べ替え、関心レベルが一定のしきい値を超える顧客グループをフィルタリングして、新しいアクティビティを設計するためのターゲット顧客グループとして使用できます。

スクリーニングされた顧客の数が十分でない場合は、この顧客ベースの一部をシード顧客ベースとして使用し、人口拡散法を使用して顧客数を拡大することができます。

この時点で、戦略運用サンドボックスの3つの応用方向は明らかです。興味のある友人とのチャットを歓迎します〜

3. プロモーション/リコールエンジン

これまでイベント設計のプロセスについてお話ししてきました。次はプロモーション/リコールの問題についてお話ししましょう。

アクティベーション/リコールの問題は、本質的には異常な顧客の変化を刺激する問題であり、主に次の 2 つのステップに分けられます。

1. どの顧客が異常顧客であるかを特定する

運営者として、私たちは次の異常に注意する必要があります。アクティブだがコンバージョンしない顧客、非アクティブな顧客、解約寸前の顧客。これらの3種類の顧客は比較的理論的なものです。具体的なビジネスシナリオと組み合わせると、ホームページを頻繁に閲覧するが深く訪問しない顧客、問い合わせのみで具体的な取引を行わない顧客、1つの機能を頻繁に使用し、他の機能を介さない顧客など、より詳細な区分がしばしばあります。これらの異常な行動は通常、顧客の心理的矛盾を反映しています。

完全なライフサイクルでは、通常の顧客訪問は、最初の訪問から詳細な閲覧へ、問い合わせから特定の取引の完了へ、単一の取引の完了から複数の種類の取引の完了へ、低頻度の訪問から高頻度の訪問へ、などと進むことが多いです。

顧客がアプリに慣れてくると、アプリの利用は徐々に深まっていきます。そうでなければ、異常が発生します。この異常は繰り返し調査する必要があります。

この記事では、アクティブだがコンバージョンしていない顧客、非アクティブな顧客、失われる顧客という 3 つのカテゴリを例に、関心モデルの適用について説明します。

2. 異常な顧客が好むクーポンを特定する

上で述べたように、最も特徴的なアクティビティ タイプはクーポンであり、これは私たちの理解と一致しています。したがって、興味テーブルからクーポンに対するユーザーの興味を抽出し、ここで適用することができます。

異常な顧客を特定し、これらの顧客がどのようなクーポンを好むかを把握したら、次に何をする必要がありますか?

もう明らかだと思いますよ？

これらの顧客にお気に入りのクーポンを送信して、これらの顧客の活性化を最大化し、異常な顧客の変化を促進するという目標を達成します。

エンジニアリングの観点から見ると、これをフローチャートの形で表すことができます。

上記の情報フローから、基本的にこのアクティベーション/リコール エンジンの使用ロジックがわかります。

1. 関心のある異常な顧客やクーポンを識別し、タグ ライブラリに設定します。
2. タグ ライブラリをイベント センターに接続し、特定のルールに従ってプッシュ キャンセル プラットフォームをトリガーします。
3. プロモーション プラットフォームは、異常な顧客と対応するクーポンを取得し、パーソナライズされた方法で送信します。

このアイデアのハイライトは 2 つあります。

• 興味モデルは、ユーザーの興味の変化に基づいて、興味のあるクーポンを調整します。これにより、同じ顧客が異なるタイミングで異なる種類のクーポンを受け取るようになり、同じクーポンに顧客が嫌悪感を抱くことがなくなります。
• イベント センターはクーポンをリアルタイムで送信します。これにより、リアルタイムのパフォーマンスが保証されるだけでなく、ルール設定によりクーポン送信プラットフォームの柔軟性が向上し (午前または午後に送信すると、顧客ごとに影響が異なります)、時間の側面で顧客を満足させることができます。

さて、記事はここで終わりです。興味モデルについては、もっと良い応用アイデアがあるかもしれません。ぜひチャットにお越しください〜

著者: livandata

出典: livandata