AI məlumat hazırlığı addımları, xam marketinq məlumatlarını maşın öyrənmə modellərinin effektiv şəkildə emal edə biləcəyi yüksək keyfiyyətli formata çevirmək, təşkil etmək və təmizləmək üçün istifadə olunan proseslərdir. Bu dövr məlumatların toplanması ilə başlayır və daxil edilən məlumatın yüksək keyfiyyətli olmasını təmin etmək üçün təmizləmə, normallaşdırma və xüsusiyyət mühəndisliyi ilə davam edir. Məlumatları AI modelinə çatmazdan əvvəl təkmilləşdirməklə, marketoloqlar səhvlərin qarşısını ala bilər, bu da daha dəqiq proqnozlara və avtomatlaşdırılmış optimallaşdırmalara gətirib çıxarır.
Niyə məlumat hazırlığı AI-nin ən çox vaxt aparan hissəsidir?
Rəqəmsal marketinqdə ümumi bir nümunə, məlumat alimlərinin və AI mühəndislərinin layihə vaxtlarının təxminən 80%-ni model qurmaqdan çox hazırlığa sərf etdiklərini dərk etməkdir. Bu, marketinq məlumatlarının Google Ads, Meta Ads və müxtəlif CRM platformaları kimi fərqli ekosistemlər arasında parçalanması səbəbindən baş verir. Hər bir platforma fərqli adlandırma qaydaları, saat qurşaqları və valyuta formatlarından istifadə edir ki, bu da AI modelinin ilkin uyğunlaşdırma olmadan nümunələr tapmasını qeyri-mümkün edir. Bu hazırlıq addımları olmadan, AI Shopify mağazası ilə Facebook kampaniyası arasındakı valyuta fərqini performans düşüşü kimi şərh edə bilər və bu da yanlış büdcə bölgülərinə səbəb olur. Nəticə etibarilə, hazırlıq mərhələsi bütün optimallaşdırma prosesinin ən kritik hissəsidir.
Süni intellekt sistemindən alınan yüksək keyfiyyətli nəticə tamamilə ona daxil edilən məlumatın bütövlüyündən asılıdır. Tipik bir hesabda, xam məlumatlar tez-tez Google Analytics 4-də bot trafik və ya HubSpot CRM-də dublikat potensial müştəri girişləri kimi səs-küy ehtiva edir. Əgər bu anomaliyalar aradan qaldırılmazsa, AI modeli yanlış siqnallardan öyrənəcək və nəticədə auditoriya seqmentləri əyri və ya konversiya proqnozları qeyri-dəqiq olacaqdır. Bundan əlavə, məlumat hazırlığı marketoloqlara fərqli toxunma nöqtələrini birləşdirərək müştəri səyahətinin vahid mənzərəsini yaratmağa imkan verir. Bu uyğunlaşma, AI-nin axtarış reklamı qarşılıqlı əlaqəsinin sonrakı e-poçt qeydiyyatına necə təsir etdiyini başa düşməli olduğu qabaqcıl atribut modelləşdirməsi üçün zəruridir.
Addım 1: Məlumatın Kəşfi və Mənbə İnteqrasiyası
İlk mərhələ AI modelinizi məlumatlandıracaq bütün potensial məlumat mənbələrinin müəyyən edilməsini əhatə edir. Müasir marketinq mühitində bu, adətən GA4 BigQuery ixracları, CRM ixracları və sosial media platformalarından əldə edilən piksel məlumatları kimi əsas mənbələri əhatə edir. Hər bir mənbədə mövcud olan sahələri biznes məqsədlərinizlə uyğun olub-olmadığını yoxlamaq üçün audit etməklə başlamalısınız. Məsələn, müştəri itkisini proqnozlaşdırmaq istəyirsinizsə, məlumat mənbələrinizin tarixi alış tarixlərini, dəstək bileti tezliyini və e-poçt cəlbetmə göstəricilərini ehtiva etdiyinə əmin olmalısınız. Bu mənbələri erkən xəritələndirmək məlumatların çatışmadığı və ya izləmənin zamanla qeyri-ardıcıl olduğu boşluqları müəyyən etməyə kömək edir.
İnteqrasiya tez-tez hər şeyi mərkəzləşdirilmiş mühitə gətirmək üçün API-lərdən və ya məlumat anbarı həllərindən istifadəni tələb edir. Məsələn, Shopify mağazasından məlumat çəkərkən, əsl Reklam Xərclərinin Gəlirliliyini (ROAS) hesablamaq üçün sifariş tarixçəsini Google Ads-dən gələn marketinq xərcləri ilə birləşdirməli ola bilərsiniz. Bu addım, müxtəlif məlumat dəstlərini bir-birinə bağlayacaq unikal identifikatoru, məsələn, heşlənmiş e-poçt ünvanı və ya xüsusi istifadəçi ID-si kimi müəyyən etdiyiniz yerdir. Bu mərhələdə təmiz inteqrasiya yolu qurmaq, maşın öyrənmə boru kəmərində sonradan texniki borcun qarşısını alır və modelin mənalı qərarlar qəbul etmək üçün kifayət qədər geniş perspektivə malik olmasını təmin edir.
Addım 2: Məlumatların Təmizlənməsi və Səhvlərin Düzəldilməsi
Məlumatların təmizlənməsi məlumat dəstindəki yanlış, korlanmış və ya dublikat məlumatların düzəldilməsi və ya silinməsi prosesidir. Marketinqdə bu, tez-tez kampaniya adlarında ardıcıl olmayan böyük hərflər kimi struktur səhvlərinin düzəldilməsini və ya platformalar arasında dəyişən tarix formatlarının düzəldilməsini əhatə edir. Məsələn, bir sistem tarixləri AA/GG/İİİİ kimi qeyd edə bilər, digəri isə İİİİ-AA-GG istifadə edir. Bunları vahid formata standartlaşdırmaq zaman seriyası təhlili üçün vacibdir. Bundan əlavə, təmizləmə modeli çaşdıra biləcək kənar göstəricilərin aradan qaldırılmasını əhatə edir. Orta sifariş dəyərinin 50 dollar olduğu bir mağazada 50.000 dollarlıq təsadüfi bir alış, AI-nin tipik bir müştəri anlayışını əhəmiyyətli dərəcədə təhrif edə bilər, buna görə də bu anomaliyalar aradan qaldırılmalıdır.
Təmizləmənin digər vacib hissəsi, müştərilər fərqli e-poçt ünvanlarından istifadə etdikdə və ya izləmə pikselləri bir hadisə üçün bir neçə dəfə işə düşdükdə tez-tez baş verən dublikat girişlərin idarə edilməsidir. Əgər AI modeli eyni konversiyanı üç dəfə görürsə, o, həmin konversiyaya səbəb olan xüsusi açar sözləri və ya reklamları həddindən artıq qiymətləndirəcəkdir. Python-un Pandas kitabxanası və ya Google Cloud DataPrep kimi alətlərdən istifadə etmək, paylaşılan xüsusiyyətlərə əsasən bu dublikatların müəyyən edilməsini avtomatlaşdırmağa kömək edə bilər. Hər bir məlumat nöqtəsinin unikal və düzgün formatlaşdırıldığından əmin olmaqla, AI hazırlığı iş axınında izləyən daha mürəkkəb transformasiya addımları üçün sabit bir təməl yaradırsınız.
Marketinq məlumat dəstlərində çatışmayan dəyərləri necə idarə edirsiniz?
Çatışmayan dəyərlər real dünya marketinq məlumatları ilə işləyərkən qaçılmaz bir çətinlikdir, tez-tez CRM-də boş girişlər və ya müştəri sorğusunda boş sahələr kimi görünür. Bunu idarə etməyin üç əsas yolu var: silmə, imputasiya və ya işarələmə. Silmə, çatışmayan məlumatı olan hər hansı bir qeydin çıxarılmasını əhatə edir, lakin boşluqlar geniş yayılıbsa, bu, məlumatların əhəmiyyətli dərəcədə itirilməsinə səbəb ola bilər. İputasiya, çatışmayan dəyərləri digər mövcud məlumatlara əsasən doldurduğunuz daha qabaqcıl bir texnikadır. Məsələn, müştərinin ‘Regionu’ çatışmırsa, lakin ‘Şəhəri’ London kimi göstərilibsə, qeydin faydalılığını qorumaq üçün regionu ‘Böyük London’ kimi təhlükəsiz şəkildə imputasiya edə bilərsiniz.
‘Orta Sessiya Müddəti’ kimi ədədi məlumatlar çatışmadıqda, marketoloqlar boşluqları doldurmaq üçün qalan məlumatların orta və ya medianından istifadə edirlər. Bununla belə, qeyd etmək lazımdır ki, ortalamadan istifadə məlumat dəstinizdəki dəyişkənliyi azalda bilər ki, bu da AI-dən vacib nümunələri gizlədə bilər. Daha mürəkkəb bir yanaşma, çatışmayan dəyərləri digər xüsusiyyətlərə əsasən proqnozlaşdırmaq üçün ikinci dərəcəli maşın öyrənmə modelindən istifadə etməkdir. Böyük miqyaslı e-ticarət məlumat dəstini idarə edirsinizsə, çatışmayan dəyərləri ‘-1’ və ya ‘Naməlum’ kimi xüsusi bir kodla işarələmək də AI-yə məlumatın olmamasının özünün mənalı bir siqnal olduğunu deyə bilər ki, bu da müştəri davranışı təhlilində çox vaxt doğrudur.
- Excel və ya Python kimi alətlərdə istilik xəritələri və ya xülasə statistikalarından istifadə edərək çatışmayan dəyərləri müəyyən edin.
- Çatışmayan məlumatların faizinə əsasən sətirlərin silinməsi (siyahı üzrə silmə) və ya onların doldurulması (imputasiya) arasında qərar verin.
- Əgər məlumat əyridirsə, ədədi imputasiya üçün mediandan istifadə edin, çünki o, kənar göstəricilərdən ortalamaya nisbətən daha az təsirlənir.
- Nümunə ölçüsünü qorumaq üçün çatışmayan kateqoriyalı məlumatları yeni ‘Naməlum’ sinfi kimi kateqoriyalaşdırın.
- Çatışmayan məlumatları idarə etmək üçün istifadə olunan metodun modelə istənilməyən qərəz gətirmədiyini yoxlayın.
Addım 3: Məlumatların Transformasiyası və Miqyaslanması
Məlumatların transformasiyası məlumatların orijinal formatından alqoritm üçün daha uyğun olan formata çevrilməsini əhatə edir. Bu addımın ən vacib hissələrindən biri miqyaslamadır. Maşın öyrənmə modelləri fərqli xüsusiyyətlər çox fərqli diapazonlara malik olduqda tez-tez çətinlik çəkir. Məsələn, ‘Ümumi Xərc’ xüsusiyyəti 10 dollardan 10.000 dollara qədər dəyişə bilər, ‘Kliklərin Sayı’ xüsusiyyəti isə 1-dən 100-ə qədər dəyişir. Miqyaslama olmadan, AI rəqəmlər daha böyük olduğu üçün xərc xüsusiyyətinə 100 dəfə daha çox çəki verə bilər. Bütün dəyərləri 0 ilə 1 arasında bir diapazona sıxan Min-Max miqyaslaması kimi texnikalar, hər bir xüsusiyyətin modelin yekun proqnozuna bərabər töhfə verməsini təmin edir.
Digər bir transformasiya texnikası, məlumatları sıfır ortalaması və bir standart kənarlaşma ətrafında mərkəzləşdirən Z-skor normallaşdırılmasıdır. Bu, xüsusilə məlumat nöqtələri arasındakı məsafələrin hesablanmasına əsaslanan K-means klasterləşdirməsi və ya Dəstək Vektor Maşınları kimi alqoritmlər üçün faydalıdır. Miqyaslamadan kənarda, transformasiya həm də kateqoriyalı dəyişənlərin kodlaşdırılmasını əhatə edir. AI modelləri ‘Axtarış’ və ya ‘Sosial’ kimi mətni başa düşə bilmədiyindən, bunları rəqəmlərə çevirməlisiniz. ‘One-hot kodlaşdırma’, hər bir kateqoriyanın 1 və ya 0 ilə yeni bir sütuna çevrildiyi ümumi bir metoddur ki, bu da modelə fərqli kanallar arasında daxili bir sıra və ya reytinq nəzərdə tutmadan marketinq kanalı məlumatlarını emal etməyə imkan verir.
Addım 4: Marketinq Modelləri üçün Xüsusiyyət Mühəndisliyi
Xüsusiyyət mühəndisliyi, AI-nin daha yaxşı işləməsinə kömək edən yeni dəyişənlər yaratmaq üçün domen biliklərindən istifadə prosesidir. Modeli sadəcə əməliyyat tarixləri siyahısı vermək əvəzinə, marketoloq ‘Son Alışdan Bəri Keçən Günlər’ xüsusiyyəti yarada bilər. Bu tək rəqəm, xam zaman damğasından gələcək davranışı proqnozlaşdırmaq üçün daha çox məlumat verir. Tipik bir Shopify mağazası ssenarisində, xüsusiyyət mühəndisliyi hər bir istifadəçi üçün ‘Səbətə Əlavə Edilənlərin’ ‘Məhsul Baxışlarına’ nisbətinin hesablanmasını əhatə edə bilər. Bu törəmə metrik, AI-nin müəyyən istifadəçiləri yenidən hədəfləmə kampaniyaları üçün prioritetləşdirmək üçün istifadə edə biləcəyi aydın bir alış niyyəti siqnalı verir və bu da çox vaxt xam məlumatlardan istifadə etməkdən daha yüksək konversiya dərəcəsinə gətirib çıxarır.
Effektiv xüsusiyyət mühəndisliyi marketinq hunisi haqqında dərin anlayış tələb edir. Siz ‘Ümumi Sessiyaları’ və ‘Ümumi Konversiyaları’ birləşdirərək ‘İstifadəçi üzrə Konversiya Dərəcəsi’ xüsusiyyəti yarada bilərsiniz və ya modelin həftə sonu alış-veriş nümunələrini müəyyən etməsinə kömək etmək üçün zaman damğasından ‘Həftənin Günü’nü çıxara bilərsiniz. Ölçülərin azaldılması da bu addımın bir hissəsidir, burada dəyər qatmayan artıq xüsusiyyətləri silirsiniz. Əgər ‘Şəhər’ və ‘Poçt İndeksi’ eyni coğrafi məlumatı verirsə, hər ikisini saxlamaq bəzi modelləri çaşdıra biləcək çoxkollinearlığa səbəb ola bilər. Alien Road mütəxəssisləri modellərin səmərəli qalmasını və ən uyğun məlumat siqnallarına yönəlməsini təmin etmək üçün tez-tez bu yüksək təsirli xüsusiyyətlərə diqqət yetirirlər.
Marketinq məlumatlarının etiketlənməsi üçün ən yaxşı təcrübələr hansılardır?
Etiketləmə, AI modeliniz üçün hədəf nəticənin müəyyən edilməsi prosesidir, məsələn, potensial müştərinin konversiya edib-etmədiyi və ya müştərinin itirilib-itirilmədiyi. Nəzarətli öyrənmə üçün bu etiketlər dəqiq və aydın şəkildə müəyyən edilməlidir. Ən yaxşı təcrübə, etiketlərinizin bütün məlumat dəsti boyunca ardıcıl olmasını təmin etməkdir. Əgər ‘Konversiya edilmiş’ potensial müştərini alış edən biri kimi müəyyən edirsinizsə, bu qaydanı bütün qeydlər üzrə ciddi şəkildə tətbiq etməlisiniz. Sentiment təhlilində etiketləmə, insan rəyçilərinin müştəri rəylərini ‘Müsbət’, ‘Neytral’ və ya ‘Mənfi’ kimi kateqoriyalara ayırmasını əhatə edə bilər. Bir neçə rəyçinin eyni məlumatı yoxladığı konsensusa əsaslanan yanaşmadan istifadə etmək subyektivliyi azaltmağa və təlim dəstinin keyfiyyətini yaxşılaşdırmağa kömək edə bilər.
Marketinq avtomatlaşdırılması üçün etiketləyərkən, vaxt pəncərəsini nəzərə almaq da faydalıdır. Əgər istifadəçinin növbəti 30 gün ərzində alış edəcəyini proqnozlaşdırırsınızsa, etiketləriniz həmin xüsusi vaxt çərçivəsini əks etdirməlidir. Etiketləmə həm də ikili ola bilər, məsələn, ‘Klikləndi’ üçün 1 və ‘Kliklənmədi’ üçün 0, və ya çox sinifli, burada istifadəçiləri ‘Aşağı Dəyərli’, ‘Orta Dəyərli’ və ‘Yüksək Dəyərli’ kimi kateqoriyalara ayıra bilərsiniz. Bu mərhələdə sinif balanssızlığını yoxlamaq vacibdir. Əgər məlumatlarınızın 99%-i ‘Alış Yoxdur’ kimi etiketlənibsə, AI yüksək dəqiqliyə nail olmaq üçün sadəcə hər dəfə ‘Alış Yoxdur’ proqnozlaşdırmağı öyrənə bilər. Azlıq sinfini həddindən artıq nümunələmə kimi texnikalardan istifadə etmək, modelə həqiqətən alış edən 1%-in xüsusiyyətlərini öyrənməyə kömək edə bilər.
Addım 5: Məlumatların Bölünməsi və Doğrulanması
Məlumatlar təmizləndikdən, transformasiya edildikdən və etiketləndikdən sonra, təlim və sınaq üçün fərqli dəstlərə bölünməlidir. Ümumi bir yanaşma 80/20 qaydasıdır, burada məlumatların 80%-i modeli öyrətmək üçün istifadə olunur və 20%-i görünməmiş məlumatlar üzərində performansını yoxlamaq üçün saxlanılır. Bu addım AI-nin sadəcə təlim məlumatlarını əzbərləmədiyinə əmin olmaq üçün vacibdir, bu, həddindən artıq uyğunlaşma (overfitting) kimi tanınan bir problemdir. Əgər model təlim dəstində mükəmməl işləyirsə, lakin sınaq dəstində uğursuz olursa, o, əsas nümunələri öyrənməyib və canlı marketinq mühitində proqnozlar vermək üçün faydalı olmayacaqdır. Sınaq dəsti modelin hazırlığını sübut etmək üçün yekun imtahan rolunu oynayır.
- Təlim Dəsti: Alqoritm tərəfindən nümunələri tapmaq və parametrlərini tənzimləmək üçün istifadə olunan əsas məlumat hissəsi.
- Doğrulama Dəsti: Model parametrlərini incə tənzimləmək və həddindən artıq uyğunlaşmanın qarşısını almaq üçün təlim mərhələsində istifadə olunan daha kiçik bir alt dəst.
- Sınaq Dəsti: Yekun dəqiqliyi qiymətləndirmək üçün prosesin sonunda yalnız bir dəfə istifadə olunan tamamilə müstəqil məlumat dəsti.
- Randomizasiya: Dəstlərin bütün populyasiyanı təmsil etməsi üçün bölünməzdən əvvəl məlumatların qarışdırıldığından əmin olun.
- Zamanla Bölünmə: Zamana həssas məlumatlar üçün, real dünya proqnozunu simulyasiya etmək üçün təlim üçün daha əvvəlki, sınaq üçün isə daha sonrakı məlumatlardan istifadə edin.
Bu həftə haradan başlamaq lazımdır
AI məlumat hazırlığı addımları ilə səyahətinizə başlamaq üçün bu həftə GA4 BigQuery ixracınız və ya əsas CRM siyahınız kimi tək bir məlumat mənbəyini audit etməklə başlayın. Əsas sahələrdə çatışmayan dəyərlər və ya kampaniya məlumatlarınızdakı ardıcıl olmayan adlandırma qaydaları kimi ən çox yayılmış səhvləri axtarın. Avtomatlaşdırılmış skriptlərə keçməzdən əvvəl çətinlikləri başa düşmək üçün cəmi bir aylıq məlumatı cədvəldə əl ilə təmizləməyə çalışın. Bu problemləri erkən müəyyən etməklə, qabaqcıl AI marketinq strategiyalarını dəstəkləyə bilən və ümumi kampaniya səmərəliliyinizi artıra bilən miqyaslana bilən məlumat boru kəməri qurmağa daha yaxşı hazır olacaqsınız.
Oxumağa davam edin: AI Optimallaşdırılması · AI Optimallaşdırılması