Il potere dell’apprendimento semi‑supervisionato nelle vendite e nel marketing

Che cos’è il machine learning semi-supervisionato?

L’apprendimento semi-supervisionato è una tecnica di machine learning ibrida che utilizza una combinazione di dati etichettati e non etichettati.

Questa tecnica tratta i punti dati in modo diverso a seconda che abbiano o meno un'etichetta. Se un punto dati è etichettato, l'algoritmo lo utilizza per aggiornare i pesi assegnati ai coefficienti, ad esempio, in un'equazione di regressione lineare. Se il punto dati non è etichettato, cerca di ridurre al minimo le differenze acquisite, ad esempio, nell'analisi k-means.

L’efficienza dell’apprendimento semi-supervisionato può essere migliorata da una raccolta di algoritmi per l’apprendimento attivo. Gli algoritmi di apprendimento attivo richiedono meno query per ottenere un’elevata precisione rispetto alla selezione casuale delle query. Ma per ora considereremo l’apprendimento attivo come una forma di apprendimento non supervisionato.

Ecco i due punti salienti più importanti sull’apprendimento semi-supervisionato.

1. Il machine learning semi-supervisionato tratta i dati etichettati allo stesso modo dell'apprendimento supervisionato. Fa previsioni e calcola i pesi per variabili diverse.
2. Il machine learning semi-supervisionato utilizza punti dati non etichettati per rendere il modello più coerente. Esempi non etichettati si basano sui progressi compiuti con i dati etichettati.

Tecniche di apprendimento supervisionato, semi-supervisionato o non supervisionato

Quando si tratta di conoscere la differenza tra apprendimento supervisionato, semi-supervisionato e non supervisionato, il fattore più importante è il tipo di dati su cui ciascuno si basa.

Il machine learning supervisionato utilizza dati etichettati per addestrare i suoi algoritmi. L’apprendimento supervisionato è suddiviso in due tipi principali: classificazione e regressione. Gli algoritmi di classificazione potrebbero, ad esempio, assegnare potenziali clienti a una posizione nel tuo funnel di vendita. Gli algoritmi di regressione possono identificare i valori limite per una metrica decisionale, come la concessione di credito, in base a una combinazione di fattori.

Gli algoritmi di apprendimento supervisionato creano un modello postdittivo che trova relazioni tra osservazioni che dicono agli esseri umani cose che non sapevano dei dati in loro possesso. Tuttavia, poiché l'etichettatura dei dati richiede tempo e denaro, gli algoritmi di machine learning supervisionato spesso non dispongono di tutti i dati necessari per raggiungere il loro potenziale potere postdittivo.

L'apprendimento non supervisionato trova relazioni nei dati non etichettati. Non può necessariamente dirti cosa descrivono i tuoi dati, ma può dirti quali osservazioni sono simili. Poiché il processo di etichettatura non richiede l'intervento umano, i dati da inserire negli algoritmi non mancano.

Ma il volume enorme di dati in un'immagine può rendere l'elaborazione così lenta che la quantità di informazioni utili ricavate dai dati è limitata dalla marea di dati che affluiscono nel sistema. Di conseguenza, l’analisi potrebbe non raggiungere un punteggio F1 adeguato.

Il punteggio F1 è un calcolo del rapporto tra i veri positivi (osservazioni classificate correttamente) e il totale dei falsi positivi (osservazioni classificate come qualcosa che non erano) più i falsi negativi (osservazioni non classificate come qualcosa che erano).

Come accennato, l’apprendimento semi-supervisionato non richiede che tutti i dati siano etichettati, ma può anche utilizzare dati non etichettati. Questa caratteristica rende l’apprendimento semi-supervisionato un mezzo tra l’apprendimento supervisionato e l’apprendimento non supervisionato.

Le basi dell’apprendimento semi-supervisionato

Analizziamo come funziona l’apprendimento semi-supervisionato in 4 fasi per aiutarti a comprendere alcuni dei suoi componenti chiave.

1 Etichettatura dei dati

Il primo, e uno dei componenti più importanti, è costituito dai dati. Come accennato, l’apprendimento semi-supervisionato utilizza dati etichettati e non etichettati per addestrare i suoi algoritmi.

Con l'apprendimento semi-supervisionato, aggiungerai prima etichette ad alcuni dati. Questo ti darà una base su cui costruire, che sarà importante per i seguenti passaggi.

2. Formazione del modello

Ora che dispone dei dati etichettati, devi insegnare al tuo algoritmo cosa fare con essi e quali sono i risultati attesi prima di aggiungere al mix i dati non etichettati.

3. Integrazione di dati non etichettati

Una volta che il modello è stato addestrato sui dati etichettati, puoi aggiungere i dati non etichettati. Poiché questa tecnica di machine learning può utilizzare entrambi i tipi di dati, consente di ridurre i costi rispetto all'apprendimento supervisionato perché si espande il set di dati con l'aggiunta di dati non etichettati.

4. Valutazione e perfezionamento del modello

Il machine learning richiede valutazione e modifiche per garantire che il modello creato sia accurato. L’addestramento è un progresso continuo, quindi tieni conto di dover apportare modifiche al tuo algoritmo.

I vantaggi dell’apprendimento semi-supervisionato nelle vendite e nel marketing

Il machine learning nel marketing può aiutarti a migliorare il tuo lead scoring per una migliore personalizzazione, per aiutarti a identificare il tuo pubblico target, gestire il tuo pubblico e ridurre il tasso di abbandono dei clienti.

Il machine learning semi-strutturato è utile anche per una varietà di obiettivi di analisi dei dati comuni alle operazioni di marketing digitale.

Migliore segmentazione dei clienti

Negli studi sul machine learning semi-supervisionato come strumento per migliorare la segmentazione dei clienti, la tecnica viene spesso descritta come una rete neurale feed-forward addestrata da un algoritmo di retropropagazione.

Ciò significa che quando non disponi di informazioni complete sui potenziali clienti, un programma di machine learning semi-supervisionato può integrare i dati in modo da non doverli raccogliere, inserire e verificare.

Perché è importante?

Probabilmente ti sarai imbattuto nel Principio di Pareto. Applicato a un'azienda, ciò significa che il 20% dei tuoi clienti genera l'80% dei tuoi profitti. Oppure potresti avere familiarità con un’idea sviluppata da due ricercatori di marketing Reichfeld e Teal, chiamata Effetto fedeltà. Un aumento del 5% della fidelizzazione dei clienti può comportare un aumento del 20-95% dei profitti.

Esiste un compromesso tra il costo della raccolta dei dati e i vantaggi di una migliore segmentazione dei clienti con programmi di apprendimento supervisionato, ma il costo della raccolta dei dati è molto inferiore con programmi di apprendimento semi-supervisionato.

Miglioramento del punteggio e della qualificazione dei lead

Gli addetti alle vendite vogliono essere in grado di prevedere quali lead chiuderanno con una vendita. Soprattutto nelle vendite B2B, i dati per valutare e qualificare i lead probabilmente esistono già nel tuo monitoraggio web e nell’analisi delle email di Mailchimp, oltre che nei record del tuo database CRM.

Alcuni punteggi e qualificazioni dei lead possono essere eseguiti con il machine learning supervisionato. Ad esempio, i tuoi dati analitici Mailchimp ti diranno il numero di email aperte. Puoi estrarre i dati di vendita per calcolare la correlazione tra il numero di email aperte e le conversioni di vendita.

Allo stesso modo, potresti calcolare una statistica che correla il numero di visite al tuo sito web con la probabilità di chiudere una vendita con i tuoi dati di monitoraggio web di Mailchimp. Ma probabilmente, scopriresti che non tutte le visite alle pagine web sono uguali. Il machine learning semi-supervisionato è in grado di identificare i dati analitici on-page che aggiungono potere predittivo al tuo modello di punteggio e qualificazione dei lead.

Maggiore efficacia della pubblicità mirata

La pubblicità mirata è orientata verso un pubblico che condivide determinate caratteristiche, a seconda del prodotto che viene promosso. Queste caratteristiche possono essere demografiche, psicografiche o precedenti modelli di decisioni di acquisto.

Una volta identificato il pubblico target, la pubblicità è mirata alla proprietà, posizionata su una particolare pagina di un sito web scelto o mirata al comportamento, visualizzata dopo che un potenziale cliente esegue un determinato comportamento online.

L’efficacia della pubblicità mirata è limitata dalla quantità di dati che il venditore ha sui potenziali clienti. Il machine learning semi-strutturato funziona con i dati a portata di mano. Crea un modello di comportamento dell’acquirente basato su un mix di dati etichettati e non etichettati.

Crea pseudo-etichette per fare ulteriori previsioni e perfeziona il modello man mano che entrano i dati di vendita. Man mano che il modello colma sempre più le lacune nella raccolta dei dati, offre una migliore comprensione del buyer persona ideale.

Personalizzazione nell’email marketing

Tutti utilizzano il machine learning semi-supervisionato nel proprio account email ogni giorno. I filtri antispam funzionano con dati etichettati (i messaggi contrassegnati come spam) e dati non etichettati (messaggi che probabilmente non vedrai mai) per ridurre almeno la quantità di posta indesiderata nella tua casella postale.

La sfida del machine learning semi-supervisionato nell’email marketing è quella di "filtrare" i messaggi, in modo che vengano aperti e messi in pratica. Per questo motivo, il machine learning semi-supervisionato può essere estremamente utile.

• Limitare la quantità di tempo che devi dedicare ai test A/B. Con il machine learning non supervisionato, puoi combinare più elementi nelle tue email per aumentare i tassi di apertura, il coinvolgimento dei lettori e i clic.
• Calibrare la tempistica delle tue email. Non vorresti sapere quando i tuoi clienti avranno tempo e voglia di leggere le tue email? Il machine learning semi-strutturato può identificare le abitudini dei destinatari delle email per dirti quando inviarle per ottenere i migliori risultati.
• Personalizzazione della promozione. Quando sai cosa vogliono i tuoi clienti, puoi venderglielo!

Modellazione predittiva del tasso di abbandono dei clienti

Il machine learning semi-strutturato non solo ti aiuta a realizzare le vendite. A volte, ti aiuta a salvare le relazioni con i tuoi clienti. I modelli diabbandono dei clienti sono più accurati con meno dati con il machine learning semi-strutturato.

Sfide e limitazioni comuni dell’apprendimento semi-supervisionato

È importante comprendere che i modelli di machine learning semi-strutturati funzionano meglio man mano che vengono addestrati e la loro qualità dipende dai loro dati di addestramento. Pertanto, questo può portare ad alcune limitazioni diverse.

Dati etichettati limitati e relativo impatto sulle prestazioni del modello

Come accennato, i modelli di machine learning sono limitati dai dati in loro possesso. Ciò significa che un modello con dati etichettati limitati sarà limitato a tali informazioni.

Manutenzione continua richiesta

Il machine learning semi-strutturato non è un modello una tantum. Richiede una manutenzione costante e competente. Ciò significa che il machine learning dovrà essere un investimento a lungo termine e richiederà una supervisione man mano che viene eseguito.

Prospettive future per l’apprendimento semi-supervisionato

Il machine learning e il machine learning semi-supervisionato nel loro complesso continueranno a crescere e a diventare disponibili attraverso offerte as-a-service per le aziende senza le risorse per costruire i propri modelli.

Man mano che le offerte diventano più accessibili, le aziende saranno in grado di sfruttare il machine learning come strumento per migliorare i propri servizi e le esperienze dei clienti.