转换率较低将如何严重影响机器学习
行业专家表示，机器学习在大数据方面非常强大。但是，他们必须克服一些挑战。对于小型数据集来说，它几乎没有用处，而小型数据集是过去可供营销人员使用的唯一数据形式。行业专家Jyoti Prakash Maheswari对于有关小型数据集的问题进行了探讨，他提出的原则与其他机器学习应用一样适用于市场营销。 多年来，营销人员不得不使用小型数据集。他们根本没有足够的存储空间和资源来收集有关其客户的大数据。即使是有能力存储大数据的公司，也很少有资源对其进行处理并提出可行的见解。 这些公司还没有准备放弃使用小型数据集的概念。当企业尝试开发基于机器学习技术进步的复杂营销策略时，这可能会出现问题。 使用小型转化数据集自动执行营销策略会遇到什么问题? 许多数字营销平台使客户更容易利用机器学习的好处，他们通常要求广告客户实时跟踪其转化，或者进行人工上传。 Propel Media公司是使用机器学习来帮助广告商获得最高投资回报率的公司之一。许多广告客户表示，他们开始使用依赖机器学习技术的每次动作成本(CPA)优化器后，便注意到广告效果显著提高。 不过，熟悉这种技术的人士警告说，不要试图将其用于少量转换数据。Propel Media公司的一家媒体广告商说，企业通常需要至少50次转换才能从中获得一些价值，当超过100个转换时，广告定位的质量要高得多。 机器学习算法可以从转换中得到一些非常有用的观察结果，他们可以推断现有的转换数据，以显著提高广告效果。问题在于，这些推广的质量与已上传的转化次数高度相关。 其他大多数广告平台也具有类似的技术。企业使用自己的内部机器学习平台来自动化和优化营销策略也会发现同样的问题。
当企业营销人员尝试将转换数据用于其机器学习算法时，将会面临一些挑战。他们需要最低级别的转换数据点，才能创建有效的机器学习策略。他们 （编辑：威海站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
