Цепь Маркова
Время прочтения: 5 мин
Дата: 24.01.2024
Содержание
Цепь Маркова — это простой способ моделирования случайных событий, где каждое следующее событие зависит от предыдущего. Он широко используется в различных областях от генерации текста до финансового моделирования. Ещё это отличный инструмент для изучения вероятностного моделирования и Data Science. Рассказываем, чем этот инструмент помогает маркетологу и как он используется на практике.
Как цепь Маркова применяют в маркетинге
Цепь Маркова (ЦМ) описывает последовательность событий, где вероятность каждого следующего события зависит только от текущего состояния системы. В маркетинге её используют для прогнозирования поведения потребителей или эффективности маркетинговых стратегий.
Давайте рассмотрим пример. Представьте, что у вас есть интернет-магазин и вы хотите предугадывать поведение покупателей на основе их предыдущих действий. ЦМ может использовать для анализа следующие состояния: «просмотр товара», «добавление в корзину» и «покупка». Чтобы спрогнозировать, насколько вероятен переход от одного состояния к другому, можно проанализировать исторические данные о действиях покупателей — насколько часто происходил подобный переход на той же стадии. Цепь Маркова рассчитает вероятность, например, совершения покупки пользователем, который только что просмотрел товар, но ещё не добавил его в корзину. Или возвращения покупателя, который сложил покупки в корзину, но не оплатил, а затем вышел с сайта.
При создании моделей маркетинговой атрибуции ЦМ помогают понять, какой канал привлечения привлёк посетителя и привёл его к покупке. Например, если пользователь до транзакции видел ТВ-рекламу, баннер в поисковике и таргетированное объявление в соцсетях, атрибуция покажет, какой из этих источников трафика важнее для продаж. Вместо того, чтобы просто отдать заслуги последнему использованному каналу, модель атрибуции учитывает все предшествующие взаимодействия пользователя с различными каналами маркетинга.
Модель атрибуции на базе цепей Маркова используют для определения важности различных элементов в рекомендациях для пользователей. Например, при создании системы рекомендаций для онлайн-магазина модель определит, какие атрибуты больше влияют на решение о покупке — бренд, стоимость, опции доставки, отзывы.
Особенно эффективны ЦМ в сочетании с алгоритмической атрибуцией. При этом применяется сложная математическая модель, учитывающая различные факторы — время взаимодействия пользователя с каждым каналом, дальнейшие действия, стоимость клика. Для такого анализа требуется внушительный объём данных о пользователе и его поведении, а также о рекламных кампаниях, но использование машинного обучения и математических моделей значительно повышают точность прогноза.
Как использовать ЦМ в маркетинговой атрибуции
Построение модели атрибуции на основе цепей Маркова делится на несколько этапов:
Собираем данные о маркетинговых каналах и порядке взаимодействия пользователя с ними: о кликах, просмотрах страниц, действиях на сайте и других параметрах.
Выявляем основные показатели: число уникальных пользователей, количество трансляций рекламы, количество переходов и конверсий.
Создаём матрицу возможных переходов: она покажет все варианты перемещения пользователя между разными ресурсами.
Создаём выборку данных, на которой будет обучаться машинный алгоритм. Здесь нужно учесть последовательность взаимодействий пользователя с рекламными источниками.
Используем алгоритм цепей Маркова для оценки вклада каждого источника трафика в достижение цели.
Прогнозируем эффективность различных комбинаций маркетинговых каналов.
Сами по себе цепи Маркова несложно использовать в аналитике, но если вашему бизнесу нужна более эффективная алгоритмическая атрибуция, понадобятся полноценный Data-департамент и организованный бюджет. Для объективной оценки каналов продвижения и прогнозирования маркетинговых кампаний нужен доступ к большому массиву данных, по которым можно сделать выводы о потребительском поведении. Легально получить к ним доступ может быть непросто.
Если вашей компании нужна качественная оценка каналов продвижения, стоит присмотреться к готовым решениям, в которых уже встроены автоматические модели атрибуции. Например, Platforma — маркетплейс инструментов Big Data — предлагает сервис сегментирования аудитории и настройки рекламных кампаний на ТВ, в сети интернет, in-app – продвижения. Platforma получает агрегированные анонимизированные данные о поведении миллионов потребителей от своих партнеров — телекоммуникационных компаний и сервисов. Машинный алгоритм анализирует обезличенные данные клиентов, формирует сегменты аудитории по интересам, а потом находит закономерности между рекламой и конверсией. Это помогает показывать рекламу только зрителям, которые в ней могут быть заинтересованы, в подходящий момент и в оптимальном формате.