Документ обсуждает использование машинного обучения в маркетинге, подчеркивая его важность для извлечения закономерностей из больших объемов данных и повышения дохода через персонализацию. Приводятся примеры успешных применений, включая рекомендательные системы и A/B-тестирование, используемое для улучшения бизнес-решений. Также выделяются сложности в обучении нейросетей и необходимость интеграции моделей в бизнес-процессы.

1. Машинное обучение:
постановки задач и
перспективы в маркетинге
Евгений Соколов
НИУ ВШЭ, Яндекс

2. Машинное обучение
• Извлечение закономерностей и
построение выводов по данным,
не по экспертным оценкам
• Бурное развитие в последние 10
лет:
• Накопление больших объёмов
данных
• Дешёвые вычислительные мощности

3. Рекомендательные системы
• Пример: крупный банк, больше миллиона клиентов
• Более 10 продуктов
• Каналы: sms, e-mail, звонок, уведомление в онлайн-банке, …
• Увеличение LTV: up-sell/cross-sell
• Классический подход: сегментация клиентов
• Добавление персонализации: +13% дохода

4. Предсказание оттока
• Клиент ушёл, если не пользовался услугами больше N дней
• Модель может предсказать, кто уйдёт через 1-2 недели
• Для топ-5% запускается кампания по удержанию
• Классические подход: агрегированные данные и простые модели
• Анализ больших массивов данных и сложные нелинейные
модели дают прирост от 10% до 20% по lift-10%

5. Яндекс.Дзен
• 6 миллионов DAU
• Персональная лента новостей и медиаконтента
• Данные по пользователям: просмотры, клики, лайки, дизлайки
• Автоматическое выделение тематик и интересов
• Несколько сотен факторов, характеризующих интересы
пользователей
https://zen.yandex.ru/media

6. A/B-тестирование
• Любое изменение в системе проверяется на доле пользователей
• Сравнение с текущей версией
• Сотни экспериментов в день в data-driven компаниях
• Больше примеров: Netflix, избирательные кампании
• Следующий этап — предсказание долгосрочных эффектов от
нововведений по краткосрочным измерениям

7. Ограничения
• Feature engineering — пока что работа для человека
• Обучение сложных нейросетей — много трюков и тонкостей
• More data beats better algorithms
• В задаче должны быть закономерности
• Хорошей модели недостаточно — нужно грамотно встроить её в
бизнес-процессы

8. Выводы
• Машинное обучение позволяет достичь персонализации путём
учёта огромного количества факторов
• A/B-тесты — путь к принятию решений на основе данных
• Требует больших усилий со стороны data scientist’ов
• esokolov@hse.ru