Зачем маркетологу предиктивная аналитика?

Таких статей на русском языке уже великое множество, но я хотел бы внести в этот вопрос больше ясности, т.к. разобраться для меня было сложно. Так же я рассмотрю то, что вы так больше всего ненавидите - это пример программы на Питоне.

Маркетологу, как обычно, никакая аналитика не нужна. Он креативы будет делать и все решения будет принимать на глаз.

Итак, предиктивная аналитика происходит от английского слова "predict", что означает "предсказывать" или "прогнозировать". А предсказывает она вероятность наступления какого либо события, в отличии от невероятностных методов, которые дают только конкретное значение предсказания, например среднее значение.

Как это можно применять в маркетинге? Да как угодно:

Используя исторические данные о продажах и маркетинговых затратах (например, реклама, промоакции), можно построить модель, которая предсказывает будущие продажи. Это помогает оптимизировать бюджет на маркетинг.

Определение, как изменение цены продукта влияет на спрос. Это позволяет устанавливать оптимальные цены для максимизации прибыли.

Анализ факторов, влияющих на лояльность клиентов или их жизненную ценность (Customer Lifetime Value). Это помогает нацеливать маркетинговые кампании на наиболее ценные сегменты.

Предсказание вероятности того, что клиент перестанет пользоваться услугами компании, на основе различных факторов.

Этот список далеко не исчерпывающий и продолжать его можно почти бесконечно, придумывая все новые и новые способы. Предиктивная аналитика — мощный инструмент для анализа и предсказания в маркетинге, главное скачать и обучить любую модель (машинного обучения), хоть линейную регрессию.

Разберем простейший пример предиктивной модели на Питоне:

import numpy as np # понадобится для генерации нормального распредления from sklearn.linear_model import LinearRegression # простейшая модель машинного обучения

Сгенерируем данные:

np.random.seed(42) # зададим сид для воспроизводимости X = np.linspace(0, 10, 100).reshape(-1, 1) # линейная прогрессия Y = 3 * X.flatten() + 7 + np.random.normal(0, 1, len(X)) # добавим случайный шум, чтобы было что предсказывать

Т.к. маркетологи любят картинки, я визуализирю:

import matplotlib.pyplot as plt # для генерации графиков # Визуализация данных plt.figure(figsize=(8, 5)) plt.scatter(X, Y, color='blue', alpha=0.6, label='Наблюдения') plt.xlabel('X') plt.ylabel('Y') plt.title('Сгенерированные данные: Y = 3 * X + 7 + Шум') plt.grid(True) plt.legend() plt.show()

Зачем маркетологу предиктивная аналитика?

Обучим модель:

model = LinearRegression() # Определяем model.fit(X, Y) # Обучаем

Выполним предсказания методом .predict():

Y_pred = model.predict(X)

Визуализируем:

plt.figure(figsize=(8, 5)) plt.scatter(X, Y, color='blue', alpha=0.6, label='Исходные данные') plt.plot(X, Y_pred, color='red', linewidth=2, label='Линейная регрессия') plt.xlabel('X') plt.ylabel('Y') plt.title('Исходные данные vs. Предсказания') plt.legend() plt.grid(True) plt.show()

Осталось посчитать вероятность наступления какого-то события, например, что при x=5 значение Y будет равно 22:

residuals = Y - Y_pred # Целевая переменная - предсказания модели = остатки # Оценка стандартного отклонения (sigma) sigma = np.sqrt(np.sum(residuals**2) / (len(Y) - 2)) # Функция для вычисления вероятности def predict_probability(x_new, y_value): y_pred_new = model.predict([[x_new]])[0] exponent = -0.5 * ((y_value - y_pred_new) / sigma) ** 2 probability = (1 / (np.sqrt(2 * np.pi) * sigma)) * np.exp(exponent) return probability # Пример: вероятность того, что при x=5 значение Y будет равно 22 x_new = 5 y_value = 22 probability = predict_probability(x_new, y_value) print(f'Вероятность того, что Y={y_value}, если X={x_new}: {probability:.4f}')

Результат: вероятность того, что Y=22, если X=5: 0.4347

В принципе, эту модель уже можно назвать предиктивной, т.к. она уже рассчитывает вероятности, но чтобы она стала совсем уж предиктивной, рассчитаем доверительные интервалы (верхний и нижнией). Более подробно про доверительные интервалы:

from scipy import stats # чтобы получить критическое значение t из распределения Стьюдента (t-распределение) confidence_level=0.95 def calculate_confidence_interval(X, Y_pred): n = len(X) X_mean = np.mean(X) Sxx = np.sum((X - X_mean) ** 2) alpha = 1 - confidence_level degrees_of_freedom = n - 2 t_value = stats.t.ppf(1 - alpha/2, degrees_of_freedom) # Стандартная ошибка предсказания standard_error = sigma * np.sqrt(1 + ((X - X_mean) ** 2) / Sxx) # Расчет границ доверительного интервала margin_of_error = t_value * standard_error lower_bound = Y_pred - margin_of_error upper_bound = Y_pred + margin_of_error return lower_bound, upper_bound # Применяем функцию для расчета доверительных интервалов lower_bound, upper_bound = calculate_confidence_interval(X.flatten(), Y_pred)

Визуализируем:

plt.figure(figsize=(8, 5)) plt.scatter(X, Y, color='blue', alpha=0.6, label='Исходные данные') plt.plot(X, Y_pred, color='red', linewidth=2, label='Линия регрессии') plt.fill_between(X.flatten(), lower_bound, upper_bound, color='gray', alpha=0.5, label='Доверительный интервал (95%)') plt.xlabel('X') plt.ylabel('Y') plt.title('Исходные данные vs. Предсказания') plt.legend() plt.grid(True) plt.show()

Визуально, модель неплохо описывает синтетические данные

Итак, в этой статье мы рассмотрели простейшую модель машинного обучения линейную регрессию. Сделали наш первый прогноз, рассчитали вероятность и построили доверительные интервалы. Как видим, любая модель становится предиктивной (вероятностной), как только в ней появляется прогнозирование наступления вероятности какого-то события.

Конечно, в реальной жизни такой подход мало на что годится. Но важно понимать, что это лишь первый шаг. Для решения более сложных задач можно просто заменить модель на более сложную, такую как деревья решений, случайный лес, градиентный бустинг и другие.

Тем не менее, понимание основ машинного обучения (с картинками) помогает в понимании предиктивной аналитики и баесовского подхода. Например, вы можете анализировать недоступные человеку закономерности в работе алгоритмов рекламных кампаний, мониторить аномалии в трафике, или обнаруживать точки перехода разных состояний рекламных систем.

Зачем маркетологу предиктивная аналитика?

1. Прогнозирование продаж

2. Анализ ценовой эластичности

3. Сегментация клиентов

4. Прогнозирование оттока клиентов