Интеллектуальные агенты: взгляд на оптимизацию конверсии с точки зрения ai

Posted on by riasevastopol

Любой эксперт, подвизавшийся в области цифровой аналитики либо интернет-маркетинга, знает о важности принятия обоснованных ответов. Станьте участником любой отраслевой конференции либо встречи, посмотрите в тематический блог, массовую прессу — и вы везде услышите и заметите такие предметы дискуссии, как машинное обучение (Machine Learning), ИИ (Artificial Intelligence, AI) и предиктивный анализ (Predictive Analytics).

Потому, что не все из нас имеют техническую либо аналитическую профессию, подобные темы смогут показаться мало сложными и пугающими.

Не переживайте. В данной статье мы поведаем о несложном, но весьма сильном понятии — интеллектуальный агент (the Intelligent Agent). Он окажет помощь связать указанные темы со концептами и знакомыми инструментами, такими как сплит-оптимизация и тестирование.

Человек + ИИ = Будущее интернет-маркетинга

Что означает «интеллектуальный агент»?

Может показаться, что это какой-то свободный актер либо некая важная за принятие ответов персона, перед которой стоит определенная задача. Изначально отечественный агент, быть может, будет не так хорош, как вы ожидали. Но со временем он будет пробовать развить собственную производительность в зависимости от собственного особенного назначения либо цели (их возможно пара).Интеллектуальные агенты: взгляд на оптимизацию конверсии с точки зрения ai

Пример: робот-пылесос Roomba

Главная задача данной автомобили — чистить ваши полы, делая это за как возможно меньшее время.

Оптимизацию вашего сайта, мобильного приложения, колл-центра или любого другого маркетингового инструмента, связанного с сотрудничеством, возможно принимать так же, как робота, пробующего очистить полы за мельчайший временной отрезок.

Создавая связь между веб-интеллектуальными агентами и оптимизацией (особенно программными агентами, либо Software Agents), мы можем приобщиться к идеям и методам из мира машинного обучения и искусственного интеллекта, а после этого применить их к проблемам маркетинговой оптимизации.

Базы понятия «интеллектуальный агент»

Разглядим главные компоненты данного его среды и концепта, по окончании чего перейдем к более объемным элементам.

Агент, достигая цели, приобретает статус/приз (State/Reward). Финалы тех либо иных вероятных действий (Possible Actions) прогнозируются посредством моделей (Models). Среда (Environment) является полемдеятельности для агента: она подвергается наблюдениям (Observations), над ней производятся действия (Actions)

Во-первых, у нас имеется агент (Agent, слева на рисунке) и его среда (Environment, справа). Под средой понимается пространство, в котором агент «живет» и занимается своим делом в попытке достигнуть поставленных целей.

Помещение будет средой для Roomba. Ваше веб-приложение живет в среде, складывающейся из пользователей. Данное пространство куда сложнее и динамичнее помещения, но фундаментальный принцип остается тем же.

Что такое «награды» и «цели»?

Цели (Goals)— это то, что агент желает достигнуть, к достижению чего он прилагает упрочнения. Достигая цели, агент приобретает приз (Reward) в зависимости от того, какова сокровище данной цели. Это та же мысль, что лежит в базе хорошего подкрепления в обучающем ходе.

В случае если, например, цель агента лежит в повышении онлайн-продаж, призом может стать количество продаж либо процент конверсионных сессий, приведших к приобретению.

Исходя из того, что агент имеет последовательность целей и разрешенных действий (Actions), его задачей будет изучить, какие конкретно действия принимать в каждой ситуации, в которой он окажется — другими словами в тех условиях, в то время, когда он что-то «видит», «слышит», «ощущает» и т.д.

Предположим, что агент пробует максимизировать неспециализированную сокровище собственных целей с течением времени, тогда для каждого конкретного наблюдения (Observation) ему необходимо выбирать действия, приводящие к максимизации данной ценности. Чтобы выяснить, как наилучшим образом выполнить задачу, агент предпринимает 2 базисных шага.

1. Сперва действует:

  • Следит за средой для определения существующей обстановке (имеете возможность вычислять это сбором данных, другими словами тем, чем мы в большинстве случаев занимаемся при веб-аналитике);
  • Дает прогноз, какое из всех вероятных действий окажется лучшим;
  • Совершает воздействие.

2. После этого обучается на эффекте, произведенном от этого действия:

  • Опять следит за средой, дабы заметить влияние произведенного действия;
  • Оценивает, как хорошим либо нехорошим выяснилось данное влияние и привело ли оно к цели;
  • В случае если нет, определяет, приблизило оно к цели либо, напротив, отдалило если сравнивать с той обстановкой, что была до совершения действия;
  • Обновляет модель прогнозирования в соответствии с тому, как воздействие продвинуло агента ближе к цели или отдалило его от нее.

Повторяя этот процесс, агент обучается принимать самые оптимальные действия в каждой ситуации.

Машинное обучение как программный агент, талантливый обучаться

Если вы желаете осознать принцип машинного обучения, поразмыслите об интеллектуальных агентах. Процесс, проходимый агентом на пути от незнания ничего сначала до способности прекрасно делать собственную задачу, соответствует процессу машинного обучения.

В случае если выражаться более формально, то возможно привести цитату из книги первопроходца в данной области Тома Митчелла (Tom на следующий день, Machine Learning, 1997): «Считается, что компьютерная программа может обучаться на базе опыта в отношении критериев качества и определённого класса задач, в случае если ее производительность при исполнении этих задач, измеренная данными параметрами качества, улучшается с ростом опыта».

В данном понимании машинное обучении — это не «легко математика», но практически процесс обучения с опорой на среду и опыт для улучшения, оптимизации и адаптации действий.

Методы машинного обучения в интернет-маркетинге

Две задачи интеллектуального агента

Интеллектуальный агент имеет две взаимосвязанные задачи — обучаться и осуществлять контроль.

По сути, все инструменты онлайн-отслеживания и тестирования поведения содержат эти два первостепенных компонента:

  • компонент ученика/прогнозиста;
  • компонент контролера.

Работа контролера содержится в совершении действий, за ним находится финальное ответ о том, какое воздействие предпринимать в каждой отдельной ситуации.

Задача ученика — создание прогнозов реакций среды на действия контролера.

Ученик есть собственного рода советником контролера: он дает ему советы довольно каждого вероятного действия.

Существует наряду с этим маленькая неприятность: основная цель агента — взять как возможно больше призов. Но чтобы это сделать, ему нужно выявить, какое воздействие имеет суть в каждой средовой ситуации.

Задача «Изучение vs. Эксплуатация»

Для каждого задания нам необходимо испробовать все вероятные действия и так выяснить, что трудится лучше. Само собой разумеется, для получения самого топового успеха действия с мельчайшим хорошим эффектом должны приниматься как возможно реже.

Это рождает внутреннее несоответствие между жаждой выбирать действия с предсказуемо необходимостью и высокой ценностью пробовать кажущиеся оптимальными, но не хватает изученные действия. Данное несоответствие, присущее кроме этого и работе маркетолога в незнакомой среде, довольно часто имеет отношение к альтернативе «Изучение vs. Эксплуатация» (Explore vs. Exploit).

Иначе говоря данное несоответствие сводится к цене отдельной возможности по отношению к сокровищу обучения (Opportunity Costs to Learn, OCL).

Давая контекст для таковой альтернативы, приведем пример со привычным всем А/Б-подходом к оптимизации.

Сперва обучение. На этапе сбора данных и создания образцов происходит изучение/обучение (Explore/Learn). Потом направляться использование изученного: эксплуатация/прибыль (Explore/Earn)

Приложение проводит А/Б-тест, в первую очередь показывая различным пользователям разные варианты. Данный начальный период, на протяжении которого оно собирает данные о каждом варианте, может принимать во внимание периодом изучения (Exploration Period). После этого, после достижения некоей предопределенной статистической черты, один вариант провозглашается «победителем» и делается встроенной частью пользовательского опыта.

Это уже период эксплуатации, поскольку приложение эксплуатирует полученные знания, дабы добиться оптимального UX.

Как А/Б- или мультивариантный тестирующий агент делает эти задания?

Аналитик оценивает результаты отчета по сплит-тестированию и сам выбирает действия, приводящие к конверсии

При с А/Б-тестированием оба обучения — и компонента, и контроля — одинаково несложны. Метод селекции действий контролером содержится в выборе случайных опций (в большинстве случаев из равномерного распределения, другими словами все действия имеют равные шансы попасть в выборку). Компонент обучения — это отчет по итогам А/Б-тестирования (p-значения либо апостериорные возможности для байесовского критерия).

Чтобы получить пользу от обучения, нужен человек, аналитик, выступающий посредником: опираясь на результаты тестов, он вносит корректировки в политику отбора действий, используемую контролером. В большинстве случаев это указывает, что аналитик сам назначает один из протестированных вариантов «победителем» и удаляет все остальные.

Следующим шагом развития будет автоматизация этого процесса с целью устранения необходимости в прямом участии человека (конечно, все еще будет требоваться изучение прогресса аналитиком). Таковой способ именуется адаптивным динамическим программированием либо обучением с подкреплением, для него своеобразным типом неприятности будет метод многорукого преступника (Multi-Armed Bandit).

Таргетинговые агенты

Вы имеете возможность именовать это таргетингом, сегментацией либо персонализацией, но в любом случае сущность будет в том, что различные люди приобретают различный опыт. В случае если таргетинг применяет совокупность интеллектуального агента, то его точность будет зависеть лишь от того, как шепетильно мы выяснили среду, в которой живет агент.

Снова обратимся к А/Б-тестирующему агенту, добавив к нему пользовательские сегменты.

При с таргетинговыми агентами среда будет усложняться сегментацией пользователей

Сегментированный агент будет различаться, потому, что его среда пара более сложная. Вопреки прошлому примеру, где агент А/Б-тестирования легко должен был знать о конверсиях (призах) по окончании принятия ответа, сейчас ему кроме этого нужно «видеть» и отслеживать пользовательские сегменты.

Таргетинг либо тестирование? Неверно поставленный вопрос!

Обратите внимание, что при добавлении таргетинга на базе сегментации нам все еще нужен способ определения того, какое воздействие требуется совершить. Исходя из этого таргетинг не есть альтернативой тестированию, либо напротив. Таргетинг применение более сложной среды для вашей оптимизационной неприятности.

Вам все еще приходится оценивать и выбирать верное воздействие. Таргетинг и тестирование не нужно принимать как противоборствующие подходы — они являются различные части одной более неспециализированной неприятности.

Вы имеете возможность сообщить: «Да это же легко А/Б-тестирование с сегментами, а не предиктивный таргетинг. Настоящий таргетинг применяет высшую математику, это совсем иное».

Это не совсем так.

Посмотрим на еще одного таргетингового агента, но сейчас вместо нескольких пользовательских сегментов имеется несколько пользовательских черт.

Таргетинг основан на сегментации в соответствии с множеству пользовательских черт (User Features), таких как геолокация, логин, главные слова, время, сутки, месяц, длительность сессии. Дабы установить сокровище вероятных действий при таком количестве микросегментов нужно применение математических моделей (Models)

Сейчас среда складывается из множества отдельных единиц информации, могущих образовать миллионы либо кроме того миллиарды неповторимых комбинаций.

В таких условиях проведение стандартного сплит-тестирования окажется затруднительным. Это через чур большое количество вероятных микросегментов для подсчета в огромной таблице, складывающейся из миллиардов ячеек. Кроме того если вы этого захотите, у вас не хватит данных для изучения, потому, что количество микросегментов будет в разы быть больше число существующих юзеров, потому большая часть сегментов будут иметь нулевую пользовательскую историю.

В действительности это не такая уж громадная неприятность, по причине того, что вместо того, дабы настраивать отечественный таргетинг как одну громадную таблицу поиска, возможно применять математические функции (модели) для аппроксимирования отношения между исследуемыми таргетинговыми чертями и спрогнозированной сокровищем каждого действия. Тут мы уже вступаем в зону предиктивного анализа.

Оптимизация конверсии: «Бандитский способ» либо сплит-тестирование?

Предиктивный анализ: отбор изученных пользовательских черт для совершения действия

Предиктивные модели оказывают помощь взять обобщенный результат, на базе которого делается вывод о нужных действиях

Применение предиктивных моделей разрешает обобщать либо распределять знания между взятыми наблюдениями, не в полной мере однообразными, но имеющими схожие черты. Такое распределение информации дает нам возможность делать более правильные прогнозы довольно новой клиентской аудитории, кроме того той, с которой мы ранее не сталкивались. Также, предиктивный анализ может еще больше упростить процесс, заблаговременно определяя, какие конкретно пользовательские характеристики по большому счету стоит разглядывать при принятии ответов.

Исходя из этого тестирование равнозначно процессу обучения тому, как прекрасно эти маркетинговые упрочнения/опыт будут показывать себя в будущем. Предиктивный анализ выдает предиктивную модель, применяемую потом для таргетинга пользователей, приобретших опыт с громаднейшей предсказанной сокровищем, созданный специально для них. Длящееся использование этих шагов является формойоптимизации и машинного обучения.

Предиктивный анализ, либо Как оптимизировать ваш маркетинговый бюджет?

Заключение

Попытка уследить за всем, происходящим в индустрии, и разобраться, как эти новые (и не совсем) аналитические способы сочетаются между собой, представляется достаточно непростым занятием. К счастью, мы можем заимствовать из сферы AI понятие «интеллектуальный агент», которое оказывает помощь структуризации и пониманию того, как все эти способы соотносятся между собой.

Особое свойство восприятия темы с позиций введенного концепта содержится в том, что оно ликвидирует понятие «эти». Взор на вещи с возможностью «сперва эти» не предполагает естественного метода осмыслить решение проблем, и не дает руководств, как направляться собирать либо оценивать эти. Представленный же метод анализа дает формализованную совокупность решения проблемы, заставляющую прежде всего обозначать цели и вероятные действия для их успехи.

Лишь по окончании того, как это будет сделано, мы можем приступить к действенному сбору информации, содействующей обнаружению оптимального пути вперед.

Высоких вам конверсий!

По данным: conversionxl.com, image source Justien’s Photography

Случайные статьи:

Вы уже агент Службы внешней разведки. Секреты вербовки.


Подборка похожих статей:

riasevastopol

More Posts