ฮาสาระ Digital Marketing Machine Learning

Uplift Model คืออะไร !! ทำไม Data Scientist ต้องรู้

จะรู้ได้อย่างไรว่า คนนี้ซื้อ คนนี้ไม่ซื้อ คนนี้ไม่สนใจ !

ต้อนรับ 9.9 ด้วยเรื่อง Uplift Model กัน 🎉
*** คำเตือนยาวมาก แชร์ไปก่อนค่อยอ่าน ***



จะรู้ได้อย่างไรว่าเราควรส่งโฆษณาให้ใครดีน้าา
เค้าถึงจะซื้อสินค้าเรา !!! 🤷‍♀️🤷🤷‍♂️


ฝั่งนักการตลาด 💁‍♀️

โดยปกตินักการตลาด หรือคนที่ทำการโฆษณาต่างๆก็จะทำ Campaign แล้วก็ส่งโฆษณานั้นให้กับทุกๆคนไปเลย ในกรณีนี้อาจจะเกิดขึ้นกับบริษัทที่พนักงานยังน้อย หรือไม่มีเวลาพอ หรือขาดทักษะในการที่จะมองหาว่าจริงๆแล้ว ผลิตภัณฑ์หรือสินค้าเรามันเหมาะกับแค่คนบางกลุ่มเท่านั้น บางกลุ่มไม่ต้องโฆษณาไปให้กับพวกเค้าก็ได้ เพราะในการโฆษณา มันมีเรื่องของค่าใช้จ่าย
.
ยิ่งเป็น Channel Offline แล้วใหญ่เลย เพราะเราเลือกกลุ่มลูกค้าไม่ได้ละเอียดมากนัก !!! เช่นถ้าเราอยากโฆษณาไปยัง คนที่อายุ 15-35 เฉพาะผู้ชาย ที่ทำงานในอุตสาหรกรรมการแพทย์ คำถามคือ เราจะเลือกให้โฆษณาเราส่งไปยังกลุ่มคนเหล่านี้อย่างเดียวเลยได้ไหม ก็ไม่ได้จริงไหม !! ค่อตยากอะบอกเลย
.
ซึ่งปัญหาเหล่านี้จะถูกเยียวยาได้โดยการโฆษณาผ่าน Channel Online ซึ่งจะพูดในลำดับถัดไปครับ


ฝั่งนักการตลาด 💁‍♀️


ในการยิง Campaign ไปยังลูกค้า นั้นสำหรับ บริษัทที่มีเวลา หรือทักษะในการทำ Segmentation ลูกค้าก็จะช่วยให้เราสามารถแบ่งกลุ่มลูกค้าได้อย่างง่ายๆ เช่น ลูกค้ากลุ่มนี้ ซื้อของกับเราทุกอาทิตย์เลยนะ ลูกค้าอีกกลุ่มซื้อไม่บ่อยแต่รายได้ต่อเดือนจากกลุ่มนี้ไม่ต่ำกว่า 1 หมื่นบาทเลยนะ !!
.
และเมื่อเราทำการ Segmentation เราก็สามารถเลือกส่งโฆษณาที่เหมาะสมไปยังลูกค้าของเราได้อย่างมีประสิทธิภาพมากขึ้น นั่นเองครับ
.
แต่คำถามที่ตามมาต่อคือ 🤔
เราเลือกโฆษณาให้เห็นแบบรายคนเลยได้ไหม !?
Personalized Campaign !😬🤭


ยุคของ AI 🚀

ยุคนี้อยู่กับเรามาตั้งนานแสนนานแล้ว
เพราะ Algorithm เริ่มต้นของ AI ก็มาจากการสร้างเงื่อนไขอย่างง่ายๆ ไปจนถึง เงื่อนไขที่มีความซับซ้อนมากขึ้นๆ ลองจินตนาการว่าเราต้องเขียนเงื่อนไขซัก 10 ล้านกรณี เราคงคางเหลืองกันไปก่อนจะสร้าง AI ที่ต้องการได้สำเร็จ
.
และเมื่อมันมากขึ้นจนถึงระดับที่เราไม่สามารถมาสร้างเงื่อนไขต่อได้ครบทุกอย่าง
.
ยุคของ Machine Learning และ Deep Learning ก็เริ่มเข้ามามีบทบาท และมามีส่วนช่วยในการสร้างเงื่อนไขหลายๆๆๆๆๆชั้น หลายๆกรณี ผ่านการเรียนรู้พฤติกรรมของข้อมูลในอดีต เพื่อทำนายผลที่น่าจะเกิดขึ้นในอนาคต และด้วย ML + DL นี่แหละครับที่มาช่วยในเรื่องของการโฆษณา หรือเลือกออก Campaign เพื่อสร้าง Personalized Campaign !! นั่นเอง


ฝั่งนักการตลาด 💁‍♀️


ณ ปัจจุบัน บริษัทที่มีนักวิทยาศาสตร์ข้อมูล หรือ Data Scientist ต่างก็ทำ Model โดยใช้ข้อมูลจากอดีตที่เก็บไว้มาเนิ่นนาน เพื่อทำนายว่า ลูกค้าของเราจะซื้อ Products หรือไม่ หรือใครที่มีแนวโน้มจะตอบสนองต่อ Campaign ของโฆษณา


Model อย่างง่ายๆ 🤖🐣


ก็จะเริ่มจากการทำนายผลว่า นายประหยัด จันอังคาร มีแนวโน้มจะซื้อสินค้า เรือดำน้ำ หรือไม่ !??
.
ซึ่ง Model เราอาจจะทำนายเพียงแค่ ซื้อ หรือไม่ซื้อแค่นั้น โดยบอกเป็น Propensity Score
หรือ ในโจทย์ Machine Learning คือโจทย์ปัญหา Classification Model
.
จากจุดนี้เองที่ทำให้นักการตลาดเวลาจะส่ง Campaign ไปยังลูกค้า ก็จะทำงานร่วมกันกับ Data Scientist
เพื่อให้ช่วยทำ Model บอกหน่อยว่า ลูกค้าคนไหนมีแนวโน้มจะซื้อสินค้าเรานะ !!!
หรือที่ทาง Data Scientist เรียกว่า ทำการส่ง Leads นะ !!


สถานการณ์ตัวอย่าง 💁‍♀️🍺
ณ บริษัทปุริเย่ จำกัด


ต้องการทำ Campaign เพื่อให้เกิด Conversion Rate เพิ่ม
จากเดิมที่ ปกติ Conversion Rate ของสินค้าเรือดำน้ำอยู่ที่ 2%
.
Data Scientist ก็ทำ Model ขึ้นมาและส่ง Leads ให้กับทาง Marketing Team ไปส่ง Campaign
ปรากฎว่า Conversion Rate เพิ่มขึ้นจากเดิม 2% เป็น 10% เท่ากับว่า มี Lift เพิ่มขึ้นถึง 5 เท่าด้วยกัน OMG !!!
(ใครมันซื้อไปวะ !!)
.
ถ้าสมมติว่า 2% เราทำรายได้จากการขายเรือดำน้ำไปถึง 200,000 ล้านบาท
และเมื่อเราทำ Campaign 9.9 โปรโมชั่นเรือดำน้ำ


“ของมันต้องมี เพื่อความน่าเกรงขราม เพียง 22,000 ล้านบาท”


ปรากฎว่า Model เราให้ผล Lift ถึง 5 เท่าเมื่อเทียบจากการไม่ทำ Model
โหดมวากๆเลยใช่ไหมล่ะครับ พออ่านมาถึงจุดนี้



แต่ !!!! 🙅‍♀️
Model มันก็ไม่ผิดค่ะ แต่คุณทำได้ดีกว่านี้อีก !!
(ทำเสียงปันๆ = _= )

GrabFood อิสรภาพทางการกิน
GrabFood อิสรภาพทางการกิน https://www.youtube.com/watch?v=1eb5A8NVy_A


.
อ้าวทำไมล่ะ !? ยังดีไม่พอหรอ !? หรือผิดตรงไหน
คำถามที่มีตอนนี้คือ !????

.
❓ เราทราบได้อย่างไรว่าคนที่ Convert มาจากการที่เค้าได้รับ Campaign จริงๆนะ !
ไม่ใช่เพราะเค้าอยากจะซื้ออยู่แล้ว

❓ Propensity model ที่เราทำมันไปกวาดมาทุกๆคนเลยที่มี Score การซื้อสูงๆๆ
แล้วเราก็ถึงส่งให้ Marketing ถูกไหม !?

❓ เราไม่ได้แยกลูกค้าที่เค้าอยากจะซื้ออยู่แล้วออกมานี่หน่า !?
ดังนั้นการที่เค้าซื้อ มันไม่ได้บอกว่าเค้าจำเป็นต้องได้รับ Campaign ก็ได้ ยังไงตูก็จะซื้ออยู่ดี

❓ เหตุการณ์ Lift 5 เท่า เหมือนคำพูดนึงที่พูดกันว่า Cherry Picking !!
.


เอ้า แล้วทำไงดีล่ะ ????
เอาล่ะ ยินดีต้อนรับสู่ต้อนรับทุกท่านสู่โลกของ
Casual Inference กับ Machine learning 🎉
.
ทำความรู้จักกับ Uplift Model กัน
(โอ้ยกว่าจะเข้าเรื่อง !!! )


.
โอเคร ง่ายๆเลยโจทย์คือเราต้องการจะทำ Model เพื่อบอกว่าใครน่าจะซื้อ เรือดำน้ำ เราในอนาคต !?
.
โดยปกติ Uplift Model จะช่วยเราตอบคำถามดังต่อไปนี้

✅ โฆษณษของเราส่งผลให้ลุกค้าซื้อหรือไม่ !?
✅ เราเสียเงินเปล่าในการชักชวนคนที่จะซื้อสินค้าเราอยู่แล้วหรือไม่ !
✅ โฆษณาเราส่งผลลบกับคนที่เห็นไหมเอ่ย บางคนเห็นโฆษณาเลยไม่ซื้อแม่งเลย ทั้งๆที่เค้าจะซื้ออยู่แล้ว !!!!!
.
โดยปกติ Classic Machine Learning Mdoel
เราใช้ Features (X) เพื่อทำนาย (Y)
แต่กับ Uplift Model
ช่วยเราดูผลกระทบของ Treatment ที่มีต่อ Y โดยที่ Y ใช้ X เพื่อทำนาย
.


มาทำความรู้จัก Uplift Model อย่างง่ายกัน 🤖
(Siegel 2011)


โดย Basic เลยเราจะทำการแบ่งลูกค้าเดิมของเราเป็น 4 กลุ่มด้วยกัน


🟠 กลุ่ม Sure Thing
กลุ่มนี้ไม่ต้องเสนอ Promotion เค้าก็ตั้งใจจะซื้ออยู่แล้ว !!!
เช่นลุกค้าบางรายเห็น เรือดำน้ำแล้วอยากซื้อ อยากได้จนตัวสั่น
ไม่รู้อยากได้ไปทำไม แต่เพื่อความน่าเกรงขาม และของมันต้องมี !!


🟢 กลุ่ม Persuables
กลุ่มนี้จะซื้อก็ต่อเมื่อได้รับ Campaign
ถ้าไม่ลดราคา ตูไม่ซื้อ ไม่มีอะไรมาชักชวน ตูไม่สน
ไม่โทรมา ตูก็ไม่โทรหา !!


🟠 กลุ่ม Lost Cost
กลุ่มนี้ไม่สนใจสินค้าเราตั้งแต่ต้นอยู่แล้ว !
ดังนั้นส่ง Campaign ไปก็เสียเปล่าๆ แบบว่าเห็นแล้วก็ อื้ม!!
แล้วก็ปล่อยโฆษณาผ่านไปเหมือนไม่มีอะไรเกิดขึ้น


🔴 กลุ่ม Sleeping Dog
กลุ่มนี้จะให้ผลลบทันทีเมื่อได้รับ Campaign ส่งมาหาตูหรอ เดี๋ยวเจอดีๆ
นอกจากกลุ่มนี้ไม่ซื้อแล้วยังจะให้ผลลบกับเราอีก
(เมิงอย่ามายุ่งกับกรู๋ !!!!)


ดังนั้นในการทำ Propensity Model
เราเพียงแค่ยิง Campaign ไปยังกลุ่ม Persuables ง่ายๆแค่นี้เอง !!
กลุ่มอื่นยิงไปก็ไม่มีประโยชน์เลย
และควรเลี่ยงผลที่ไม่ดีจากการยิงไปหากลุ่มคนจำพวก 🔴 Sleeping Dog
.


อ้าาาาาาาา
จาก Propensity Model ไปสู่ Uplift Model เย้

.


.
ข้อควรระวังจาก Uplift Model !! 🗡
❗ ข้อมูลที่เราใช้แบ่งกลุ่มลูกค้า มันไม่ได้บอกได้ชัดเจนนัก
ต้องอาศัยระยะเวลาในการเก็บข้อมูลเพื่อให้เกิดความแน่นอน
ว่าลูกค้าเราอยู่กลุ่มไหน


อ่าน Research เพิ่มเติมด้าน Uplift ได้ที่

✅ Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning
https://arxiv.org/abs/1706.03461

✅ How incremental response modeling can help you reach the right target group more precisely
https://blogs.sas.com/content/subconsciousmusings/2013/07/12/how-incremental-response-modeling-can-help-you-reach-the-right-target-group-more-precisely/

✅ Targeting Uplift
https://www.springer.com/gp/book/9783030226244

✅ True response modeling
http://www.bigdatanalysis.com/response-modeling/


แน่นอนถ้าเพื่อนๆอ่านมาถึงจุดนี้
แอดเชื่อว่าเพื่อนๆ อยู่ในกลุ่ม ☺️❤️
🟠 กลุ่ม Sure Thing + 🟢 กลุ่ม Persuables


แอดเองก็ต้องปล่อย Promotion บ้าง อิอิ
กับ Workshop Road to Data Scientist and Data Analyst 🚀
สมัครได้แล้วตอนนี้ ที่
http://bit.ly/roadtodsda
🔥 เรามีส่วนลดให้ Early Bird เปิดตัวสูงถึง 40%
🔥 Early Bird ถึงวันที่ 15 กันยายน


ติดตาม Tip & Tricks ง่ายๆไปด้วยกันได้ที่ BigData RPG
ส่งต่อบทความดีดี และมีประโยชน์ให้เพื่อนได้ง่ายๆ
เพียงคนละ 1 Like | 1 Share | 1 Commentsขอบคุงมากเลยคร้าบ
❤️🙋‍♂️🙋‍♀️🍺🍣


Reference:
🔰 https://towardsdatascience.com/a-quick-uplift-modeling-introduction-6e14de32bfe0
🔰 https://www.predictiveanalyticsworld.com/machinelearningtimes/uplift-modeling-making-predictive-models-actionable/8578/
🔰 https://towardsdatascience.com/uplift-modeling-e38f96b1ef60
🔰 https://pbiecek.github.io/xai_stories/story-uplift-marketing1.html
🔰 https://www.steveklosterman.com/uplift-modeling/

#BigDataRPG #MachineLearning #Marketing

ใส่ความเห็น

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  เปลี่ยนแปลง )

Google photo

You are commenting using your Google account. Log Out /  เปลี่ยนแปลง )

Twitter picture

You are commenting using your Twitter account. Log Out /  เปลี่ยนแปลง )

Facebook photo

You are commenting using your Facebook account. Log Out /  เปลี่ยนแปลง )

Connecting to %s

%d bloggers like this: