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

Published by BigData RPG

I'm just Ordinary Data Scientist who love in A.I., Machine learning, Deep Learning, and Business.

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 )

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: