IA causale, esplorando l'integrazione del ragionamento causale nell'apprendimento automatico
Benvenuti nella mia serie sull'intelligenza artificiale causale, in cui esploreremo l'integrazione del ragionamento causale nei modelli di apprendimento automatico. Aspettatevi di esplorare una serie di applicazioni pratiche in diversi contesti aziendali.
Nell'ultimo articolo abbiamo trattato convalidare l’impatto causale del metodo di controllo sintetico. In questo articolo andremo avanti migliorare la modellazione del marketing mix con l'intelligenza artificiale causale.
Se ti sei perso l'ultimo articolo sui controlli sintetici, dai un'occhiata qui:
Le sfide continue con il tracciamento digitale hanno portato a una recente rinascita del marketing mix modeling (MMM). Alla recente conferenza sull’intelligenza artificiale causale, Judea Pearl ha suggerito che il marketing potrebbe essere il primo settore ad adottare l’intelligenza artificiale causale. Quindi ho deciso che era ora di iniziare a scrivere dei miei apprendimenti degli ultimi 7 anni in termini di come si intersecano MMM, intelligenza artificiale causale e sperimentazione.
Verranno esplorate le seguenti aree:
- Cos'è MMM?
- In che modo l’intelligenza artificiale causale può migliorare l’MMM?
- Quali esperimenti possiamo eseguire per completare la triangolazione?
- Sfide eccezionali nella misurazione del marketing.
Il quaderno completo lo trovate qui:
MMM è un quadro statistico utilizzato per stimare il contributo di ciascun canale di marketing alle vendite. È fortemente influenzato dall'econometria e nella sua forma più semplice è un modello di regressione. Copriamo le nozioni di base dei componenti chiave!
Regressione
Viene costruito un modello di regressione in cui la variabile/obiettivo dipendente (solitamente le vendite) viene prevista sulla base di diverse variabili/caratteristiche indipendenti: queste di solito includono la spesa su diversi canali di marketing e fattori esterni che possono influenzare la domanda.
I coefficienti delle variabili di spesa indicano quanto contribuiscono alle vendite.
Il pacchetto di marketing PyMC in Python è un ottimo punto di partenza per esplorare MMM:
Stock pubblicitario
Lo stock pubblicitario si riferisce all'effetto duraturo della spesa di marketing (o della spesa pubblicitaria) sul comportamento dei consumatori. Aiuta a modellare gli effetti a lungo termine del marketing. Non è un comportamento comune affrettarsi ad acquistare un prodotto la prima volta che senti parlare di un marchio: l'idea dello stock pubblicitario è che l'effetto del marketing è cumulativo.
Il metodo più comune per gli annunci pubblicitari è il decadimento geometrico, che presuppone che l'impatto della pubblicità decada a un ritmo costante nel tempo. Sebbene sia relativamente facile da implementare, non è molto flessibile. Vale la pena dare un'occhiata al metodo Weibull che è molto più flessibile: il pacchetto di marketing PyMC lo ha implementato, quindi assicurati di provarlo:
Saturazione
La saturazione nel contesto del marketing si riferisce all’idea di rendimenti decrescenti. L’aumento della spesa di marketing può aumentare l’acquisizione di clienti, ma col passare del tempo diventa più difficile influenzare un nuovo pubblico.
Esistono diversi metodi di saturazione che potremmo utilizzare. La funzione Michaelis-Menton è comune: puoi anche verificarla nel pacchetto di marketing PyMC:
I framework MMM di solito utilizzano un modello di regressione piatta. Tuttavia, esistono alcune complessità nel modo in cui i canali di marketing interagiscono tra loro. Esiste uno strumento del nostro toolbox Causal AI che può aiutare in questo?
Grafici causali
I grafici causali sono ottimi per distinguere le cause dalle correlazioni, il che li rende un ottimo strumento per affrontare le complessità del modo in cui i canali di marketing interagiscono tra loro.
Se non hai familiarità con i grafici causali, usa il mio articolo precedente per aggiornarti:
Comprendere il grafico di marketing
Stimare il grafico causale in situazioni in cui si dispone di scarsa conoscenza del dominio è impegnativo. Ma possiamo usare la scoperta causale per iniziare – Consulta il mio precedente articolo sulla scoperta causale per saperne di più:
La scoperta causale ha i suoi limiti e dovrebbe essere utilizzata solo per creare un'ipotesi di partenza per il grafico. Fortunatamente, esiste una vasta conoscenza del dominio su come i canali di marketing interagiscono tra loro che possiamo integrare!
Di seguito condivido le conoscenze che ho acquisito lavorando con esperti di marketing nel corso degli anni…
- PPC (ricerca a pagamento) ha un effetto negativo sulla SEO (ricerca organica). Più spendiamo in PPC, meno clic SEO otteniamo. Tuttavia, abbiamo un importante fattore di confusione… la domanda! Un modello di regressione piatta non rileverà questa complessità, portando spesso a una sovrastima della PPC.
- Spesa sociale ha un forte effetto sui clic social, più spendiamo più i potenziali clienti fanno clic sugli annunci social. Tuttavia, alcuni potenziali clienti potrebbero visualizzare un annuncio social e il giorno successivo visitare il tuo sito tramite PPC, SEO o Direct. Un modello di regressione piatta non rileverà questo effetto alone.
- Si può fare un caso simile spesa del marchiodove ti rivolgi ai potenziali clienti con messaggi di branding a lungo termine ma senza un invito all'azione diretto su cui fare clic. Questi potenziali clienti potrebbero visitare il tuo sito tramite PPC, SEO o Direct in una fase successiva dopo essere venuti a conoscenza del tuo marchio.
- IL clic sono mediatori. Se eseguiamo una regressione piatta e includiamo i mediatori, ciò può causare problemi nella stima degli effetti causali. Non tratterò questo argomento in modo troppo dettagliato in questa sede, ma l'uso dei grafici causali ci consente di controllare attentamente le variabili giuste quando si stimano gli effetti causali.
Si spera che tu possa vedere dagli esempi sopra che l'utilizzo di un grafico causale invece di una regressione piatta migliorerà seriamente la tua soluzione. Anche la capacità di calcolare controfattuali ed eseguire interventi lo rendono molto interessante!
Vale la pena notare che vale comunque la pena incorporare le trasformazioni dello stock pubblicitario e della saturazione nel proprio framework.
Quando lavoriamo con dati osservativi, dovremmo anche sforzarci di eseguire esperimenti per convalidare le ipotesi e integrare le nostre stime causali. Sono tre i test principali disponibili da utilizzare nel marketing di acquisizione. Immergiamoci in loro!
Test di incremento delle conversioni
Le piattaforme social come Facebook e Snapchat ti consentono di eseguire test sull'incremento delle conversioni. Questo è un test AB in cui misuriamo l'aumento della conversione utilizzando un gruppo di trattamento rispetto a un gruppo di controllo. Questi possono essere molto utili quando si tratta di valutare il controfattuale dal grafico causale per la spesa sociale.
Prove di sollevamento geografico
I test sull'impatto geografico possono essere utilizzati per stimare l'effetto dei blackout del marketing o quando inizi a utilizzare un nuovo canale. Ciò può essere particolarmente utile per il brand digitale e la TV in cui non esiste un invito all'azione diretto da misurare. Ne parlo in modo molto più dettagliato nell'ultimo articolo:
Torna indietro ai test
Le campagne PPC possono essere programmate per essere attivate e disattivate ogni ora. Ciò crea una grande opportunità per i test di ritorno. Pianifica le campagne PPC in modo che vengano attivate e disattivate ogni ora per alcune settimane, quindi calcola la differenza tra il numero di clic PPC + SEO nel periodo di disattivazione e di attivazione. Ciò ti aiuterà a capire quanta parte del PPC può essere catturata dalla SEO e quindi a valutare il controfattuale dai tuoi grafici causali per la spesa PPC.
Penso che eseguire esperimenti sia un ottimo modo per modificare e quindi acquisire fiducia nel tuo grafico causale. Ma i risultati potrebbero anche essere utilizzati per calibrare il modello. Dai un'occhiata a come il team PyMC ha affrontato questo problema:
Oggi ho spiegato come migliorare MMM con l'intelligenza artificiale causale. Tuttavia, l’intelligenza artificiale causale non può risolvere tutte le sfide del marketing di acquisizione e purtroppo ce ne sono molte!
- Spendere seguendo la previsione della domanda — Uno dei motivi per cui la spesa di marketing è altamente correlata al volume delle vendite può essere dovuto alla spesa del team di marketing in linea con una previsione della domanda. Una soluzione in questo caso è spostare casualmente la spesa dal -10% al +10% ogni settimana per aggiungere qualche variazione. Come puoi immaginare, il team di marketing di solito non è molto entusiasta di questo approccio!
- Stima della domanda — La domanda è una variabile essenziale nel nostro modello. Tuttavia, può essere molto difficile raccogliere dati. Un'opzione ragionevole è estrarre i dati sulle tendenze di Google su un termine di ricerca in linea con il prodotto che stai vendendo.
- Effetti a lungo termine del marchio — Gli effetti a lungo termine del marchio sono difficili da cogliere poiché di solito non c'è molto segnale in merito. I test di sollevamento geografico a lungo termine possono aiutare qui.
- Multicollinearità — Questo è in realtà uno dei problemi più grandi. Tutte le variabili che abbiamo sono altamente correlate. L'uso della regressione della cresta può alleviare un po' questo problema, ma può comunque rappresentare un problema. Anche un grafico causale può aiutare un po’ poiché scompone il problema in modelli più piccoli.
- Buy-in da parte del team di marketing — Secondo la mia esperienza questa sarà la tua sfida più grande. I grafici causali offrono un modo visivo gradevole per coinvolgere il team di marketing. Crea anche un'opportunità per costruire una relazione mentre lavori con loro per concordare le complessità del grafico.
Chiudo qui: sarebbe bello sapere cosa ne pensi nei commenti!
Fonte: towardsdatascience.com
