很难摆脱机器学习的嗡嗡声。几乎每个行业都在谈论它。
那么，什么是机器学习呢？根据惠普 (Hewlett packard) 的说法，“机器学习是指计算机开发模式识别的过程，或者能够不断学习并根据数据进行预测，然后进行调整而无需进行专门编程的能力。”换句话说，这是机器分析和处理大量信息并随着时间的推移不断学习和改进的一种方式。
对于正在运行的机器学习算法的示例，让我们考虑面部识别-我们正在看到一个日益改善的领域。如今，iphone用户用脸解锁手机。执法部门使用面部识别来发现欺诈活动并抓捕罪犯。Google photos允许用户按其中的人对照片进行排序。这些算法在过去可能不是非常准确，但是随着时间的推移，它们已经通过机器学习进行了训练。
这不是人类智能，而是程序化学习，它的应用范围超出了面部识别和整个行业。以营销为例。今天的营销人员正在努力向他们的客户传递相关的信息。虽然人类不能大规模与大量客户沟通，但机器可以。不知道在实践中是什么样子？在本文中，我将解释机器学习在市场营销中的五个关键用途。
1.推荐最相关的产品或内容。
产品和内容推荐已经被数字营销人员使用了很多年。过去-有时是今天-这些建议是由人类手动策划的。在过去的10年中，它们通常是由简单的算法驱动的，这些算法根据其他访问者查看或购买的内容显示建议。
机器学习可以对这些简单算法进行实质性改进。机器学习可以综合你掌握的关于一个人的所有信息，如他过去的购买、当前的网络行为、电子邮件交互、位置、行业、人口统计等，来确定他的兴趣，挑选最好的产品或最相关的内容。机器学习驱动的推荐了解哪些项目或项目属性、样式、类别、价格点等与每个特定的人最相关，基于他对推荐的参与-因此算法会随着时间的推移而不断改进。
而机器学习驱动的推荐不限于产品和内容。你可以推荐任何东西 -- 类别、品牌、主题、作者、评论和技术规格等。以这种方式使用机器学习可以让你创建一个相关的网站或电子邮件体验，向访问者展示你真正理解他们，并帮助他们找到他们喜欢的东西。
2.自动发现重要的客户群。
尽管机器学习允许您提供更多个性化的体验，但细分仍然是营销人员的宝贵工具。通过细分，您可以根据有意义的差异创建潜在客户或客户组，以更好地了解这些组。人类可以发现他们可能已经知道要寻找的明显差异-例如高终身价值与低终身价值客户之间的差异，或者新客户与忠诚的回头客之间的差异。但是，由于有如此多的客户数据可供筛选，还有许多其他模式对人类来说并不明显。
机器可以帮助您识别您没有意识到的细分市场，并且可以使用该信息以更有意义的方式与这些细分市场对话。
例如，机器学习算法可能能够识别出希望为自己的房屋再融资的千禧一代倾向于表现出某些类型的行为。有了这些知识，您就可以为该细分市场提供更有针对性的消息传递，当他们在您的网站上或在电话上与座席交谈时，与该细分市场进行不同的交谈，并确定其他可能属于该细分市场的潜在客户，当他们表现出类似的行为时。
3.识别潜在问题并采取行动。
你的营销活动产生了大量的数据。想想你的公司每天发送的所有电子邮件，或者访问你的网站的人数，使用你的移动应用程序或与你的呼叫中心互动。所有这些交互都会产生大量数据-如此之多的数据，以至于人类无法及时查看所有数据。当出现问题时-链接断开或促销代码不起作用时，可能并不总是对您立即显而易见。算法可以筛选所有这些数据，预测应该发生的事情，并在某些事情看起来不对劲时通知您。
例如，假设是黑色星期五，并且您的一封电子邮件包含错误的链接。机器学习算法可以预测该报价应预期的点击率和/或转换率，并在实际情况比实际情况低得多时立即提醒您。有了这些知识，您可以在一年中的如此重要的一天造成太多损害之前采取纠正措施。
4.从A/B测试转向提供内部相关的体验和优惠。
测试是机器学习可以改进的另一个领域。传统的A/B测试允许您在两个或多个数字体验之间运行测试，找到产生最佳结果的选项，并在未来使用该体验。这是有价值的，但它是一刀切的，它没有说明群体或个人的任何差异。相反，它要求你选择一种体验来展示每个人，这意味着许多人不会看到最适合他们的体验。机器学习改变了这个游戏。
例如，您可以将这些相同的体验提供给机器学习算法，而不是在两个主页体验之间手动设置测试，而是等到测试完成并选择获胜者。该算法将在它认为将根据所有可用信息为每个inpidual提供最佳结果的时刻选择经验。它将从这些互动中学习，以告知它做出的下一个决定。
促销和优惠也可以采用相同的方法。机器学习可以使您仅向需要额外购买动机的人显示折扣，而不是向所有客户提供相同的20% 折扣或静态促销。对于那些不需要额外激励的人，机器学习可以选择另一种相关体验，例如在他们最喜欢的类别中推广新来者。
5.决定如何与每个人沟通。
您如何决定何时何地与潜在客户或客户沟通？她喜欢电子邮件吗？推送通知？短信？如果有的话，您应该多久与她联系一次？这些都是机器学习算法可以为你解答的问题。
例如，您可以使用机器学习生成的预测分数来确定将下一封电子邮件发送给这个特定的人是否会导致他们打开、忽略、单击或取消订阅，而不是对电子邮件的批处理和爆炸方法，在这种方法中，您只需每天向每个人发送相同的电子邮件。如果是这样，您就不会发送它。相反，您可以等到与他或她有更多相关的东西。
结束。
机器学习为营销人员提供了以可扩展的方式解释和处理大量信息的潜力。在一个我们不断积累的数据比我们知道的要多的世界里 -- 我们希望与我们的客户建立大规模的内在关系 -- 这是一个令人兴奋的发展。花时间了解更多关于您的组织如何在不久的将来从机器学习中受益的信息。从这五个区域中的一个开始将脚趾浸入水中，然后从那里开始。