如今，机器学习以多种有益的方式改变着市场的未来发展。数字营销研究机构的调查报告表明，97%的决策者认为机器学习技术将促进未来市场发展。
营销人员可以采用多种策略来使用机器学习算法来优化广告并进行推广。但是，其中一些策略的局限性要比营销人员想的还要严重。
大数据技术为营销行业提供了许多解决方案。它能够处理大量数据集，从而可以通过多种方式帮助营销人员。他们可以使用转化数据集：
•根据客户有可能转化的时间自动投放广告;
•使用依靠机器学习的人工智能工具为不同的访问者优化内容;
•准确定位有可能转换的广告，并向其提供广告的客户的人口统计信息;
•了解客户在与支持服务和聊天机器人聊天时提出的常见问题，并对这些问题进行自动回复;
•确定电子邮件标题，并进行复制以提高点击率和转化次数;
•发现对现有客户进行促销有效的痛点。
行业专家表示，机器学习在大数据方面非常强大。但是，他们必须克服一些挑战。对于小型数据集来说，它几乎没有用处，而小型数据集是过去可供营销人员使用的唯一数据形式。行业专家Jyoti Prakash Maheswari对于有关小型数据集的问题进行了探讨，他提出的原则与其他机器学习应用一样适用于市场营销。
多年来，营销人员不得不使用小型数据集。他们根本没有足够的存储空间和资源来收集有关其客户的大数据。即使是有能力存储大数据的公司，也很少有资源对其进行处理并提出可行的见解。
这些公司还没有准备放弃使用小型数据集的概念。当企业尝试开发基于机器学习技术进步的复杂营销策略时，这可能会出现问题。
使用小型转化数据集自动执行营销策略会遇到什么问题?
许多数字营销平台使客户更容易利用机器学习的好处，他们通常要求广告客户实时跟踪其转化，或者进行人工上传。
Propel Media公司是使用机器学习来帮助广告商获得高投资回报率的公司之一。许多广告客户表示，他们开始使用依赖机器学习技术的每次动作成本(CPA)优化器后，便注意到广告效果显著提高。
不过，熟悉这种技术的人士警告说，不要试图将其用于少量转换数据。Propel Media公司的一家媒体广告商说，企业通常需要至少50次转换才能从中获得一些价值，当超过100个转换时，广告定位的质量要高得多。
机器学习算法可以从转换中得到一些非常有用的观察结果，他们可以推断现有的转换数据，以显著提高广告效果。问题在于，这些推广的质量与已上传的转化次数高度相关。
其他大多数广告平台也具有类似的技术。企业使用自己的内部机器学习平台来自动化和优化营销策略也会发现同样的问题。
当企业营销人员尝试将转换数据用于其机器学习算法时，将会面临一些挑战。他们需要低级别的转换数据点，才能创建有效的机器学习策略。他们还将会发现转换数据的质量取决于指数衰减因子。这意味着，随着导入新数据，添加更多转化的增量收益将继续减少。
这意味着什么?营销人员可能会发现，将转化添加到其数据集中的边际收益将是巨大的。第二次转换的价值将是可观的，但其强度却不及第一次转换。营销人员可能需要添加五个或六个转换数据点，才能使他们从添加到数据库的第一次转换中获得的数据质量提高一倍。为了使数据质量再次翻倍，他们可能需要再添加20个或25个数据点，并且可能需要添加100个到150个数据点才能再次将质量提高一倍。
这意味着营销人员可能需要大量数据才能获得有意义的见解。他们所需的转换次数有所不同，具体取决于他们试图优化或自动化的过程的复杂性。
例如，营销人员可能只需要来自20次或30次转化的数据即可确定他们使用的效果好的广告。机器学习算法可能使用这样的数据量以95%的置信区间识别最好的广告。
然而，营销人员还需要更多的数据来确定好的人口统计数据。他们试图使用机器学习来细分或消除人口统计数据，但可能需要几百次以上的转换。
机器学习营销算法需要足够的数据
机器学习对于市场营销来说是无价的。但是，营销人员需要大量数据来开发高质量的算法。他们应该谨慎确定正确的数据规模，并确保能够收集足够的转换数据。
