Машинное обучение в маркетинге

Курс «Машинное обучение в маркетинге» формирует системное понимание маркетинговых процессов, демонстрирует сферы применения машинного обучения в маркетинге и наполнен практическими задачами решения маркетинговых задач на Python.

Формируемые в рамках курса опыт полезен как практикующим маркетологам и продакт-менеджерам, которые начали осваивать Machine Learning, так и «дата саентистам», которые хотят разобраться в маркетинговой специфике и лучше понимать процессы и задачи маркетинга

• Маркетинг глазами инженера
• Многие видят маркетинг как набор затратных и хаотичных активностей с сомнительной эффективностью по навязыванию населению ненужных товаров. Но для мастеров – маркетинг это система с математически точными законами и чёткими механизмами привлечения и удержания клиентов.
  Воронки, конверсии, реклама, продающие сообщения и продуктовые преимущества - будут рассмотрены в данном модуле глазами инженера, и описаны всего в четырех схемах, охватывающих основные процессы и принципы маркетинга
• Machine learning задачи маркетинга
• Данный модуль продемонстрирует типовые задачи, в которых машинное обучение активно применяется в маркетинге; опишет процесс сведения маркетинговой бизнес-постановке к ML задаче; проиллюстрирует как векторизовать данные и что делать с латентными переменными и каких сложностей при этом ожидать
• Задачи регрессии и классификации
• Маркетологи и product marketing managers крайне редко работают напрямую с кодом. И редкий маркетолог умеет грамотно формулировать маркетинговые задачи специалистам по обучению алгоритмов.
  Слушатели данного модуля научатся ставить маркетинговые задачи в терминах машинного обучения
• Основные алгоритмы для решения задач регрессии и классификации
• В рамках этого модуля будут разобраны наиболее популярные алгоритмы из «семейства» обучения с учителем – с помощью которых решается большая часть маркетинговых задач
• Задача кластеризации
• Не всегда удается решить бизнес-задачу с помощью задач регрессии и классификации. На помощь приходят алгоритмы для задач обучения без учителя. Данный модуль направлен на формирование понимания способов и целей применения кластеризации в маркетинговых задачах
• Рекомендательные системы
• Рекомендательные системы – один из наиболее популярных разделов обучения без учителя. Они встречаются практически в каждом онлайн-сервисе, где важно учитывать предпочтения пользователей. В рамках данного модуля слушатели разберут базовые подходы к построению рекомендательных систем
• Введение в АБ-тесты
• Сами по себе, модели машинного обучения не позволяют понять влияет ли их применение на улучшение пользовательского опыта или увеличения прибыли от внедренных изменений. Для этого проводятся АБ-тесты. В данном модуле слушатели научатся понимать какие виды экспериментов существуют и как находить эффект от внедренного изменения
• Как внедрять ML в систему маркетинга компании
• Эффект от внедрения машинного обучения в систему маркетинга компании появляется тогда, когда созданный алгоритм оптимизирует или трансформирует определенный устоявшийся маркетинговый процесс. Для этого важно найти правильное место приложения ML.
  В данном модуле слушатели узнают как правильно оценить сроки и рассчитать бюджеты проекта, каким образом организовать сбор данных и проверку гипотез, как уложиться в дедлайны и защитить результаты (даже если часть гипотез не подтвердилась), а главное – как сохранить здоровый климат между разработчиками и маркетологами