數據轉換率較低會嚴重影響機器學習發揮的作用，這就是需要意識到這一點很重要的原因。

如今，機器學習以多種有益的方式改變著市場的未來發展。數字營銷研究機構的調查報告表明，97%的決策者認為機器學習技術將促進未來市場發展。

營銷人員可以采用多種策略來使用機器學習算法來優化廣告并進行推廣。但是，其中一些策略的局限性要比營銷人員想的還要嚴重。

[[281632]]

大數據技術為營銷行業提供了許多解決方案。它能夠處理大量數據集，從而可以通過多種方式幫助營銷人員。他們可以使用轉化數據集：

• 根據客戶最有可能轉化的時間自動投放廣告;
• 使用依靠機器學習的人工智能工具為不同的訪問者優化內容;
• 準確定位最有可能轉換的廣告，并向其提供廣告的客戶的人口統計信息;
• 了解客戶在與支持服務和聊天機器人聊天時提出的最常見問題，并對這些問題進行自動回復;
• 確定電子郵件標題，并進行復制以提高點擊率和轉化次數;
• 發現對現有客戶進行促銷最有效的痛點。

行業專家表示，機器學習在大數據方面非常強大。但是，他們必須克服一些挑戰。對于小型數據集來說，它幾乎沒有用處，而小型數據集是過去可供營銷人員使用的唯一數據形式。行業專家Jyoti Prakash Maheswari對于有關小型數據集的問題進行了探討，他提出的原則與其他機器學習應用一樣適用于市場營銷。

多年來，營銷人員不得不使用小型數據集。他們根本沒有足夠的存儲空間和資源來收集有關其客戶的大數據。即使是有能力存儲大數據的公司，也很少有資源對其進行處理并提出可行的見解。

這些公司還沒有準備放棄使用小型數據集的概念。當企業嘗試開發基于機器學習技術進步的復雜營銷策略時，這可能會出現問題。

使用小型轉化數據集自動執行營銷策略會遇到什么問題?

許多數字營銷平臺使客戶更容易利用機器學習的好處，他們通常要求廣告客戶實時跟蹤其轉化，或者進行人工上傳。

Propel Media公司是使用機器學習來幫助廣告商獲得最高投資回報率的公司之一。許多廣告客戶表示，他們開始使用依賴機器學習技術的每次動作成本(CPA)優化器后，便注意到廣告效果顯著提高。

不過，熟悉這種技術的人士警告說，不要試圖將其用于少量轉換數據。Propel Media公司的一家媒體廣告商說，企業通常需要至少50次轉換才能從中獲得一些價值，當超過100個轉換時，廣告定位的質量要高得多。

機器學習算法可以從轉換中得到一些非常有用的觀察結果，他們可以推斷現有的轉換數據，以顯著提高廣告效果。問題在于，這些推廣的質量與已上傳的轉化次數高度相關。

其他大多數廣告平臺也具有類似的技術。企業使用自己的內部機器學習平臺來自動化和優化營銷策略也會發現同樣的問題。

當企業營銷人員嘗試將轉換數據用于其機器學習算法時，將會面臨一些挑戰。他們需要最低級別的轉換數據點，才能創建有效的機器學習策略。他們還將會發現轉換數據的質量取決于指數衰減因子。這意味著，隨著導入新數據，添加更多轉化的增量收益將繼續減少。

這意味著什么?營銷人員可能會發現，將首次轉化添加到其數據集中的邊際收益將是巨大的。第二次轉換的價值將是可觀的，但其強度卻不及第一次轉換。營銷人員可能需要添加五個或六個轉換數據點，才能使他們從添加到數據庫的第一次轉換中獲得的數據質量提高一倍。為了使數據質量再次翻倍，他們可能需要再添加20個或25個數據點，并且可能需要添加100個到150個數據點才能再次將質量提高一倍。

這意味著營銷人員可能需要大量數據才能獲得有意義的見解。他們所需的轉換次數有所不同，具體取決于他們試圖優化或自動化的過程的復雜性。

例如，營銷人員可能只需要來自20次或30次轉化的數據即可確定他們使用的效果最好的廣告。機器學習算法可能使用這樣的數據量以95%的置信區間識別最好的廣告。

然而，營銷人員還需要更多的數據來確定最佳的人口統計數據。他們試圖使用機器學習來細分或消除人口統計數據，但可能需要幾百次以上的轉換。

機器學習營銷算法需要足夠的數據

機器學習對于市場營銷來說是無價的。但是，營銷人員需要大量數據來開發高質量的算法。他們應該謹慎確定正確的數據規模，并確保能夠收集足夠的轉換數據。