Analitik Pemasaran Prediktif Menggunakan Mesin Pembelajaran BigQuery ML
Abhishek Kashyap , Manager Produksi
Banyak perusahaan mengumpulkan dan menghasilkan lebih banyak data dari sebelumnya guna memahami lebih baik mengenai lanskap bisnis dan pelanggan mereka. Sebagai akibatnya, para ahi data dan analisis harus membangun model pembelajaran mesin (machine learning) yang kuat yang dapat memprediksi lintasan bisnis dan membantu pemimpin merencanakan masa depan mereka. Tetapi, alat pembelajaran mesin saat ini membuat sulit untuk membuat model ML secara cepat dan mudah sehingga menunda waktu untuk menambah wawasan.
Untuk menghadapi tantangan ini, kami memberitahukan BiqQuery ML, kemampuan dalam BigQuery yang memungkinkan para ilmuwan dan analis data untuk membangun dan mengoperasionalkan model pembelajaran mesin dalam hitungan menit pada kumpulan data terstruktur besar atau semi-terstruktur. BigQuery ML mendemokratisasikan analitik prediktif sehingga pengguna yang tidak terbiasa dengan bahasa pemrograman seperti Python dan Java dapat membangun model pembelajaran mesin dengan SQL dasar, dan umumnya tersedia.
Bahkan untuk mempermudah memulai dengan BigQuery ML, kami memiliki open-source repositori templat SQL untuk kasus penggunaan pembelajaran mesin umum. Salah satunya dirancang khusus untuk pemasaran, dibangun bekerja sama dengan SpringML, mitra Google Cloud Platform utama yang membantu pelanggan berhasil menggunakan BigQuery dan BigQuery ML. Setiap template bersifat seperti tutorial, dan termasuk dataset sampel untuk Google Analytics 360 dan CRM bersama dengan kode SQL untuk langkah-langkah pemodelan pembelajaran mesin berikut: agregasi dan transformasi data (untuk pembuatan fitur dan label), pembuatan model pembelajaran mesin, dan prediksi permukaan dari model pada dashboard. Berikut ini keterangan lebih rinci dari tiga templat:
Segmentasi pelanggan (Customer segmentation) — Dengan membagi basis pelanggan menjadi kelompok-kelompok individu yang serupa dalam cara-cara tertentu, pemasar dapat menyesuaikan konten dan media mereka dengan audiens yang unik. Dengan templat ini, pengguna dapat menerapkan model klaster k-means BigQuery ML untuk membangun segmentasi pelanggan.
Prediksi Nilai Lifetime Pelanggan (LTV) (Customer Lifetime Value (LTV) prediction)—Banyak organisasi perlu mengidentifikasi dan memprioritaskan segmen pelanggan yang paling berharga bagi perusahaan. Untuk melakukan ini, LTV bisa menjadi metrik penting yang mengukur total pendapatan yang wajar diharapkan dari pelanggan. Template ini mengimplementasikan model regresi logistik multiklass BigQuery ML untuk memprediksi LTV pelanggan menjadi tinggi, sedang, atau rendah.
Konversi atau prediksi pembelian (Conversion or purchase prediction)— Ada banyak kasus penggunaan pemasaran yang dapat mengambil manfaat dari memperkirakan kemungkinan konversi pengguna, atau melakukan pembelian, misalnya penargetan ulang iklan, di mana pengiklan dapat menawar lebih tinggi bagi pengunjung situs web yang memiliki niat beli lebih tinggi, atau kampanye email, di mana email dikirim ke subset pelanggan berdasarkan kemungkinan mereka mengklik konten atau pembelian. Template ini mengimplementasikan model regresi logistik biner BigQuery ML untuk membangun konversi atau prediksi pembelian.
Untuk mulai menggunakan templat SQL open-source ini dan lainnya, kunjungi repositori kami ,visit our repository kode dilisensikan di bawah Apache v2. Kami juga akan menambahkan template untuk kasus penggunaan lainnya di masa mendatang. Dan untuk mempelajari lebih lanjut tentang penerapan BigQuery ML untuk analitik pemasaran, tonton webinar Google Cloud OnAir ini, Google Cloud OnAir webinar.