Распространенной проблемой для маркетологов является понимание и взаимодействие с людьми, имеющими «слабые» профили данных, например, с донорами с небольшим количеством демографической информации или краткой историей взаимодействия, из-за которой у организаций нет четкого представления об их интересах.
Джиён Хонг, доцент кафедры маркетинга в бизнес-колледже Костелло при Университете Джорджа Мейсона, помогла разработать модель машинного обучения с использованием атрибутивных графов (AGCL), которая решает эту проблему, помогая организациям извлекать больше пользы из уже имеющихся у них данных, соблюдая при этом конфиденциальность.
Исследовательская группа состояла из Хонга и соавторов Цин Лю из Университета Висконсина в Мадисоне и Вэньцзюнь Чжоу из Университета Теннесси в Ноксвилле. Их рабочий документ был размещен на сервере препринтов SSRN .
«Наша структура позволяет делать более точные выводы, синтезируя даже минимальные данные, которые зачастую являются единственным, что доступно небольшим организациям», — говорит Хонг.
Команда протестировала AGCL, используя данные с DonorsChoose.org, платформы, на которой учителя государственных школ могут размещать запросы на финансирование проектов в классах. Более 70% доноров на платформе жертвуют только один раз, что ограничивает возможности традиционных методов. AGCL использовался для «заполнения пробела» путем соединения доноров со схожими профилями на основе их краткого взаимодействия, создавая более широкий контекст для понимания интересов каждого донора.
Идея уникального графического подхода AGCL заключается в том, чтобы объединить разрозненные точки данных, превратив их в действенные идеи. В ходе исследования AGCL достигла 34% успеха в рекомендации проектов, которые доноры в тестовом наборе данных, вероятно, поддержат следующими, по сравнению с 24% при использовании других методов.
Модель объединила три источника информации: взаимодействие доноров и проектов, связи доноров и сходство проектов. Этот метод создает «соседство» атрибутов даже из разрозненных данных, что обеспечивает более полное представление об интересах доноров. «Этот многоуровневый подход направлен на выявление скрытых интересов доноров, предоставляя более глубокое понимание разнообразных, но отдельных областей, которые могут быть привлечены донором с тонким профилем», — говорит Хонг.
«Традиционные подходы могут рекомендовать проекты, основанные исключительно на одном прошлом взаимодействии, что часто не оправдывает ожиданий», — отмечает она. «Связывая доноров с единомышленниками, AGCL позволяет давать гораздо более индивидуальные рекомендации, даже на основе минимальных исходных данных».
Такой подход позволяет некоммерческим организациям максимизировать ценность каждой точки данных, не полагаясь на обширное отслеживание или дополнительный сбор данных, решая проблемы конфиденциальности и одновременно повышая вовлеченность. Например, Хонг описывает, как донор, который внес вклад в проект на математическую тематику, может реагировать на рекомендации для научного или инженерного проекта, который соответствует его скрытым интересам, которые могут быть не сразу очевидны после одного пожертвования.
Результаты AGCL предлагают практические идеи, которые легко интерпретировать маркетологам и некоммерческим организациям. Хонг описала, как визуализации AGCL могут выделить «кластеры интересов» среди доноров даже в рамках ограниченного набора данных. Это отображение помогает некоммерческим организациям понять предпочтения единовременных доноров, позволяя им разрабатывать стратегии взаимодействия для тех, кто может вернуться в будущем. «Мы ищем способы использовать эти идеи не только для индивидуальных рекомендаций, но и для создания кампаний, которые найдут отклик у более крупных групп, разделяющих скрытые интересы», — добавила она.
Одной из самых многообещающих особенностей AGCL является его способность работать в рамках ограничений конфиденциальности данных, предлагая организациям способ извлекать значимые идеи без обширного сбора данных. Поскольку конфиденциальность данных становится первостепенной, AGCL представляет решение, которое уважает эти границы, в то же время предоставляя некоммерческим организациям и малому бизнесу возможность взаимодействовать более эффективно.
Заглядывая вперед, Хонг отметила потенциал AGCL за пределами понимания доноров , особенно в сфере сегментации клиентов — краеугольного камня современного маркетинга. Она представляет себе AGCL как инструмент, который может фундаментально изменить то, как организации понимают и группируют свою аудиторию.
Усовершенствуя методы сегментации для выявления более глубоких связей и общих интересов даже в разреженных данных, AGCL имеет потенциал изменить весь подход к персонализированному маркетингу. По мере того, как эта технология развивается и становится широкодоступной, она может установить новый стандарт того, как организации выстраивают прочные, значимые связи со своей аудиторией.