以下是我自己翻譯的， 錯誤難免，請見諒。
英文原文，地址https://econsultancy.com/blog/65275-how-to-use-machine-learning-to-enhance-your-marketing-campaigns/
機器學習看上去和市場人員沒啥關系， 這玩意貌似只是那些程序狗，計算機呆子做的事情，
但其實任何人都可以通過機器學習提升他們的數字廣告營銷活動的效果， 本文是一篇介紹性文章，可以幫助你對這個領域一探究竟。
機器學習是一個迷人的話題， 無論你是否讀過 《在一位年輕婦女說出她懷孕的事實之前， 美國零售商就定位此客戶並推薦其與懷孕有關的產品》 這篇文章， 或者你已經在亞馬遜里見識過類似推薦行為。 看起來，計算機好像可以做很多神奇的事兒，很讓人激動。
咱們從一個需求開始理解這個事情。
假如，你正在做一個很容易理解的生意 -- 在線珠寶商店。 而且你的主要市場策略是在線廣告。
你的挑戰是創建一個在線活動來導入流量， 但是你希望確保導入流量的質量---你希望那些真正的購買者點擊了廣告， 尤其是那些大宗買家。
而且， 你知道你的大多數收入都來自於消費100美元以上的顧客， 所以，你需要找到更多的這樣的大客戶。
你設計了一系列的廣告來吸引那些大買家， 在廣告里仔細地融合了產品照片， 品牌logo。
然后， 活動上線幾天后， 你看了一下分析報告， 發現不是很有用。
為啥分析報告沒用呢？
市場分析可以告訴你哪個活動帶來了最高的平均收入， 或者是大買家的人數， 但是你不僅僅想知道這么點信息。
你還想知道落地頁上的哪些元素能吸引大買家， 繼而你就可以放更多的這樣的元素， 砍掉別的元素。這就是你機器學習旅程的開始。
機器學習定義
機器學習是一個大主題， 里面有許多方法和應用， 但典型的應用是： 用來發現我們看不到的模型，然后用模型解決問題。
換句話說， 你利用計算機的無偏見和強大計算能力來發現我們這些有偏見的，計算緩慢的人類不能發現的東西。 然后提出新的規則讓事情做的更好。
例如： 關於上面那個找到懷孕目標人群的故事，零售商想要給馬上做父母的夫婦們一些必要的商品的折扣，並且試圖把這些人變成終身的忠誠用戶。
但他們首先必須能找到這樣的潛在顧客， 於是他們就雇佣了一個機器學習專家來幫助識別懷孕顧客的購買習慣。 一但弄明白這個事兒， 他們就能通過使用與懷孕有關的產品優惠來定位和找到這些顧客。
但機器學習專家是怎么做到的？
很明顯， 專家首先要找到的是已經有孩子的顧客， 然后分析這些顧客在生孩子以前的購買習慣。
然后專家用了一個機器學習算法檢測顧客生孩子之前的購買模式， 當有顧客發生類似的購買時， 就向市場團隊出發一個提醒。
然后，市場團隊要確保這些潛在的顧客收到一個提供了特殊優惠的直郵，根據這些特殊優惠,他們可以跟蹤查看是否這些特殊優惠定位到了潛在的家庭顧客。
如何讓你的機器學習。
作為一個市場人員， 你如何使用機器學習專家的方法? 從何處入手呢？
好吧， 你要做的第一件事情，是忘掉“機器”， 專心“學習”. 你可以先試着找到一些規則， 然后再考慮如何把規則自動化執行。
我們已經有一套標准的步驟來幫你找到規則， 按照這些標准步驟來開發規則並不難。 但是你必須一開始就完全理解這些步驟。所以請記住你要做的市場任務，然后仔細閱讀這些步驟
1) 找到特征
首先，你必須把真實世界里的問題映射到一張電子表格里。在這個表里的每一列是你活動的各個維度， 或者是活動的各種特征。 比如：平台， 照片，文案。 每一個行是數據點， 引導購買的每個廣告的特征是啥？ 顧客看到的照片是啥， 客戶閱讀的文案是啥？ 客戶是從哪個平台點擊進來的。
對於我們的珠寶廣告， 我用下面的一些特征來描述那些引導用戶購買的廣告。
| 廣告投放在哪個平台上? | Google, Facebook |
| 宣傳照片的特征是啥? | 女人,產品,公司logo |
| 廣告文案突出了什么? | 問題,你,產品,價格 |
| 有沒有 '行動號召CTA' (例如： 點擊這里)? | Yes, No |
當然了， 還有很多別的可能會被用到的特征， 例如： 購買時間，訪問的頁面， 等等。 但是上面的這些對於了解機器學習來講已經夠用了， 而且簡單易懂。
2) 識別結果
然后，你需要有一個清晰的，期望的結果， 和一個清晰的， 壞的結果。 用這種辦法，我們可以訓練計算機找出最好的引導用戶購買的方案。
對於本文的例子， 一個好的結果是100美元以上的購買， 壞的結果是100美元以下的購買。
注意， 這個測試里不包括那些沒有購買的用戶點擊行為。 盡管，這也應該是一個值得去做的有效性測試。 但現在咱們就只看大額購買VS小額購買的情況， 所以我們只看那些有購買行為的顧客數據。
因此對於這個例子， 結果很簡單：如果顧客購買了超過100美元， 結果就是TRUE， 如果沒有超過100美元，結果就是FALSE。
我們可以用美元金額作為結果， 但是我們沒有用， 原因在下面解釋。
3) 搜集數據
第三步， 是搜集特征數據。
但是，要是你沒有正確的數據呢？ 啊哈， 這就是為什么你需要一開始就了解整個流程的原因。
可能機器學習里最讓人沮喪的事情就是， 你找到了一組特征和對應的結果以后， 卻發現你沒有數據。
有好幾次， 我做報告展示不同的廣告效果時，卻發現， 我忘記在Google Analytics里給那些廣告打標簽了， （結果就沒有期望數據產生出來）。
但是既然我們做事前就看到了這些步驟， 我們應該可以保證數據里記錄了所需要的特征。
我們給廣告里的每個鏈接都加上埋點（標簽），來保證顧客點擊的時候， 記錄了相應的平台(platform)， 文案(copy)，照片(phone)，按鈕（CTA）
然后，我們把特征數據搜集到下面的這個電子表格里
4) 選擇你的機器學習程序
好吧， 這個有點難度了. 你就算只讀過一點點機器學習程序或者算法， 你也會感到迷茫無助， 這里有太多太多的不同的算法了。
這么多算法的原因是每個機器學習算法都有自己特定的使用場景， 可以產生非常復雜的模型幫助你預測未來。
我沒資格， 也不夠權威談論這個話題。 所以我建議你們聽從專家意見， 他是 Ben Lorica, the chief data scientist at O'Reilly media.
好的特征，可以讓一個簡單的模型擊敗一個復雜的模型
所以，我認為，你得熟悉和了解幾個模型，選擇特征， 准備數據集，幫助你更加有效地解決你的問題， 不要抱怨你不知道使用哪些機器學習方法。
為了簡化問題， 我選擇決策樹， 這個模型可以從機器學習的視角，清晰地告訴你有用的東西。
5) 切分數據
一個重要的方法是把你的數據集分成兩部分，一組是訓練數據集， 另一組是測試數據集合。典型地， 訓練數據集合比測試數據集合大很多。我們用400個樣本給機器學習， 100個樣本用來測試。
我們要確定的問題是， 通過訓練集合建立起來的機器學習模型能不能在測試集合上有實際效果？
或者說， 機器是否已經被訓練的可以用來做預測了， 還是說，機器只對訓練集里的數據有效， 對於測試集數據毫無用處。
6) 運行算法
對於本文的例子， 原文作者使用了決策樹軟件C5.0 free demo version here. （我建議用R語言， 或者spark MLIB）
這個軟件用起來很容易。 你需要做的只是一個特征模板，和一些用來做測試和訓練的CSV文件。然后你點擊運行， 程序就可以做剩下的事情了。
7) 查看結果
很快400個訓練集合100個測試集就處理完了。軟件生成了一個輸出文件。 稍微解釋一下， 你就能明白輸出內容了，
這個輸出結果告訴我們
- 第一行說：如果文案是描述一個問題或者是描述產品，那結果就是FALSE， 買家不可能付超過100美元。 195個樣本里的190個落入這個區間。
- 第二行和第三行：如果文案是價格， 照片是產品， 那么買家有可能花費超過100美元。 38個TRUE, 8個FALSE
- 第四行：文案是價格， 但是照片是公司LOGO或者是一個女孩，那么買家傾向於花費少於100美元
- 第5行到第9行： 如果照片提到了你（買家名字）， 並且平台是FACEBOOK， 照片是產品或者女孩， 那么買家更容易花費超過100美元， 否則都是FALSE.
正如你看到的， 第一個TRUE規則很清晰容易理解， 但是后面的規則比較不容易想到， 很容易被漏掉。
樹評價
現在看一下決策樹模型的評價。 和測試數據
結果看起來有點復雜，其實很容易理解。它講的是用訓練出來的決策樹模型跑訓練集合數據的時候有7%的錯誤，用來跑測試集合數據的時候， 錯誤率只增加到了13%。
所以看起來我們找到了一個有效的算法用來預測哪些廣告能成功吸引大買家。
為什么我們要使用大於100美元為true和小於100美元為false?
順便講一下， 這也是為啥我沒有給算法提供訂單的美元的金額。而是圍繞100美元把結果分成了TRUE和FALSE。
如果我給出了購買金額， 那么算法算法會判斷哪一個美元金額產生了最多的期望的結果
也許金額是100美元， 但是結果更有可能是20美元或者85美元， 或者別的對我們沒什么意義的數字。
所以， 你得決定你想要什么， 而不是讓算法猜你想要什么！這非常重要。
8) 行動
現在我們明白了，我們必須刪除問題文案和產品文案， 但是當照片是產品時候， 文案一定要包含價格，只有這樣才能獲取更多的大額買家。
然后，當然了， 接下來幾天再跑一些測試， 看看我們是否仍然能得到相同的結果。
一個真正的機器學習市場營銷系統能夠自動的運行規則, 不斷用新數據進行學習， 自動改進決策樹模型， 改進結果。
這就是機器學習有意思的地方， 你最終可以得到了一個可以自動演化，自動發展的系統。
但這種全自動化的機器學習系統比較難做出來， 不過重要的是，你應該已經明白了， 這種系統是很有可能做出來的。
結論：
很可能， 用不了多長時間，機器學習專家就能搶走所有的市場營銷的工作崗位， 對市場營銷人員而言，你們得知道這種新技術，了解這種可能性。
從這個簡單例子里， 你明白了准備工作對於市場營銷機器學習程序的重要性， 繼而你可以按照以上的步驟做出一個計算機輔助的市場自動化系統。
盡管這個簡單的機器學習例子沒有最終幫你定位你的顧客， 但它幫助你了解了什么樣的市場活動是有效的， 什么樣的活動是沒用的。
