Вход или регистрация
Если вы организовываете события и хотите больше узнать о нашей системе — просто оставьте заявку и мы свяжемся с вами в самое ближайшее время.
Контакты

Для покупателей

+7 (800) 555-36-05
support@radario.co

Помощь для организаторов
+7 (800) 555-36-05 (доб. 6)
+7 (812) 313-21-39 (доб. 3)
help@radario.co

Отдел продаж
+7 (800) 550-61-53
sales@radario.co

Мы отвечаем на заявки ежедневно с 11:00 до 20:00 (мск)

Для корреспонденции и личных встреч:
Санкт-Петербург, 10-я линия ВО, д.59. офис 67
Москва, ул. Красная Пресня, 6/2с1


Как машинное обучение помогает развитию
ивент-отрасли

13 АПРЕЛЯ 2017
Machine Learning (машинное обучение) – пожалуй, один из главных технологических трендов последнего времени. По данным исследований, эти технологии так или иначе применяют в своем бизнесе около 60% компаний. Все говорит о том, что это уже не просто красивый термин, а реальность и даже необходимость. Следуя тенденциям, мы в Radario применяем элементы машинного обучения для внедрения новых функций маркетинговой платформы. Расскажем об этом и о том, как машинное обучение в целом способно изменить ивент-отрасль.
Согласно исследованию MIT Technology Review и Google Cloud, машинное обучение дает реальные конкурентные преимущества и применяется для широкого спектра проектов – от распознавания изображений, анализа эмоций и поведения до классификации текстов, добычи и обработки данных. Эксперты утверждают, что 45% из тех, кто уже начал применять машинное обучение, добились своей цели – расширили анализ данных и его глубину.
Стоит понимать, что машинное обучение – это не искусственный интеллект, а только лишь его часть. В процессе машинного обучения система может автоматически совершенствоваться по мере получения новых данных и нового опыта. При этом алгоритмы (или функции) для работы задаются разработчиками – это правила или директивы, которым следует компьютер при обработке информации и выполнении операций.
На самом деле, примеры использования машинного обучения для обработки и анализа больших объемов информации мы видим каждый день – рекомендации от интернет-магазинов и сервисов; результаты веб-поиска, которые адаптируются к истории просмотров и аудитории; фильтрация спама в электронной почте; изменение цен ритейлеров, основанное на прогнозировании спроса и многое другое.

Подобную систему реализуем и мы в рамках маркетинговой платформы Radario – уже сейчас система умеет предлагать организаторам рекомендованные сегменты аудитории, которые создаются автоматически за счет анализа совокупности фильтров, под которые попадает каждый конкретный зритель. Технология позволяет помогать нашим клиентам запускать более эффективные маркетинговые кампании, таргетированные на конкретные группы пользователей. Видеть автоматически настроенные сегменты и использовать их в своих целях могут пользователи нашей системы, чья база составляет более двух тысяч зрителей.
Рекомендованные сегменты в маркетинговой платформе Radario
Кажется, что это довольно просто, но с технической точки зрения все выглядит несколько серьезнее. Возьмем, к примеру, сегмент лояльных пользователей. Сначала мы определяем, какие фильтры будут демонстрировать лояльность – это может быть время, прошедшее с последней покупки, количество транзакций, размер среднего чека, частота покупок и так далее. После этого нам нужно определить, какие размеры каждого из параметров отдельно и в совокупности маркируют клиента как лояльного.
Для этого мы берем всех зрителей из базы и строим график, где ось X – это значения фильтров, а ось Y – процент покупателей, которые подходят под фильтр с этим значением.

На основании обработки данных от крупнейших организаторов, работающих с нашей платформой, мы понимаем, что количество лояльной аудитории не будет превышать 10% и определяем, как должны будут выглядеть графики лояльных пользователей. После этого система сама сверяет данные и выделяет в сегмент тех зрителей, чьи графики максимально схожи с заданными нами параметрами.
Для большего понимания можно привести простой пример. Допустим, речь идет о квартире – мы знаем, сколько в ней квадратных метров, на каком этаже она находится и какое у дома расстояние до метро. Все это описывается числами, у которых может быть бесконечное количество комбинаций. При этом мы имеем базу из ста квартир со всеми этими данными, а также информацией о стоимости каждой из них. У нас есть задача определить, какова зависимость цены квартиры от всех этих параметров. Так вот по сути мы делаем то же самое – учим систему находить зависимость поведения клиентов от их исходных параметров, а затем накладываем эту картину на других пользователей и по сходству данных прогнозируем, как будут вести себя эти зрители.

– Алексей Морозков, инженер-разработчик маркетинговой платформы Radario:
Несмотря на перспективность подобных технологий, говорить о буме машинного обучения в ивент-индустрии пока еще рано. Однако многие эксперты прогнозировали, что именно в 2017 году рынок начнет уделять этой теме повышенное внимание. Все сходятся на мнении, что машинное обучение должно помочь раскрыть весь потенциал данных, накапливаемых организаторами событий.

В качестве примера приведем несколько направлений использования машинного обучения в ивент-отрасли, которые сформулировал CEO компании Eventgrid Нираж Шаха:

1. Планирование и принятие решений
Одним из самых популярных способов применения машинного обучения является прогнозирование для принятия решений. Компьютеры могут считывать и анализировать гораздо больше информации, чем человеческий мозг и поэтому использование большого количества данных, безусловно, дает конкурентное преимущество.

2. Динамическое ценообразование
Менеджеры отелей уже используют машинное обучение в ключевом аспекте своего бизнеса – оптимизации цен. С помощью алгоритмов можно определить оптимальную стоимость комнаты в любой момент, проанализировав спрос, предложение и конкурентную ситуацию среди других отелей в режиме реального времени. Подобное динамическое ценообразование может применяться и в ивент-менеджменте.

Как организаторам мероприятий узнать оптимальную цену для каждого типа билета? Каковы наилучшие временные рамки для продаж по стартовым ценам или горящих распродаж? Благодаря алгоритмам можно решить эти вопросы и спрогнозировать, когда будет прилив покупателей (то есть когда лучше придержать скидки), или когда будет снижение продаж (самое время для их стимулирования). Такой анализ поможет оптимизировать прибыльность мероприятий.
3. Анализ настроений
Еще один популярный способ применения машинного обучения. Известный также как интеллектуальный анализ мнений, анализ настроений позволяет организациям выяснить мнение аудитории о том или ином продукте на основании анализа текста – обычно это веб-комментарии, сообщения в социальных сетях и онлайн-беседы. Анализ настроений позволяет судить о чувствах вашей аудитории, о том, что ей нравится или нет. Таким образом, организаторы событий могут прибегнуть к анализу настроений, чтобы узнать, каких артистов пригласить для мероприятия в следующем году, каких спикеров и какие темы выбрать для будущей конференции.

4. Классификация контента
Машинное обучение позволяет нам упорядочить, пометить и классифицировать огромное количество контента. Доступ к этой библиотеке могут получить зрители, которые ищут информацию по различным темам, а благодаря алгоритмам им будет проще найти то, что требуется. Именно это и делает, например, YouTube – он использует алгоритмы для предложения зрителям связанного контента и предоставления наиболее релевантных результатов запроса. Это искусственное чувство понимания и персонализации, достигаемое машинным обучением, может быть использовано в ивент-отрасли. Если вы организатор, за плечами которого большое количество мероприятий, представьте, что все прошлые организованные вами мастер-классы, семинары и презентации упорядочены и помечены. Посетители, участники или покупатели платной подписки могли бы таким образом получить доступ к этой библиотеке контента, где они, с помощью алгоритмов рекомендаций, могли бы найти интересные им плейлисты и нужный контент.

5. Продвинутое сегментирование аудитории
Данные позволяют больше узнать о клиентах и лучше понимать, как наладить с ними контакт. Анализ данных может помочь организаторам мероприятий привлечь новых клиентов – процесс сегментирования аудитории благодаря машинному обучению будет максимально автоматизирован. Потенциальный клиент будет отнесен к той или иной категории и прикреплен к соответствующей маркетинговой кампании без какого-либо вмешательства со стороны вас или членов вашей команды, а это сэкономит ваше время и ресурсы.

Читайте также