ডেটা সায়েন্সের দিকে বিপণন প্রচারাভিযানের প্রত্যাশিত মান কীভাবে মডেল করবেন

বিপণন প্রচারাভিযানের জন্য অত্যন্ত কঠিন. এর বেশিরভাগই ট্রায়াল এবং ত্রুটির কারণে, যদিও আমরা জানি যে আরও লক্ষ্যযুক্ত কৌশলগুলি আরও ভাল কাজ করবে। আমরা জানি না কিভাবে সেখানে যেতে হয়। এই প্রক্রিয়ার মধ্যে প্রায়ই একটি প্রচারাভিযান শুরু করা, পর্যবেক্ষণ করা, শেখা, সামঞ্জস্য করা এবং তারপর আবার চেষ্টা করা জড়িত। এই ট্রায়াল-এন্ড-এরর পদ্ধতির প্রকৃত শক্তি আছে। এটি পক্ষাঘাতে গতিশীলতাকে উৎসাহিত করে। এটি দলগুলিকে দ্রুত শিখতে দেয়, বিশেষ করে দ্রুত পরিবর্তনশীল বাজারে। প্রাথমিক পর্যায়ের উন্নয়ন বা সীমিত ডেটা পরিবেশের জন্য, এটি প্রায়শই একমাত্র ব্যবহারিক বিকল্প।

আমি একটি ভিন্ন দৃষ্টিকোণ প্রস্তাব করতে চান. যেটি নিঃসন্দেহে আরও কঠিন, উন্নত এবং জটিল, তবে বিপ্লবী এবং উল্লেখযোগ্য। এই পদ্ধতিটি কোম্পানিগুলিকে ডেটা পরিপক্কতার পরবর্তী স্তরে নিয়ে যায়। আমি আপনাকে প্রত্যাশিত মান মডেলিংয়ের সাথে পরিচয় করিয়ে দিই।

আমরা শুরু করার আগে, আমি এই বলে ভূমিকা রাখতে চাই যে এই পদ্ধতিটি কিছু ডেটা সায়েন্স পাঠ্যপুস্তকের পুরো অধ্যায়গুলি গ্রহণ করে। যাইহোক, আমি যতটা সম্ভব নন-টেকনিক্যাল হতে চাই। আমি ধারণাগুলিকে ধারণাগত রাখব, পাশাপাশি এটি কীভাবে অর্জন করা যেতে পারে তার একটি স্পষ্ট রূপরেখা প্রদান করব। আপনি যদি আরও শিখতে আগ্রহী হন, আমি শেষে দরকারী উত্সগুলি উদ্ধৃত করব৷

চলুন শুরু করা যাক.

প্রত্যাশিত মান মডেলিং কি?

প্রত্যাশিত মান হল একটি প্রধান বিশ্লেষণাত্মক কাঠামো যা সিদ্ধান্ত গ্রহণকারীদেরকে ট্রেডঅফ বিবেচনা করার অনুমতি দেয় যখন অসম খরচ এবং সুবিধা থাকে। এমন একটি দৃশ্যের কথা চিন্তা করুন যেখানে একটি মেশিন লার্নিং মডেল ক্যান্সার রোগীকে নির্ণয় করতে সাহায্য করে। ফ্রেমওয়ার্ক এবং মডেলগুলি যেগুলি শুধুমাত্র সাধারণ নির্ভুলতা (ভবিষ্যদ্বাণীটি সঠিক বা ভুল কিনা) জড়িত সেগুলি ভবিষ্যদ্বাণীতে ট্রেডঅফের জন্য দায়ী নয়।

এই ক্ষেত্রে, প্রতিটি “ভুল ধারণা” একই নয়। একজন রোগীর যখন ক্যান্সার হয় তখন তাদের নির্ণয় না করা আসলে তাদের ক্যান্সার হলে তাদের নির্ণয়ের চেয়ে অনেক বেশি ব্যয়বহুল। উভয় ভবিষ্যদ্বাণী প্রযুক্তিগতভাবে ভুল ছিল, কিন্তু একটি পরিশোধ করেছে, অন্যটি হয়নি।

সৌভাগ্যক্রমে, আমাদের বিপণন কৌশলগুলি জীবন-বা-মৃত্যুর পরিস্থিতি নয়। কিন্তু এই নীতি এখনও প্রযোজ্য। একটি বিপণন প্রচারাভিযানে কাকে টার্গেট করবেন এবং কাকে টার্গেট করবেন না সে সম্পর্কে সিদ্ধান্তের ফলে ব্যবসার জন্য যথেষ্ট ভিন্ন খরচ হতে পারে।

প্রত্যাশিত মান মডেলিং এই দিগন্তকে আরও সম্ভাব্য ফলাফলে প্রসারিত করে এবং আমাদের প্রতিটির খরচ বা সুবিধা পরিমাপ করতে দেয়। এই কাঠামো প্রতিটি ফলাফলের ফলাফল নির্ধারণের জন্য বিষয় বিশেষজ্ঞদের পেশাদার জ্ঞানের উপর গভীরভাবে নির্ভর করে। এখানে আমাদের লক্ষ্য হল আমাদের লক্ষ্যের জন্য পরিসংখ্যানগতভাবে সর্বোত্তম একটি কৌশল কীভাবে তৈরি করা যায় তা বোঝা। এই নিবন্ধের বাকি অংশে, আমরা একটি বিপণন কৌশলে কাকে টার্গেট করতে হবে তা শেখার উপর ফোকাস করব যাতে আমরা সর্বাধিক লাভ করতে পারি।

ক্রয় সম্ভাবনা মডেল দিয়ে শুরু করুন

একটি ক্রয় সম্ভাব্যতা মডেল হল একটি মেশিন লার্নিং মডেল যা একজন গ্রাহকের একটি পণ্য কেনার সম্ভাবনার পূর্বাভাস দেয়। ধরা যাক আমরা একটি ই-কমার্স ব্যবসার জন্য একটি বিজ্ঞাপন প্রচার চালাচ্ছি। বিজ্ঞাপনে ক্লিক করা প্রত্যেক ব্যক্তি ডেটার একটি সারি তৈরি করে। তারা প্রচারণা দেখে, আপনার দোকান ব্রাউজ করে এবং শেষ পর্যন্ত পণ্যটি কিনবে কি না তা সিদ্ধান্ত নেয়। এই প্রক্রিয়া চলাকালীন, প্রচুর ডেটা পয়েন্ট সংগ্রহ করতে হবে। মেশিন লার্নিং মডেলগুলি নিদর্শনগুলি সনাক্ত করতে সমস্ত ঐতিহাসিক ডেটা বিশ্লেষণ করে৷ এটা শেখে যে কোন বিষয়গুলো একজন গ্রাহকের ক্রয় করার সম্ভাবনাকে প্রভাবিত করে। তারপরে, তারা একটি পণ্য কিনবে কিনা তা ভবিষ্যদ্বাণী করতে নতুন গ্রাহকদের জন্য সেই নিদর্শনগুলি প্রয়োগ করে৷

মডেল নিজেই অত্যন্ত মূল্যবান। এটি ব্যবসাকে বলে যে গ্রাহকরা পণ্যটি কেনার সম্ভাবনা সবচেয়ে বেশি এবং প্রচারণার কোন দিকগুলি ক্রয়ের সম্ভাবনাকে প্রভাবিত করে৷ আমরা আমাদের পরবর্তী বিজ্ঞাপন প্রচারণা প্রস্তুত করতে এই তথ্য ব্যবহার করতে পারি। ডেটা-চালিত সিদ্ধান্ত নেওয়ার মতো এটিই দেখায়।

প্রত্যাশিত মান মডেলিং প্রয়োগ করা

আরও এগিয়ে যাওয়ার জন্য কনফিউশন ম্যাট্রিক্সের ধারণাটি বোঝা গুরুত্বপূর্ণ। একটি বিভ্রান্তি ম্যাট্রিক্স হল a n x n টেবিল কোথায় n সমস্ত সম্ভাব্য ফলাফলের প্রতিনিধিত্ব করে। সরলতার জন্য, আমি একটি 2 x 2 কনফিউশন ম্যাট্রিক্সে লেগে থাকব।

এই ম্যাট্রিক্সে একটি অক্ষে পূর্বাভাসিত ফলাফল এবং অন্যটিতে প্রকৃত ফলাফল রয়েছে। এটি আমাদের চারটি কোষ দেয়, বাইনারি শ্রেণীবিভাগ সমস্যায় প্রতিটি সম্ভাব্য ফলাফলের জন্য একটি, যেমন আমাদের ক্রয়ের সম্ভাবনা মডেল (হয় গ্রাহক পণ্যটি কেনেন বা না)। এর ফলে নিম্নলিখিত সম্ভাবনা রয়েছে:

• সত্য ইতিবাচক: আমরা ভবিষ্যদ্বাণী করেছি যে গ্রাহক কিনবেন, এবং তারা আসলে তা করেছে।
• মিথ্যা ইতিবাচক: আমরা আশা করেছিলাম যে গ্রাহক ক্রয় করবে, কিন্তু তারা তা করেনি।
• মিথ্যা নেতিবাচক: আমরা ভবিষ্যদ্বাণী করেছি যে গ্রাহক ক্রয় করবে না, কিন্তু তারা তা করেছে।
• সত্য নেতিবাচক: আমরা ভবিষ্যদ্বাণী করেছিলাম যে গ্রাহক ক্রয় করবে না, এবং বাস্তবে তারা তা করেনি।

এখানে একটি উদাহরণ:

প্রতিটি ফলাফলে প্রত্যাশিত মান প্রয়োগ করার জন্য আমাদের অবশ্যই ব্যবসা সম্পর্কে গভীর ধারণা থাকতে হবে। আমাদের নিম্নলিখিত তথ্য জানতে হবে:

• বিক্রিত পণ্য প্রতি লাভ।
• ক্লিক প্রতি খরচ.
• গ্রাহক প্রতি ক্রয়ের সম্ভাবনা।

আমাদের ই-কমার্স স্টোরের একই উদাহরণে, আসুন নিম্নলিখিত মানগুলি বিবেচনা করি:

• বিক্রিত পণ্য প্রতি লাভ = $50
• প্রতি ক্লিকে খরচ = $1
• গ্রাহক প্রতি ক্রয়ের সম্ভাবনা = আমাদের ক্রয় সম্ভাবনা মডেল থেকে

এই তথ্যটি জেনে আমরা নির্ধারণ করতে পারি যে একজন গ্রাহক আমাদের বিজ্ঞাপন প্রচারে ক্লিক করে এবং পণ্য ক্রয় করে লাভ (সত্য ইতিবাচক) কী হবে (পণ্য প্রতি মুনাফা)$50) ক্লিক প্রতি কম খরচ ($1), যা সমান $৪৯. আমাদের প্রচারাভিযানে ক্লিক করার জন্য একজন গ্রাহকের খরচ কিন্তু ক্রয় না করে (ফলস ইতিবাচক) শুধুমাত্র ক্লিকের জন্য খরচ হয়, তাই -$1. ক্রয় করবে না এমন একজন গ্রাহককে লক্ষ্য না করার ফলাফল $0যেহেতু কোন খরচ হয় নি এবং কোন রাজস্ব অর্জিত হয়নি। ক্রয় করবে এমন কাউকে লক্ষ্য না করার পরিণতি $0 একই কারণে।

আমি এমন কাউকে টার্গেট না করার সুযোগ খরচ গ্রহণ করতে ইচ্ছুক যে কেনাকাটা করবে বা লক্ষ্য না করে কেউ কেনাকাটা করার সম্ভাবনা। এগুলি আরও বিমূর্ত এবং বিষয়গত, যদিও পরিমাপ করা অসম্ভব নয়। সরলতার জন্য, আমি তাদের এই দৃশ্যে বিবেচনা করব না।

এটি আমাদের নিম্নলিখিত বিভ্রান্তি ম্যাট্রিক্সের সাথে ছেড়ে দেয়:

দুর্দান্ত, এখন আমরা আমাদের বিজ্ঞাপন প্রচারের প্রতিটি ফলাফলের নির্দিষ্ট খরচ বা লাভ জানি। এটি আমাদের নিম্নলিখিত সমীকরণ ব্যবহার করে একজন গ্রাহককে লক্ষ্য করার প্রত্যাশিত মান বুঝতে দেয় (আপনাকে গণিত ছুঁড়ে দেওয়ার জন্য দুঃখিত):

প্রত্যাশিত লাভ = P(Buy) × কিনলে লাভ + (1 – P(buy)) × না কিনলে ক্ষতি

যেখানে প্রত্যাশিত মান সমান প্রতিক্রিয়ার সম্ভাবনা (পি(কিনুন)) অনেক বার প্রতিক্রিয়ার মূল্য (কেনাতে লাভ) এর বাইরে অ-প্রতিক্রিয়ার সম্ভাবনা (1 – P(কিনুন)) অনেক বার অ-প্রতিক্রিয়ার খরচ (আপনি না কিনলে ক্ষতি)।

যদি আমরা একটি গ্রাহককে লক্ষ্য করার প্রত্যাশিত মান ইতিবাচক হতে চাই, যার অর্থ আমাদের লাভ আছে, আমরা সমীকরণটিকে নিম্নলিখিতগুলির মধ্যে পুনর্বিন্যাস করতে পারি:

P(By) × $49 + (1 – P(By)) × (-$1) > 0

P(By) > 0.02 (বা 2%)

এর মানে হল, আমাদের ক্রয়ের সম্ভাবনা মডেলের উপর ভিত্তি করে, আমাদের 2%-এর বেশি ক্রয়ের সম্ভাবনা সহ প্রতিটি গ্রাহককে লক্ষ্য করা উচিত।

এটি বাস্তবায়নের জন্য আপনার গণিত বা পরিসংখ্যানে ডিগ্রির প্রয়োজন নেই, তবে আমি দেখাতে চেয়েছিলাম যে আমরা সেখানে কীভাবে এসেছি।

আমাদের উত্তর আছে: আমাদের এমন সমস্ত গ্রাহকদের লক্ষ্য করতে হবে যাদের ক্রয়ের সম্ভাবনা 2% এর উপরে। এখন আমরা আমাদের ক্রয়ের সম্ভাব্যতা মডেলে ফিরে যেতে পারি এবং কোন গ্রাহক বিভাগগুলি মানদণ্ডের সাথে মানানসই তা সনাক্ত করতে পারি।

আমরা ঠিক কাকে টার্গেট করতে হবে তা বের করেছি, তাদের প্রয়োজন অনুসারে আমাদের প্রচারাভিযান তৈরি করেছি, এবং একটি বিপণন প্রচারাভিযান স্থাপন করেছি যা কাজ করে। আমরা সঠিক তথ্য-চালিত সিদ্ধান্ত গ্রহণ করে সমস্ত সঠিক ভিত্তি সহ আমাদের কৌশল প্রস্তুত করেছি।

লাভ বক্ররেখার সাথে এটিকে আরও একটি পদক্ষেপ নেওয়া

আমরা আমাদের নিজস্ব কাঠামো তৈরি করেছি এবং আমাদের বিপণন প্রচারাভিযানগুলিকে এমনভাবে ডিজাইন করেছি যা আমাদের ROI অপ্টিমাইজ করে৷ যাইহোক, প্রায়শই অতিরিক্ত সীমাবদ্ধতা রয়েছে যা একটি প্রচারাভিযান স্থাপনের আমাদের ক্ষমতাকে সীমিত করে, প্রায়শই কত বাজেট বরাদ্দ করা হয় এবং কতজন লোককে লক্ষ্যবস্তু করা যায় তার সাথে সম্পর্কিত। এই পরিস্থিতিতে, শুধুমাত্র সর্বোত্তম সিদ্ধান্তই নয়, সম্ভাবনার বিস্তৃত পরিসর জুড়ে প্রত্যাশিত মানও জানা দরকারী। এই পরিস্থিতিতে, আমরা আমাদের ক্রয় সম্ভাবনা মডেল প্রশিক্ষণ প্রক্রিয়ার মধ্যে প্রত্যাশিত মান গণনা এম্বেড করতে পারি।

শুধুমাত্র প্রযুক্তিগত পারফরম্যান্সের উপর ভিত্তি করে মডেল নির্বাচন করার পরিবর্তে, আমরা প্রত্যাশিত সুবিধার উপর ভিত্তি করে তাদের মূল্যায়ন করতে পারি। অথবা একটি সম্মিলিত পদ্ধতি ব্যবহার করুন যা ভবিষ্যদ্বাণী করার ক্ষমতা এবং অর্থনৈতিক প্রভাবের ভারসাম্য বজায় রাখে।

যখন আমরা আমাদের মডেল তৈরি করছি, তখন আমরা লক্ষ্য করতে পারি এমন সমস্ত লোকের জন্য প্রত্যাশিত রিটার্ন গণনা করতে পারি, কাউকে টার্গেট না করা থেকে সবাইকে টার্গেট করা পর্যন্ত। ফলস্বরূপ, আমরা একটি লাভ কার্ভ প্লট পাই:

আমরা y-অক্ষে কতজন লোককে টার্গেট করি তার উপর ভিত্তি করে, আমরা মার্কেটিং প্রচারের জন্য প্রত্যাশিত রিটার্ন পাই। এক্স-অক্ষে আমাদের কেনার সম্ভাবনা পরিসীমা আছে। আমরা পরিসর বাড়ার সাথে সাথে আমাদের মিশনে আরও সংকীর্ণ হয়ে পড়ি। আমরা যদি এটি 100% বৃদ্ধি করি তবে আমরা কাউকে টার্গেট করব না। যদি আমরা সম্পূর্ণরূপে 0% এ নেমে যাই, আমরা সবাইকে লক্ষ্য করতে পারি।

আমাদের প্রথম উদাহরণের মতো, আমরা দেখতে পাই যে সর্বাধিক প্রত্যাশিত মুনাফা ঘটে যখন আমরা প্রতিটি জনসংখ্যাকে 2%-এর বেশি ক্রয় সম্ভাবনা স্কোর দিয়ে লক্ষ্য করি। যাইহোক, সম্ভবত আমাদের আরও কঠোর বাজেট আছে, অথবা আমরা সত্যিই উচ্চ-সম্ভাব্য গ্রাহকদের জন্য একটি পৃথক প্রচারাভিযান তৈরি করতে চাই। এই ক্ষেত্রে, আমরা আমাদের বাজেটকে বক্ররেখার সাথে তুলনা করতে পারি এবং শনাক্ত করতে পারি যে 12% সম্ভাব্যতা স্কোরের উপরে গ্রাহকদের লক্ষ্য করে এখনও খরচের একটি ভগ্নাংশে শক্তিশালী রিটার্ন পাওয়ার আশা করা হচ্ছে। তারপর, আমরা এই প্রচারাভিযানটি ডিজাইন করার আগে যে প্রক্রিয়াটি করেছি সেই প্রক্রিয়ায় ফিরে যেতে পারি। আমরা শনাক্ত করি যে এই গ্রাহকরা কারা, কী তাদের ক্রয়ের সম্ভাবনাকে প্রভাবিত করে এবং আমরা আমাদের বিপণন প্রচারাভিযানগুলিকে তাদের প্রয়োজন অনুসারে তৈরি করতে এগিয়ে যাই।

এটি ব্যবসায়িক জ্ঞান দিয়ে শুরু এবং শেষ হয়

প্রত্যাশিত মান মডেলিং প্রদান করতে পারে এমন সম্ভাবনা এবং মূল্য আমরা দেখেছি, কিন্তু সবকিছুকে সুষ্ঠুভাবে কাজ করার জন্য ব্যবসা সম্পর্কে জ্ঞান থাকা কতটা গুরুত্বপূর্ণ তা আমাকে আবারও বলতে হবে। প্রতিটি সম্ভাব্য ফলাফলের সাথে সম্পর্কিত খরচ এবং সুবিধাগুলির একটি দৃঢ় ধারণা থাকা গুরুত্বপূর্ণ। ক্রয়ের সম্ভাবনাকে প্রভাবিত করার জন্য কি লিভার টানা যেতে পারে তা পুরোপুরি বোঝার জন্য মডেলের ফলাফলগুলিকে সঠিকভাবে ব্যাখ্যা করা সর্বোত্তম।

যদিও এটি একটি জটিল পদ্ধতি, আমার উদ্দেশ্য পাঠককে নিরুৎসাহিত করা নয় যারা এই কৌশলগুলি প্রথমবার শিখছে। একেবারে উল্টো। আমি এই বিষয়ে লিখছি হাইলাইট করার জন্য যে এই ধরনের পদ্ধতিগুলি আর বড় কর্পোরেশনের জন্য সংরক্ষিত নয়। ছোট এবং মাঝারি আকারের ব্যবসাগুলির একই ডেটা সংগ্রহ এবং মডেলিং সরঞ্জামগুলিতে অ্যাক্সেস রয়েছে, যা তাদের ব্যবসাকে পরবর্তী স্তরে নিয়ে যেতে চায় তাদের জন্য দরজা খুলে দেয়।

রেফারেন্স

প্রভোস্ট, এফ., এবং ফসেট, টি। ব্যবসার জন্য ডেটা সায়েন্স: ডেটা মাইনিং এবং ডেটা-অ্যানালিটিক চিন্তাভাবনা সম্পর্কে আপনার যা জানা দরকার. ও’রিলি মিডিয়া।

সমস্ত ইমেজ, যদি না অন্যথায় উল্লেখ করা হয়, লেখক দ্বারা হয়.