低数据转换率会严重影响机器学习，因此了解这一点很重要。如今，机器学习正在以多种有益的方式改变市场的未来。据某数字营销研究机构调查报告显示，97%的决策者认为机器学习技术将推动未来市场发展。营销人员可以采用多种策略来使用机器学习算法来优化广告并进行推广。但其中一些策略的局限性比营销人员想象的要多。大数据技术为营销行业提供了许多解决方案。它处理大量数据集的能力可以通过多种方式帮助营销人员。他们可以使用转化数据集来：根据客户最有可能转化的时间自动投放广告；使用依赖机器学习的人工智能工具为不同的访问者优化内容；准确定位和投放最有可能转化客户人口统计信息的广告；了解客户在与支持服务和聊天机器人聊天时提出的最常见问题，并自动回复这些问题；确定电子邮件主题行并复制它们以提高点击率和转化率；客户在某些痛点上最有效地进行促销。行业专家表示，机器学习在大数据方面非常强大。然而，他们必须克服一些挑战。它对小型数据集没什么用处，小型数据集是过去营销人员可用的唯一数据形式。行业专家JyotiPrakashMaheswari讨论了有关小型数据集的问题，他的原则同样适用于市场营销和其他机器学习应用程序。多年来，营销人员不得不使用小型数据集。他们根本没有足够的存储空间和资源来收集有关客户的大数据。即使是有能力存储大数据的公司也几乎没有资源来处理它并生成可操作的见解。这些公司还没有准备好放弃使用小型数据集的概念。当企业试图根据机器学习技术的进步制定复杂的营销策略时，这可能会出现问题。使用小型转换数据集自动化营销策略有什么问题？许多数字营销平台让客户更容易利用机器学习的优势，它们通常需要广告商实时跟踪他们的转化，或手动上传。PropelMedia是使用机器学习帮助广告商最大化投资回报率的公司之??一。许多广告商表示，在开始使用依赖机器学习技术的每次操作成本(CPA)优化器后，他们注意到广告效果有了显着改善。尽管如此，那些熟悉该技术的人还是警告不要尝试将其用于少量转换后的数据。PropelMedia的一位媒体广告商表示，企业通常需要至少50次转化才能从中获得一些价值，而当转化超过100次时，广告定位的质量就会高得多。机器学习算法可以从转化中获得一些非常有用的观察结果，并且它们可以推断现有的转化数据以显着提高广告效果。问题是这些促销活动的质量与上传的转化次数高度相关。大多数其他广告平台都有类似的技术。使用自己的内部机器学习平台来自动化和优化营销策略的企业会发现同样的问题。当商业营销人员尝试将转换数据用于他们的机器学习算法时，他们面临一些挑战。他们需要最低级别的转换数据点来创建有效的机器学习策略。他们还会发现转换数据的质量取决于指数衰减因子。这意味着随着新数据的导入，增加更多转化的增量收益将继续减少。这是什么意思？营销人员可能会发现，将首次转化添加到他们的数据集中所带来的边际收益是巨大的。第二次转化的价值将是可观的，但不如第一次转化那么大。营销人员可能需要添加五个或六个转换数据点，以将他们从添加到数据库的第一次转换中获得的数据质量提高一倍。要再次将数据质量提高一倍，他们可能需要再添加20或25个数据点，并且可能需要添加100到150个数据点才能将质量再次提高一倍。这意味着营销人员可能需要大量数据才能获得有意义的见解。他们需要的转化次数各不相同，具体取决于他们试图优化或自动化的流程的复杂程度。例如，营销人员可能只需要来自20或30次转化的数据来确定他们正在使用的效果最佳的广告。机器学习算法可能会使用如此大量的数据来识别具有95%置信区间的最佳广告。但是，营销人员需要更多数据来确定最佳人口统计数据。他们尝试使用机器学习来分割或消除人口统计数据，但这可能需要数百次以上的转换。机器学习营销算法需要足够的数据机器学习对于营销来说是无价的。然而，营销人员需要大量数据来开发高质量的算法。他们应该小心确定正确的数据大小，并确保收集到足够的转化数据。
