它对于小数据几乎没什么用，而小数

[shukla7789]

据曾经是营销人员唯一可用的数据形式。我们的同事 Jyoti Prakash Maheswari 在他的《面向数据科学》一文中讨论了小数据集的问题。他提出的原则适用于营销，也适用于任何其他机器学习应用。

多年来，营销人员只能处理小型数据集。他们根本没有足够的存储空间和资源来收集大量客户数据。即使是有能力存储大量数据的公司也很少有足够的资源来处理这些数据并得出可行的见解。

这些公司还没有准备好放弃使用较小数据 乌克兰电话号码数据 集的概念。当你试图制定基于机器学习技术进步的复杂营销策略时，这可能会带来问题。


使用小型转化数据集来自动化您的营销策略存在哪些问题？
许多数字营销平台正在让客户更轻松地利用机器学习的优势。它们通常要求广告商实时跟踪转化情况或稍后手动上传。

Propel media 是利用机器学习帮助广告商获得最高投资回报率的公司之​​一。许多广告商表示，在开始使用高度依赖机器学习技术的 CPA Optimizer 后，他们注意到广告系列的效果显著提高。

然而，熟悉这项技术的人士警告不要尝试在转化数据较少的情况下使用该技术。一位 Propel Media 广告商表示，通常至少需要 50 次转化才能从中获得任何价值。当转化次数超过 100 次时，广告定位的质量会高得多。

机器学习算法可以从转化中得出一些非常有用的观察结果。它们可以推断现有的转化数据，从而显著提高广告系列的效果。问题是，这些推断的质量与已上传的转化数量高度相关。

大多数其他广告平台都拥有类似的技术。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公司会发现同样的事情。



当营销人员尝试将转化数据用于机器学习算法时，他们会面临一些挑战。他们需要最低限度的转化数据点才能创建有效的机器学习策略。不幸的是，他们还会发现转化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，增加额外转化的增量收益会不断减少。

这在实践中意味着什么？营销人员可能会发现，将第一次转化添加到他们的数据集中的边际效益将是巨大的。第二次转化的价值将是巨大的，但远不及第一次。营销人员可能需要添加五六个转化数据点，才能使他们从添加到数据库的第一次转化中获得的数据质量翻一番。为了再次使数据质量翻一番，他们可能需要再添加 20 或 25 个数据点。他们可能需要添加 100 到 150 个数据点才能再次使质量翻一番。

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。他们所需的转化次数会有所不同，具体取决于他们试图优化或自动化的流程的复杂性。