Analitik Pemasaran Prediktif Menggunakan Mesin Pembelajaran BigQuery ML

Abhishek Kashyap , Product Manager

Abhishek Kashyap , Manager Produksi

Enterprises are collecting and generating more data than ever—to better understand their business landscape, their market, and their customers. As a result, data scientists and analysts increasingly need to build robust machine learning models that can forecast business trajectories and help leaders plan for the future. However, current machine learning tools make it difficult to quickly and easily create ML models, delaying time to insights.

Banyak perusahaan mengumpulkan dan menghasilkan lebih banyak data dari sebelumnya guna memahami lebih baik mengenai lanskap bisnis dan pelanggan mereka. Sebagai akibatnya, para ahi data dan analisis harus membangun model pembelajaran mesin (machine learning) yang kuat yang dapat memprediksi lintasan bisnis dan membantu pemimpin merencanakan masa depan mereka. Tetapi, alat pembelajaran mesin saat ini membuat sulit untuk membuat model ML secara cepat dan mudah sehingga menunda waktu untuk menambah wawasan.

To address these challenges, we announced BigQuery ML, a capability inside BigQuery that allows data scientists and analysts to build and operationalize machine learning models in minutes on massive structured or semi-structured datasets. BigQuery ML democratizes predictive analytics so that users unfamiliar with programming languages like Python and Java can build machine learning models with basic SQL, and is generally available.

Untuk menghadapi tantangan ini, kami memberitahukan BiqQuery ML, kemampuan dalam BigQuery yang memungkinkan para ilmuwan dan analis data untuk membangun dan mengoperasionalkan model pembelajaran mesin dalam hitungan menit pada kumpulan data terstruktur besar atau semi-terstruktur. BigQuery ML mendemokratisasikan analitik prediktif sehingga pengguna yang tidak terbiasa dengan bahasa pemrograman seperti Python dan Java dapat membangun model pembelajaran mesin dengan SQL dasar, dan umumnya tersedia.

To make it even easier for anyone to get started with BigQuery ML, we have open-sourced a repository of SQL templates for common machine learning use cases. The first of these, tailored specifically for marketing, were built in collaboration with SpringML, a premier Google Cloud Platform partner that helps customers successfully deploy BigQuery and BigQuery ML. Each template is tutorial-like in nature, and includes a sample dataset for Google Analytics 360 and CRM along with SQL code for the following steps of machine learning modeling: data aggregation and transformation (for feature and label creation), machine learning model creation, and surfacing predictions from the model on a dashboard. Here’s more on the three templates:

Bahkan untuk mempermudah memulai dengan BigQuery ML, kami memiliki open-source repositori templat SQL untuk kasus penggunaan pembelajaran mesin umum. Salah satunya dirancang khusus untuk pemasaran, dibangun bekerja sama dengan SpringML, mitra Google Cloud Platform utama yang membantu pelanggan berhasil menggunakan BigQuery dan BigQuery ML. Setiap template bersifat seperti tutorial, dan termasuk dataset sampel untuk Google Analytics 360 dan CRM bersama dengan kode SQL untuk langkah-langkah pemodelan pembelajaran mesin berikut: agregasi dan transformasi data (untuk pembuatan fitur dan label), pembuatan model pembelajaran mesin, dan prediksi permukaan dari model pada dashboard. Berikut ini keterangan lebih rinci dari tiga templat:

Customer segmentation—By dividing a customer base into groups of individuals that are similar in specific ways, marketers can custom-tailor their content and media to unique audiences. With this template, users can implement a BigQuery ML k-means clustering model to build customer segmentations.

Segmentasi pelanggan (Customer segmentation) — Dengan membagi basis pelanggan menjadi kelompok-kelompok individu yang serupa dalam cara-cara tertentu, pemasar dapat menyesuaikan konten dan media mereka dengan audiens yang unik. Dengan templat ini, pengguna dapat menerapkan model klaster k-means BigQuery ML untuk membangun segmentasi pelanggan.

Customer Lifetime Value (LTV) prediction—Many organizations need to identify and prioritize customer segments that are most valuable to the company. To do this, LTV can be an important metric that measures the total revenue reasonably expected from a customer. This template implements a BigQuery ML multiclass logistic regression model to predict the LTV of a customer to be high, medium, or low.

Prediksi Nilai Lifetime Pelanggan (LTV) (Customer Lifetime Value (LTV) prediction)—Banyak organisasi perlu mengidentifikasi dan memprioritaskan segmen pelanggan yang paling berharga bagi perusahaan. Untuk melakukan ini, LTV bisa menjadi metrik penting yang mengukur total pendapatan yang wajar diharapkan dari pelanggan. Template ini mengimplementasikan model regresi logistik multiklass BigQuery ML untuk memprediksi LTV pelanggan menjadi tinggi, sedang, atau rendah.

Conversion or purchase prediction—There are many marketing use cases that can benefit from predicting the likelihood of a user converting, or making a purchase, for example ads retargeting, where the advertiser can bid higher for website visitors that have a higher purchase intent, or email campaigns, where emails are sent to a subset of customers based on their likelihood to click on content or purchase. This template implements a BigQuery ML binary logistic regression model to build conversion or purchase predictions.

Konversi atau prediksi pembelian (Conversion or purchase prediction)— Ada banyak kasus penggunaan pemasaran yang dapat mengambil manfaat dari memperkirakan kemungkinan konversi pengguna, atau melakukan pembelian, misalnya penargetan ulang iklan, di mana pengiklan dapat menawar lebih tinggi bagi pengunjung situs web yang memiliki niat beli lebih tinggi, atau kampanye email, di mana email dikirim ke subset pelanggan berdasarkan kemungkinan mereka mengklik konten atau pembelian. Template ini mengimplementasikan model regresi logistik biner BigQuery ML untuk membangun konversi atau prediksi pembelian.

To start using these open-source SQL templates and more, visit our repository—the code is licensed under Apache v2. We will also be adding templates for more use cases in the future. And to learn more about applying BigQuery ML for marketing analytics, watch this Google Cloud OnAir webinar.

Untuk mulai menggunakan templat SQL open-source ini dan lainnya, kunjungi repositori kami ,visit our repository kode dilisensikan di bawah Apache v2. Kami juga akan menambahkan template untuk kasus penggunaan lainnya di masa mendatang. Dan untuk mempelajari lebih lanjut tentang penerapan BigQuery ML untuk analitik pemasaran, tonton webinar Google Cloud OnAir ini, Google Cloud OnAir webinar.