机器学习有助于揭示隐藏的消费者动机

营销人员面临的一个常见挑战是了解并与拥有“薄”数据档案的人互动，例如很少有人口统计信息或简短互动历史的捐赠者，这使得组织无法清楚地了解他们的利益。

Jiyeon Hong 是乔治梅森大学科斯特洛商学院的营销学助理教授，他帮助开发了属性图对比学习 (AGCL)，这是一种机器学习模型它解决了这一挑战，帮助组织以尊重隐私的方式利用他们已有的数据。

该研究小组由洪和合著者、威斯康星大学麦迪逊分校的刘庆和田纳西大学诺克斯维尔分校的周文君组成。他们的工作文件已提供在SSRN预印本服务器。

“我们的框架可以通过合成最少的数据来实现更准确的推断，而这通常是小型实体所能获得的全部数据，”洪说。

该团队使用来自 DonorsChoose.org 的数据测试了 AGCL，该平台公立学校教师可以发布课堂项目资助请求。该平台上超过 70% 的捐赠者只捐赠一次，这限制了传统方法所能产生的洞察力。AGCL 被用来“填补空白”，通过基于简短的互动将具有相似特征的捐助者联系起来，为了解每个捐助者的利益创造更广泛的背景。

AGCL 独特的基于图形的方法背后的想法是将稀疏的数据点汇集在一起​​，将其转化为可行的见解。在这项研究中，AGCL 取得了 34%成功率推荐测试数据集中的捐助者接下来可能会支持的项目，而使用其他方法的比例为 24%。

该模型结合了三个信息来源：捐助者与项目的相互作用、捐助者的联系和项目的相似性。该方法甚至可以从稀疏数据中创建属性的“邻域”，从而提供更全面的捐助者利益视图。洪说：“这种分层方法旨在识别潜在的捐助者兴趣，为薄弱的捐助者可能会吸引的不同但独特的领域提供更深入的见解。”

“传统方法可能仅根据过去的一次互动来推荐项目，而这往往是不够的，”她进一步指出。“通过将捐赠者与志同道合的用户联系起来，AGCL 甚至可以从最少的初始数据中提供更有针对性的推荐。”

这种方法允许非营利组织最大化每个数据点的价值，而无需依赖广泛的跟踪或额外的数据收集，解决隐私问题同时增强参与度。例如，洪描述了为数学主题项目做出贡献的捐赠者如何对符合其潜在兴趣的科学或工程项目的建议做出反应，而这些潜在兴趣可能不会仅仅通过一次捐赠就立即显现出来。

AGCL 的成果提供了实用的见解，易于营销人员和非营利组织解读。Hong 描述了 AGCL 的可视化如何突出捐助者之间的“兴趣集群”，即使在有限的数据集中也是如此。这种映射有助于非营利组织了解一次性捐赠者的偏好，使他们能够为未来可能返回的捐赠者制定参与策略。她补充说：“我们正在寻找方法，不仅将这些见解用于个人推荐，而且还制定与拥有潜在兴趣的更大群体产生共鸣的活动。”

AGCL 最有前途的功能之一是它能够在数据隐私限制内运行，为组织提供了一种无需大量数据收集即可获得有意义的见解的方法。随着数据隐私变得至关重要，AGCL 提出了一种尊重这些界限的解决方案，同时仍然使非营利组织和小型企业能够更有效地参与。

展望未来，洪指出 AGCL 的潜力超越捐助者洞察力，特别是在客户细分领域——现代营销的基石。她设想 AGCL 作为一种工具，可以从根本上重塑组织理解和分组受众的方式。

通过改进细分技术，即使在稀疏数据中也能发现更深层次的联系和共同兴趣，AGCL 有潜力将整个方法转变为个性化营销。随着这项技术的发展和广泛应用，它可能会为组织如何与受众建立持久、有意义的联系设定新标准。

更多信息：Jiyeon Hong 等人，通过属性图对比学习深入了解瘦身捐赠者，SSRN电子期刊（2024）。DOI：10.2139/ssrn.4959354