我们希望使用机器学习中的统计模型来识别这些用户。我们希望通过识别潜在客户来辨别模式并将谜题拼凑在一起。如果用户X与现有客户Y具有相同的特征，那么我们有更大的概率说服该用户购买我们的产品。
只值来自已经与您的
品牌互动提供这过的用户的数提供这据。例如，通过网站跟踪、电子邮件订阅者、应用程序参与或数字收银系统收集。
从机器学习的角度来看，正如所 手机数据 描述的，它是关于使用尽可能接近地反映我们的假设的数据作为输入。然而，数据距离客户越远（第三方数据），我们的假设就越模糊。模型的解释能力变得不那么准确。它变得无法用来制定基于其的商业决策。
“答案就在那里。我们只需要问正确的问题”——奥斯卡·王尔德（作家）
归根结底，这关乎能否利用你掌握的数据提出正确的问题。我们询问各个变量和信息的价值，并根据已经发生的转化得出有关新用户群体的行为的结论。
因此，自有机器学习遵循构建和训提供这练我们自己的有效模型的方法，我们可以随时结合我们自己的数据灵活地使用这些模型。这使我们有机会做出更好、更快、更明智的决策。此外，可以更具体地确定目标群体和项目的优先次序。
在线营销实施：自有机器学习的应用
“我们能用人工智能实现自动化 印度的互联网营销工作 的工作量比以前大得多”——吴恩达（谷歌大脑项目创始人）
自有机器学习如何让我们的日常营销工作变得更加轻松？
我们可以将许多任务外包给我们的数据模型，这些模型可以通过一些训练和高质量的数据有效地执行这些任务。
- 受众优先：遗憾的是，我们无法为每个目标群体创建个性化的用户体验。我们总是缺乏时间，而且常常也缺乏金钱来做这件事。但我们没必要这么做。因为如果我们使用机器学习来找出最有可能转变的目标群体，我们就可以把有 联合王国数据 限的资源集中在他们身上。
- 客户分类：用户是否属于我们更有价值的目标群体？客户生命周期价值较高的概率大吗？或者用广告填充的成本和精力不值得。我们可以使用机器学习来自动化这一分类。该方法的详细描述可从 Google 本身获得
- 关键词细分：我们的目标群体如提供这何搜索？是否有我们可以分配给下层漏斗的搜索词和关键词？ （更多关于客户旅程和销售漏斗的信息）分类算法可以在这里帮助我们。使用逻辑回归算法实现此目的的一种方法可在此处找到
- 受众聚类：如何划分两个或多个用户群体并将它们彼此区分开来。让数据决定。对于此类问题，通常使用 k-Means 算法：利用机器学习进行受众细分
- 营销渠道归因：如果我们同时使用多个渠道，我们可以使用机器学习来确定营销组合中针对特定用户群的各个渠道的价值。有关实施的更多信息，请参见：
- 预测和预算计算：对于预算 X，我们预计有多少次转换？使用预算 Y 我们可以得到多少次点击？每个营销人员都知道这个问题。逻辑回归和时间序列算法的经典案例。
- 报告中的异常检测：报告和报告是在线营销中最大的时间浪费者之一。让您的机器学习模型筛选您的数据并有效识别异常值或潜在趋势。关于异常检测算法最详细的解释之一可以在Coursera.org 上的 Andrew Ng 的机器学习课程中找到
哪种算法对哪种营提供这销问题有用
“现在，熟练的工人提供这于放入大脑阁楼的东西确实非常小心。他除了能帮助他完成工作的工具外，什么都没有，但他的工具种类繁多，而且都摆放得井井有条。”——夏洛克·福尔摩斯，《血字的研究》
据说，20世纪最具影响力的
统计学家之一、英国人乔治·E·P·博克斯（George EP Box）曾警告说：“所有模型都是错误的，但有些模型是有用的。”在这样做时，他提出了使用算法的一个核心方面：完美的模型和理想的算法并不存在。每个人都有自己的优点和缺点。即使是深度神经网络也并不适合每一种机器学习的情况。