Mašininis mokymasis moko rinkodaros specialistus ugdyti augimo mąstymą

Susijęs su Google

Nors pastaraisiais metais skaitmenizavimas įtempė rinkodaros skyriaus tradicinius metodus ir priemones, funkcija atgauna savo energiją prijungdama prie turtingo ir gausaus energijos šaltinio: duomenų.

Esami įmonės duomenys, taip pat informacija, surinkta bendraujant su vartotojais, tapo vertingu verslo turtu. Atsiradus mašininiam mokymuisi – algoritmo tipui, kuris nustato duomenų šablonus ir tobulėja su patirtimi – įmonės gali naudoti duomenis, kad prognozuotų ir išmoktų identifikuoti vartotojus, kurie greičiausiai taps vertingais klientais.

Šiandien vykstantis verslo restruktūrizavimas atspindi transformaciją, kuri vyksta visose pramonės šakose, nuo žiniasklaidos iki gamybos, įmonėms iš naujo konkuruojant skaitmeninių technologijų permirkusioje aplinkoje. Ilgą laiką nė vienas nebūtų pagalvojęs, kad maisto ir gėrimų pardavimas per elektroninę prekybą būtų buvęs toks didelis verslas, sako Shyam Venugopal, PepsiCo pasaulinės žiniasklaidos ir vartotojų duomenų strategijos viceprezidentas. Mes dirbame aplinkoje, kuri nuolat kinta.

Nė vienas iš mūsų nebūtų pagalvojęs, kad maisto ir gėrimų pardavimas per elektroninę prekybą būtų buvęs toks didelis verslas. Mes dirbame aplinkoje, kuri nuolat kinta.

Atsižvelgiant į vis sudėtingėjančias klientų pirkimo keliones, kurios dabar apima kelis įrenginius, platformas ir kontaktinius taškus, užduotis neatsilikti gali atrodyti didžiulė. Rinkodaros specialistams teko radikaliai permąstyti savo požiūrį į potencialius klientus, kai yra begalė turinio kūrimo ir platinimo galimybių. Jų tikslas dar ambicingesnis: tiksliai numatyti būsimus potencialių klientų žingsnius, fiksuojant ir net formuojant tai, ko jie nori ir ko reikia.

Duomenų, kuriuos gali rinkti įmonės, gausa yra galimybė didelių įmonių rinkodaros vadovams, norintiems grįžti prie individualių santykių su klientais kūrimo, išsipildyti. Investuodami į mašininio mokymosi metodus ir juos panaudodami, kad gautų įžvalgas, nustatytų modelius ir kurtų nuspėjamuosius modelius, rinkodaros specialistai gali sudaryti klientų kelionės planą. Jie gali suprasti, kaip skirtingi segmentai priima pirkimo sprendimus, ir pateikti jiems labiau suasmenintus pranešimus.

Sulaužyti rinkodaros formą naudojant mašininį mokymąsi

• Atsisiųskite ataskaitą

Duomenų paėmimas

Neseniai „MIT Technology Review Insights“ kartu su „Google“ atlikta apklausa patvirtino duomenų svarbą kuriant itin suasmenintą rinkodaros strategiją. Apklausoje dalyvavo 1 419 rinkodaros vadovų iš įmonių, kurių metinės pajamos viršija 100 mln. USD, iš įvairių pramonės šakų, įskaitant finansines paslaugas, mažmeninę prekybą, technologijas ir švietimą.

Kruopščiai įvertinus verslo rodiklius, respondentai gali būti suskirstyti į lyderių arba atsilikėlių kategorijas: lyderiai yra įmonės, kurios per dvejus metus pasiekė daugiau nei 15 procentų pajamų padidėjimą arba daugiau nei 15 procentinių punktų rinkos dalies padidėjimą per tą patį laiką. laikotarpį. Priešingai, atsilikusios buvo įmonės, kurių pajamos mažėjo arba rinkos dalis per tą patį laikotarpį sumažėjo. Du trečdaliai respondentų teigia, kad tai, kaip įmonės taikys savo duomenis, turės esminį vaidmenį jų gebėjimui klestėti.

Be techninių tiltų, kuriuos reikia peržengti norint iš duomenų gauti realių įžvalgų, taip pat reikia sumažinti funkcines kliūtis. Apklausa parodė, kad lyderiai 60 procentų dažniau nei atsiliekantys mano, kad rinkodaros komanda turėtų turėti duomenimis pagrįstą klientų strategiją, kuri palaikytų visas organizacijos suinteresuotąsias šalis. Anksčiau rinkodara galėjo prižiūrėti paklausos formavimą, tačiau ji perdavė tuos klientus pardavimui. Dabar rinkodara turi perimti visą patirtį, skleisti įžvalgas ir analizę visame versle.

Be pasipriešinimo kelio projektavimas

Sugebėdamas suprasti ir numatyti veiksmingiausią rinkodaros metodą kiekvienam esamam ir potencialiam klientui, mašininis mokymasis atleidžia rinkodaros specialistus nuo sunkių darbų, susijusių su didžiulio duomenų kiekio atsisiuntimu ir manipuliavimu.

Apsvarstykite, pavyzdžiui, rinkodaros funkciją, kuri turi sukaupusi 2,5 milijono el. pašto adresų ir nori susisiekti su žmonėmis, kurie greičiausiai bus imlūs naujo produkto pasiūlymui. Neautomatinis to klientų skaičiaus segmentavimas užima daug laiko, tačiau apipurškus juos šlamštu, bus atšaukta prenumerata ir re - įsigijimas yra nepaprastai brangus. Mašininis mokymasis gali efektyviai išgauti el. pašto adresus, kurių savininkai, pavyzdžiui, turi 25 procentų galimybę atidaryti el. laišką ir 1 procentą galimybę atsisakyti prenumeratos. Vadovaudamiesi mašininio mokymosi logika, rinkodaros specialistai gali nustatyti ir sumaišyti optimalų elementų derinį, kuris greičiausiai lems sėkmingą verslo tikslą.

Poveikio sekimas visame versle

Tačiau norint nuosekliai vykdyti tokį lygį, reikia daugiau nei sluoksniuoti naujose technologijose. Maksimaliai padidinti į klientą orientuotus procesus reiškia juos suvienyti, sujungti skirtingas sistemas ir padėti jas verslo centru. Įmonėms, kurios paprastai organizuojamos pagal geografiją ar produktų liniją, perversmas reiškia DNR lygio kultūrinius pokyčius – naują įmonės architektūrą, kuri palaiko klientų patirties valdymą.

Kur gali prasidėti tokios pastangos? Kiekvienoje organizacijos dalyje kliento apibrėžimas gali skirtis, pastebi duomenų analizės konsultacinės įmonės „Ambition Data“ įkūrėja ir generalinė direktorė Allison Hartsoe. Organizacija turi sukurti vieningą požiūrį į klientą – platesnį, platesnį apibrėžimą, kuris naudingas visiems.

Įsipareigojimas tapti orientuotu į klientą ir orientuotis į duomenis visada reikalauja organizacinio pertvarkymo. Tai tampa būtina, nes klientų duomenys pasklinda tiek daug padalinių; Taigi, kad būtų visapusiška, organizacija turi būti suderinta, sako Hartsoe. Tai yra visos įmonės mąstymo keitimas. Kai kuriose įmonėse norint pasiekti šį tikslą, C-suite reikia pridėti vyriausiąjį analitikos pareigūną.

Bet kokiu atveju, norint tapti stipria metrika pagrįstą organizaciją, reikia, kad atskiros funkcijos veiktų daug glaudžiau. Vienoje žaidimų įmonėje, sako Hartsoe, produktų vadybininkai nesirenka, kurias produkto funkcijas pridėti, negaudami klientų tyrimų grupės. Atsižvelgdami į įmonės sprendimą sutelkti dėmesį į vertingus klientus, prieš darydami bet kokį pasirinkimą produktų vadybininkai nori atsižvelgti į didelės vertės klientų metriką, kad galėtų priimti sprendimus, orientuotus į klientą, sako Hartsoe. Metrikų naudojimas keičia sprendimų priėmimo procesą. Tai taip pat leidžia įmonėms iš anksto įvertinti bet kokio nagrinėjamo produkto iteracijos poveikį.

Turėdami mašininio mokymosi technologiją, rinkodaros specialistai ne tik dirbs skirtingai, bet ir atliks skirtingus darbus. Apklausoje beveik trys ketvirtadaliai (73 proc.) rinkodaros lyderių, investuojančių į mašininį mokymąsi, teigia, kad daugiau nei 10 procentų savo laiko nuo rankinio aktyvinimo prie strateginės įžvalgos generavimo. Dabar jie gali uoliau valdyti savo investicijų paskirstymo sprendimus, savo ribotus išteklius skirdami perspektyviausiems potencialiems klientams. Mašininis mokymasis gali palyginti istorinius duomenis apie žmones, kurie tapo pirkėjais, su naujokais, kurie elgiasi panašiai prieš perkant. Rezultatas: nuspėjamasis modelis, pagrįstas kliento ateities ketinimais.

Kaip parodė apklausa, lyderiai 53 procentais dažniau nei atsiliekantys sako, kad mašininis mokymasis apdoroja duomenų signalus, kad padėtų rinkodaros specialistams geriau nustatyti vartotojų ketinimus. Galimybė rinkti, tvarkyti ir analizuoti duomenis iš kelių šaltinių leidžia rinkodaros specialistams tiksliai nustatyti, kiek klientai yra arti pirkimo sprendimo, formuojant pranešimus, kurie yra aktualūs, o ne įkyrūs. Šiuolaikiniai vartotojai, kurių lūkesčiai dėl to, ką gali nusipirkti kada – būtent bet ką ir dabar, – renkasi verslą su įmonėmis, kurios juos supranta ir padeda.

Tokios klientams teigiamos patirties kaupimas sudaro pagrindą tam, kas galėtų būti patvariausio konkurencinio pranašumo: klientų lojalumo.

Užkariauti klientus, užfiksuoti grąžą

Rinkodaros skyriai dabar gali tiksliau suskirstyti klientus į grupes. Apibrėždamos verte pagrįstus klientų segmentus, įmonės gali padidinti savo rinkodaros investicijų grąžą nustatydamos pranešimų pristatymo laiką, kai duomenys rodo, kad potencialūs klientai yra ant sprendimo slenksčio.

Mašininis mokymasis taip pat gali įvertinti, kaip efektyviai rinkodara investuoja savo biudžetą, nuolat skaičiuodama grąžą. Apklausa parodė, kad lyderiai dvigubai dažniau nei atsiliekantys sutinka, kad mašininio mokymosi naudojimas žiniasklaidos kampanijose pagerino prasčiausio našumo IG 10 ar daugiau procentų. Rinkodaros specialistai gali išmatuoti skirtingų rinkodaros taktikų poveikį, kartu įvertindami atskirų elementų vertę kiekvienoje iš tų veiklų. Turėdami tai omenyje, jie gali perskirstyti savo biudžetus ir pereiti nuo mažiausiai efektyvių kanalų.

Sujungus atskirtus duomenų kaupiklius ir pritaikius mašininį mokymąsi visiems organizacijos duomenims, rinkodara įgis aiškesnį vaizdą apie tuos klientus nei bet kada anksčiau ir paskatins verslo augimą. Rinkodaros specialistams įgyjant pasitikėjimo pridėtine verte, atsirandančia integruojant mašininį mokymąsi į savo funkciją, vis daugiau žmonių taps entuziastingais technologijos studentais – neįkainojama preke nuspėjamajame skaitmeniniame amžiuje.

Sužinokite daugiau apie mašininio mokymosi poveikį rinkodarai.

paslėpti