Markedsførere og maskinindlæring: Hurtigere, smartere, mere effektiv

machine learning

I årtier er A / B-test blevet brugt af marketingfolk til at bestemme effektiviteten af ​​tilbud i kørselsresponsrater. Markedsførere præsenterer to versioner (A og B), måler svarprocenten, bestemmer vinderen, og lever derefter det tilbud til alle.

Men lad os indse det. Denne tilgang er lammende langsom, kedelig og uskyldigt unøjagtig - især når du anvender den til mobil. Hvad en mobil marketingmedarbejder virkelig har brug for, er en måde at bestemme det rigtige tilbud til hver kunde i en given sammenhæng.

Mobilabonnenter udgør en unik udfordring, når det kommer til at identificere den optimale måde at engagere dem på og skabe handling. Mobilbrugernes sammenhæng ændrer sig konstant, hvilket gør det vanskeligt at bestemme, hvornår, hvor og hvordan man interagerer med dem. For at øge udfordringen forventer mobilbrugere en høj grad af personalisering, når det kommer til at engagere sig med dem via deres personlige enhed. Så den traditionelle A / B-tilgang - hvor alle modtager vinderen - mangler både for marketingfolk og forbrugere.

For at bekæmpe disse udfordringer - og realisere mobilitetens fulde potentiale - henvender marketingfolk sig til big data-teknologier, der er i stand til at fremme adfærdsanalyse og automatiseret beslutning for at bestemme den rigtige besked og den rigtige kontekst for hver enkelt kunde.

MaskinelæringFor at gøre dette i stor skala udnytter de machine learning. Maskinindlæring har evnen til at tilpasse sig nye data - uden at være eksplicit programmeret til det - på måder, som mennesker ikke kan nærme sig. Svarende til dataudvinding søger maskinindlæring gennem massive mængder data på søgning efter mønstre. I stedet for at udvinde indsigt til menneskelig handling bruger maskinindlæring dog dataene til at forbedre programmets egen forståelse og automatisk justere handlinger i overensstemmelse hermed. Det er dybest set A / B-test på automatisk hastighedskontrol.

Årsagen til, at det er en spilskifter for nutidens mobilmarkedsførere, er, at maskinindlæring automatiserer test af et uendeligt antal meddelelser, tilbud og sammenhænge og derefter bestemmer, hvad der fungerer bedst for hvem, hvornår og hvor. Think tilbyder A og B, men også E, G, H, M og P sammen med et vilkårligt antal sammenhænge.

Med maskinlæringsfunktioner registreres processen med registrering af elementer i meddelelseslevering (f.eks. Hvornår de blev sendt, til hvem, med hvilke tilbudsparametre osv.) Og elementerne i tilbudsrespons. Uanset om tilbud accepteres eller ej, bliver svarene fanget som feedback, som derefter driver forskellige typer automatiseret modellering til optimering. Denne feedback-loop bruges til at finjustere efterfølgende applikationer af de samme tilbud til andre kunder og andre tilbud til de samme kunder, så fremtidige tilbud har større sandsynlighed for succes.

Ved at eliminere gætteriet kan marketingfolk bruge mere tid på at tænke kreativt over, hvad der giver mere værdi til kunderne versus hvordan eller hvornår de skal levere det.

Disse unikke funktioner, der er muliggjort af fremskridt inden for databehandling, opbevaring, forespørgsel og maskinindlæring, er førende inden for mobilbranchen i dag. Mobiloperatører i spidsen bruger dem til at formulere interessante adfærdsmæssige indsigter samt håndværksengagerende marketingkampagner, der i sidste ende påvirker kundeadfærd for at forbedre loyalitet, reducere churn og dramatisk løfte indtægter.

2 Kommentarer

  1. 1

    Det er virkelig interessant at læse om de udfordringer, mobil bringer, og hvordan marketingfolk er i stand til at bruge computerkraft til hurtigt at præsentere ikke kun en af ​​to muligheder, men en af ​​mange muligheder. At få den rigtige besked til de rigtige kunder. Sådan en fremadrettet tænkning og effektiv brug af teknologi.

  2. 2

    Med de nye tendenser inden for teknologi er det godt at være opdateret med hvad der sker og have viden om markedsføring af dine produkter. Fantastisk information, elskede din artikel!

Hvad mener du?

Dette websted bruger Akismet til at reducere spam. Lær, hvordan dine kommentardata behandles.