Marknadsförare och maskininlärning: snabbare, smartare, effektivare

maskininlärning

I decennier har A / B-test använts av marknadsförare för att fastställa effektiviteten av erbjudanden i körsvarsfrekvensen. Marknadsförare presenterar två versioner (A och B), mäter svarsfrekvensen, bestämmer vinnarenoch leverera sedan erbjudandet till alla.

Men låt oss inse det. Det här tillvägagångssättet är förlamande långsamt, tråkigt och oskuldligt felaktigt - speciellt när du använder det på mobilen. Vad en mobil marknadsförare verkligen behöver är ett sätt att bestämma rätt erbjudande för varje kund i ett givet sammanhang.

Mobila abonnenter utgör en unik utmaning när det gäller att identifiera det optimala sättet att engagera dem och driva handling. Mobilanvändarnas sammanhang förändras ständigt, vilket gör det svårt att avgöra när, var och hur de ska samarbeta med dem. För att öka utmaningen förväntar sig mobilanvändare en hög grad av personalisering när det gäller att interagera med dem via sin personliga enhet. Så den traditionella A / B-metoden - där alla får vinnaren - saknar marknadsförare och konsumenter.

För att bekämpa dessa utmaningar - och förverkliga mobilens fulla potential - vänder sig marknadsförare till big data-teknik som kan utveckla beteendeanalys och automatiserat beslut för att bestämma rätt budskap och rätt sammanhang för varje enskild kund.

MaskininlärningFör att göra detta i stor skala utnyttjar de maskininlärning. Maskininlärning har förmågan att anpassa sig till nya data - utan att uttryckligen programmeras för det - på sätt som människor inte kan närma sig. I likhet med datautvinning söker maskininlärning igenom stora mängder data för att söka efter mönster. Istället för att extrahera insikter för mänsklig handling använder maskininlärning dock data för att förbättra programmets egen förståelse och automatiskt justera åtgärder därefter. Det är i grunden A / B-test på automatisk hastighetskontroll.

Anledningen till att det är en spelväxlare för dagens mobilmarknadsförare är att maskininlärning automatiserar testningen av ett oändligt antal meddelanden, erbjudanden och sammanhang och sedan avgör vad som fungerar bäst för vem, när och var. Think erbjuder A och B, men också E, G, H, M och P tillsammans med valfritt antal sammanhang.

Med maskininlärningsfunktioner registreras automatiskt processen att registrera element för meddelandeleverans (t.ex. när de skickades, till vem, med vilka erbjudandeparametrar etc.) och elementen i erbjudandets svar. Oavsett om erbjudanden accepteras eller inte, fångas svaren som feedback som sedan driver olika typer av automatiserad modellering för optimering. Denna återkopplingsslinga används för att finjustera efterföljande applikationer av samma erbjudanden till andra kunder och andra erbjudanden till samma kunder så att framtida erbjudanden har högre sannolikhet för framgång.

Genom att eliminera gissningar kan marknadsförare spendera mer tid på att kreativt tänka på vad som ger mer värde till kunder kontra hur eller när man ska leverera det.

Dessa unika funktioner, möjliggjorda av framsteg inom stor databehandling, lagring, fråga och maskininlärning är ledande inom mobilbranschen idag. Mobiloperatörer i framkant använder dem för att formulera intressanta beteendemässiga insikter samt hantverksdrivande marknadsföringskampanjer som i slutändan påverkar kundbeteendet för att förbättra lojaliteten, minska churn och dramatiskt öka intäkterna.

2 Kommentarer

  1. 1

    Det är väldigt intressant att läsa om de utmaningar som mobilen ger och hur marknadsförare kan använda datorkraft för att snabbt presentera inte bara ett av två alternativ utan ett av många alternativ. Få rätt budskap till rätt kunder. En sådan framåtblickande och effektiv användning av teknik.

  2. 2

    Med de nya trenderna inom teknik är det bra att vara uppdaterad med vad som händer och ha kunskap om marknadsföring av dina produkter. Bra information, älskade din artikel!

Vad tror du?

Den här sidan använder Akismet för att minska spam. Läs om hur din kommentardata behandlas.