Mašīnmācība māca tirgotājiem attīstīt izaugsmes domāšanas veidu

Saistībā ar Google

Lai gan digitalizācija pēdējos gados ir noslogojusi mārketinga nodaļas tradicionālās metodes un pasākumus, funkcija atgūst enerģiju, pievienojot to bagātīgam un bagātīgam enerģijas avotam: datiem.

Esošie uzņēmuma dati, kā arī informācija, kas iegūta, sadarbojoties ar patērētājiem, ir kļuvuši par vērtīgu uzņēmējdarbības vērtību. Līdz ar mašīnmācības parādīšanos — tāda veida algoritmu, kas identificē datu modeļus un uzlabojas līdz ar pieredzi, uzņēmumi var izmantot datus, lai prognozētu un iemācītos identificēt patērētājus, kuri varētu kļūt par vērtīgiem klientiem.

Uzņēmējdarbības pārstrukturēšana, kas notiek šodien, atspoguļo pārmaiņas, kas notiek visās nozarēs, sākot no plašsaziņas līdzekļiem līdz ražošanai, uzņēmumiem pārejot uz konkurenci digitāli piesātinātā vidē. Ilgu laiku neviens no mums nebūtu domājis, ka pārtikas un dzērienu pārdošana, izmantojot e-komerciju, būtu bijis tik liels bizness, saka Shyam Venugopal, PepsiCo globālo mediju un patērētāju datu stratēģijas viceprezidents. Mēs strādājam vidē, kas pastāvīgi mainās.

Neviens no mums nebūtu domājis, ka pārtikas un dzērienu pārdošana, izmantojot e-komerciju, būtu bijis tik liels bizness. Mēs strādājam vidē, kas pastāvīgi mainās.

Ņemot vērā pieaugošo klientu pirkšanas ceļu sarežģītību, kas tagad aptver vairākas ierīces, platformas un saskares punktus, uzdevums sekot līdzi var šķist milzīgs. Mārketinga speciālistiem bija radikāli jāpārdomā savas pieejas potenciālo klientu sasniegšanai laikmetā, kurā ir bezgalīgas iespējas satura veidošanai un izplatīšanai. Viņu mērķis ir vēl ambiciozāks: precīzi paredzēt savu potenciālo klientu nākamos soļus, tverot un pat veidojot to, ko viņi vēlas un vajag.

Datu pārpilnība, ko uzņēmumi var apkopot, ir iespēja īstenot vēlmes lielo uzņēmumu mārketinga vadītājiem, kuri vēlas atgriezties pie individuālu attiecību veidošanas ar klientiem. Ieguldot un izmantojot mašīnmācīšanās paņēmienus, lai apkopotu datus, lai gūtu ieskatu, identificētu modeļus un izveidotu prognozējošus modeļus, mārketinga speciālisti var kartēt klienta ceļu. Viņi var iegūt izpratni par to, kā dažādi segmenti pieņem pirkšanas lēmumus, un sniegt tiem personalizētākus ziņojumus.

Mārketinga veidnes laušana, izmantojot mašīnmācīšanos

• Lejupielādējiet pārskatu

Datu aizturēšana

Nesen veiktā MIT Technology Review Insights sadarbībā ar Google veiktā aptauja apstiprināja datu centrālo nozīmi hiperpersonalizētas mārketinga stratēģijas izveidē. Aptaujā piedalījās 1419 mārketinga vadītāji no uzņēmumiem, kuru gada ieņēmumi pārsniedz 100 miljonus ASV dolāru, no dažādām nozarēm, tostarp finanšu pakalpojumu, mazumtirdzniecības, tehnoloģiju un izglītības.

Rūpīgi izvērtējot biznesa rādītājus, respondentus var klasificēt kā līderus vai atpalicējus: līderi ir uzņēmumi, kas divu gadu laikā ir palielinājuši ieņēmumus par vairāk nekā 15 procentiem vai vairāk nekā par 15 procentpunktiem palielinājuši tirgus daļu tajā pašā laikā. periodā. Turpretim atpalicēji bija uzņēmumi, kuriem tajā pašā laika periodā bija vērojama ieņēmumu samazināšanās vai tirgus daļas zaudēšana. Respondentu vidū divas trešdaļas vadītāju saka, ka tam, kā uzņēmumi izmanto savus datus, būs galvenā loma viņu spējā attīstīties.

Papildus tehniskajiem tiltiem, kas ir jāšķērso, lai no datiem iegūtu praktisku ieskatu, ir jāsamazina arī funkcionālie šķēršļi. Aptauja atklāja, ka vadītāji par 60 procentiem biežāk nekā atpalicēji uzskata, ka mārketinga komandai vajadzētu būt uz datiem balstītai klientu stratēģijai, kas atbalsta visas organizācijas ieinteresētās personas. Agrāk mārketings, iespējams, pārraudzīja pieprasījuma veidošanu, taču tas šos potenciālos pirkumus nodeva pārdošanai. Tagad mārketingam ir jāpārņem visa pieredze, izplatot ieskatus un analīzi visā uzņēmumā.

Bezpretestības ceļa projektēšana

Pateicoties spējai izprast un paredzēt visefektīvāko mārketinga pieeju katram pašreizējam un potenciālajam klientam, mašīnmācība atbrīvo tirgotājus no smagās slodzes, kas saistīta ar liela datu apjoma lejupielādi un manipulācijām ar tiem.

Apsveriet, piemēram, mārketinga funkciju, kas ir uzkrājusi 2,5 miljonus e-pasta adrešu un vēlas sazināties ar cilvēkiem, kuri, visticamāk, būs uzņēmīgi pret jaunu produktu piedāvājumu. Šī klientu skaita manuāla segmentēšana ir laikietilpīga, taču, izsmidzinot tos ar surogātpastu, tiks anulēti abonementi un re - iegāde ir pārmērīgi dārga. Mašīnmācība var efektīvi iegūt e-pasta adreses, kuru īpašniekiem ir, piemēram, 25 procenti iespēja atvērt e-pastu un 1 procents iespēja anulēt abonementu. Vadoties pēc mašīnmācīšanās loģikas, tirgotāji var noteikt un sajaukt optimālo elementu kombināciju, kas, iespējams, novedīs pie veiksmīga biznesa mērķa sasniegšanas.

Ietekmes izsekošana visā uzņēmumā

Tomēr konsekventa izpilde šajā līmenī prasa vairāk nekā jaunu tehnoloģiju ieklāšanu. Maksimāli palielināt uz klientu orientētus procesus nozīmē tos apvienot, sasaistīt dažādas sistēmas un izvirzīt tās biznesa centrā. Uzņēmumiem, kas parasti tiek organizēti pēc ģeogrāfijas vai produktu līnijas, apvērsums ir DNS līmeņa kultūras izmaiņas — jauna korporatīvā arhitektūra, kas atbalsta klientu pieredzes pārvaldību.

Kur varētu sākties šādas pūles? Katrā organizācijas daļā klienta definīcija var atšķirties, norāda Elisons Hartso, datu analīzes konsultāciju uzņēmuma Ambition Data dibinātājs un izpilddirektors. Organizācijai ir jārada vienots skatījums uz klientu — plašāka, plašāka definīcija, no kuras gūst labumu visi.

Apņemšanās kļūt orientētai uz klientu un uz datiem vienmēr prasa organizācijas pārstrukturēšanu. Tas kļūst nepieciešams, jo klientu dati ir izplatīti tik daudzās nodaļās; tāpēc, lai būtu visaptveroša, organizācijai ir jāsaskaņo, saka Hartsoe. Tas ir par visa uzņēmuma domāšanas veida maiņu. Dažos uzņēmumos šī mērķa sasniegšana nozīmē C-suite pievienošanu galvenajam analītikas darbiniekam.

Jebkurā gadījumā, lai pārveidotos par spēcīgu, uz metriku balstītu organizāciju, ir vajadzīgas atsevišķas funkcijas, kas sadarbojas daudz ciešāk. Hartsoe saka, ka vienā spēļu uzņēmumā produktu vadītāji neizvēlas, kuras produkta funkcijas pievienot, nesaņemot ieguldījumu no klientu izpētes grupas. Ņemot vērā uzņēmuma lēmumu koncentrēties uz vērtīgiem klientiem, pirms tiek izdarīta izvēle, produktu vadītāji vēlas to izmantot, izmantojot vērtīgu klientu rādītājus, lai viņi varētu pieņemt lēmumus, kas ir vērsti uz klientu, saka Hartsoe. Metrikas izmantošana maina lēmumu pieņemšanas procesu. Tas arī ļauj uzņēmumiem iepriekš novērtēt jebkura izskatāmā produkta iterācijas ietekmi.

Aprīkoti ar mašīnmācīšanās tehnoloģiju, mārketinga speciālisti ne tikai veiks savu darbu atšķirīgi, bet arī darīs dažādus darbus. Aptaujā gandrīz trīs ceturtdaļas (73 procenti) mārketinga vadītāju, kas iegulda mašīnmācībā, apgalvo, ka vairāk nekā 10 procentus sava laika ir novirzījuši no manuālas aktivizēšanas uz stratēģiskā ieskata ģenerēšanu. Tagad viņi var cītīgāk pārvaldīt savus lēmumus par investīciju piešķiršanu, veltot savus ierobežotos resursus perspektīvākajiem potenciālajiem klientiem. Mašīnmācība var salīdzināt vēsturiskos datus par cilvēkiem, kuri kļuva par pircējiem, ar jaunpienācējiem, kuriem ir līdzīga uzvedība pirms pirkuma. Rezultāts: prognozējošs modelis, kas balstīts uz klienta nākotnes nodomu.

Kā noskaidrots aptaujā, vadītāji par 53 procentiem biežāk nekā atpalicēji apgalvo, ka mašīnmācīšanās apstrādā datu signālus, lai palīdzētu tirgotājiem labāk atklāt patērētāju nodomus. Iespēja vākt, kārtot un analizēt datus no vairākiem avotiem, ļauj mārketinga speciālistiem precīzi noteikt, cik tuvu klienti ir pirkšanas lēmumam, veidojot vēstījumus, kas ir atbilstoši, nevis traucējoši. Mūsdienu patērētāji, kuru cerības par to, ko viņi var iegādāties, kad, proti, jebko un tieši tagad, dod priekšroku darījumiem ar uzņēmumiem, kas viņus saprot un palīdz.

Šādas klientiem pozitīvas pieredzes uzkrāšanās veido pamatu tam, kas varētu būt visizturīgākā konkurences priekšrocība: klientu lojalitāte.

Klientu iekarošana, peļņas iegūšana

Mārketinga nodaļas tagad var kārtot klientus grupās ar lielāku precizitāti. Definējot uz vērtību balstītus klientu segmentus, uzņēmumi var palielināt savu mārketinga ieguldījumu atdevi, nosakot savu ziņojumu piegādes laiku, kad dati liecina, ka potenciālie klienti ir uz lēmuma pieņemšanas robežas.

Mašīnmācība var arī novērtēt, cik efektīvi mārketings iegulda savu budžetu, nepārtraukti aprēķinot atdevi. Aptaujā konstatēts, ka vadītāji divreiz biežāk nekā atpalicēji piekrīt, ka mašīnmācīšanās izmantošana mediju kampaņās ir uzlabojusi sliktākās veiktspējas IA par 10 procentiem vai vairāk. Mārketinga speciālisti var izmērīt dažādu mārketinga taktiku izmantošanas ietekmi, vienlaikus nosakot arī izolēto elementu vērtību katrā no šīm darbībām. Paturot to prātā, viņi var pārdalīt savus budžetus, pārejot no neefektīvākajiem kanāliem.

Apvienojot nesaistītus datu rezervuārus un visiem organizācijas datiem piemērojot mašīnmācīšanos, mārketings iegūs un saglabās skaidrāku priekšstatu par šiem klientiem nekā jebkad agrāk un veicinās uzņēmuma izaugsmi. Tirgotājiem attīstoties pārliecībai par pievienoto vērtību, ko rada mašīnmācības integrēšana viņu funkcijās, arvien vairāk cilvēku kļūs par entuziasma pilniem tehnoloģiju studentiem, kas ir nenovērtējama prece prognozēšanas digitālajā laikmetā.

Uzziniet vairāk par mašīnmācīšanās ietekmi uz mārketingu.

paslēpties