Maschinelles Lernen für Vermarkter: Wie Sie die Unternehmensgewinne steigern können

Den modernen Vermarktern steht ein riesiges Arsenal an digitalen Tools zur Verfügung, von Analysesystemen über hochentwickelte programmatische Plattformen bis hin zu verschiedenen Cloud-Lösungen. Andererseits wächst die von den Benutzern generierte Datenmenge wie eine Lawine. Ihre Quelle ist der Verhaltensfaktor in der Netzwerk- und Benutzerkommunikation in der digitalen Welt. Um diesen Informationsfluss zu steuern, benötigen Marketer spezielle Lösungen, mit denen Benutzerdaten erfasst, verarbeitet und in einer für die Analyse geeigneten Form dargestellt werden können. Hier helfen künstliche Intelligenz und maschinelles Lernen den Vermarktern. Maschinelles Lernen (ML) ist ein Unterabschnitt der künstlichen Intelligenz, der Algorithmen verwendet, die unabhängig trainiert werden können, dh nicht speziell für eine bestimmte Aufgabe programmiert werden müssen.

Laut MIT Technology Review verwenden 60% der Unternehmen in der einen oder anderen Form ML in ihrem Geschäft.

Laut Analysten war 2017 ein Jahr intensiver Entwicklung und Implementierung von ML in der Wirtschaft. Diese Technologie befindet sich jetzt auf dem Höhepunkt der Gartner- Technologie-Reifekurve - was bedeutet, dass sich ML in naher Zukunft intensiv entwickeln wird und Unternehmen in diese Technologien investieren werden. Das Computerworld-Magazin hat ML den ersten Platz auf der Liste der wertvollsten Fähigkeiten der Mitarbeiter eingeräumt . Vermarkter sind in erster Linie an den Möglichkeiten für eine personalisierte Benutzerinteraktion interessiert, die ML-Algorithmen bieten können. Sie ermöglichen es Ihnen, drei Hauptaufgaben zu erledigen:

1. Arbeiten Sie mit Big Data und führen Sie eine erweiterte Segmentierung des Publikums durch.
2. Durchführung prädiktiver Analysen des Kundenverhaltens;
3. Geben Sie Empfehlungen zum Anpassen von Aktionen in Echtzeit.

Empfehlungen

Netflix verwendet Predictive Analytics, um die Empfehlungen für Website-Besucher zu verbessern, und bezieht sie in eine aktivere Nutzung des Dienstes ein. Wenn Sie jemals die Netflix-Website verwendet haben, haben Sie dort wahrscheinlich einen Abschnitt empfohlener TV-Sendungen gesehen. Alle Empfehlungen werden den Besuchern der Website mithilfe von Algorithmen für maschinelles Lernen zur Verfügung gestellt, die Ihre Vorlieben analysieren und „verstehen“, welche Kategorien von Filmen Ihnen am besten gefallen. Das Produktempfehlungssystem von e-Bay funktioniert ähnlich.

Das Startup von USA IdealSeat verwendet ML und Deep Learning, um das angenehmste Zuschauererlebnis in Spielen zu erzielen . Der Dienst analysiert viele Parameter, die die Zuschauer bei der Bestellung von Tickets auswählen können: Sie können entscheiden, wo Sie sitzen möchten: im Schatten oder in der Sonne, in einem Ventilator oder in einer Familienzone und so weiter.

Predictive Analytics

Mithilfe von ML können Unternehmen vorhersagen, wann und warum ein Kunde sie kontaktieren wird. Auf diese Weise können Sie die Kommunikation mit Kunden personalisieren und die Kosten für die Aufrechterhaltung eines Support-Service planen. Beispielsweise kann ein Unternehmen die musikalischen Vorlieben einer Person analysieren, ein Muster ihres Verbraucherverhaltens bilden und den Wert seines durchschnittlichen Schecks in seinen Geschäften berechnen. Im Prinzip können Sie sogar feststellen, welche Art von Einkäufen und wie viel die Beatles-Fans verdienen und wie hoch der durchschnittliche Scheck für ABBA-Fans sein wird.

Sberbank-Spezialisten haben bereits gelernt, Verhaltensmuster von Karteninhabern zu identifizieren und vorherzusagen. Beispielsweise kann eine Bank zwischen verschiedenen Aktivitäten von Karteninhabern unterscheiden und diese auf drei Hauptmuster reduzieren: Autokauf, Möbelkauf oder Reparatur- und Behandlungskosten. Bieten Sie Ihren Kunden dementsprechend entsprechende Programme an.

Big Data und flexible Preisgestaltung

ML-Technologien optimieren die Preise in Abhängigkeit von Warenmenge, Verkaufstrends und anderen Faktoren. Heutzutage erwarten 63% der Benutzer eine Personalisierung basierend auf früheren Aktionen von Unternehmenswebsites, insbesondere von Online-Shops. Denken Sie beispielsweise an die Personalisierungsmechanismen auf Booking.com.

Mit Big-Data-Analysealgorithmen können Marketer historische Daten und Statistiken verwenden, um Prognosen zu erstellen. Mobile Analysedienste wie Amazon Mobile Analytics oder Google Cloud Machine Learning haben dies bereits erfolgreich eingesetzt.

Anzeigensegmentierung und -ausrichtung

Mit ML können Sie die Conversion in Abhängigkeit von externen Faktoren vorhersagen und Gebote im Kontext automatisch anpassen. Jetzt wurde die Entwicklung mit Verstärkung geschult: Das ursprüngliche Modell ist nicht im kontextuellen Werbesystem verankert. Sie beginnt mit der Umgebung zu interagieren und erhält Feedback. Das System korrigiert seine Aktionen basierend auf seinen eigenen Bewertungen der Feedback-Qualität. Wenn beispielsweise kontextbezogene Werbung im Bereich Bankprodukte gestartet wird, kann ein solcher Parameter für den Kunden des Bankangebots von Interesse sein.

Führungsqualifikation

ML-Algorithmen können vielversprechende Benutzer identifizieren, die mit der höchsten Wahrscheinlichkeit kaufbereit sind. Zu diesem Zweck sollten Vertriebsspezialisten und Vermarkter gemeinsam ihre eigenen Kriterien für die Beurteilung der „Prospektivität“ eines Kontakts entwickeln. Ein Algorithmus analysiert beispielsweise Sprachmuster, wählt Wörter aus, die das Engagement erhöhen, und klickt auf Wachstum. Dann können Sie eine Liste von Auslösewörtern erstellen, mit denen Vermarkter Werbung schreiben.

Die Welt verändert sich sehr schnell, der heutige Verbraucher wartet auf einen einzigartigen Service, er glaubt, dass alles sofort, personalisiert und in jedem für ihn geeigneten Kanal geschehen wird. ML ist eine große Hilfe und ein mächtiges Werkzeug für Vermarkter. Damit jedoch alles funktioniert, reicht es nicht aus, nur spezielle Software zu kaufen und zu installieren. Um AI oder ML in einer Organisation zu implementieren, müssen neue Prozesse erstellt oder bestehende neu formatiert werden: Zunächst müssen Sie an der Logistik eingehender Daten arbeiten und gemeinsame Standards für deren Verarbeitung in Echtzeit entwickeln.

Tatsächlich gibt es zwei große Gruppen von Benutzerdaten: Informationen, die Unternehmen selbst sammeln können (Durchschnittsscheck, Arten von Einkäufen usw.), und Informationen direkt über Verbindungskanäle (Interessen, Alter und andere Daten zur sozialen Aktivität des Benutzers). Zusammen ergeben all diese Daten ein vollständiges Porträt des Benutzers und ein Bild seiner Vorlieben. Diese Reihe von Informationen wird das "Lebensmittel" für ML-Algorithmen sein.

Was tun, nachdem die Daten gesammelt, verarbeitet und analysiert wurden? Die zweitwichtigste Phase der Arbeit mit ML-Algorithmen besteht darin, die erhaltenen Prognosen in der Praxis zu verwenden und detaillierte Karten darüber zu erstellen, wer, was, wo, wann und wie sie kaufen werden.

Zukünftige ML

Theoretisch können ML und AI ziemlich autonome und anthropomorphe Einheiten werden: Sie werden zu Skynet oder Helden aus der Serie Black Mirror. Erinnern wir uns an einige aktuelle Fälle mit Chat-Bots. Erstens, als die vom Facebook-Team entwickelten Bots nach einer kurzen Kommunikation miteinander ihre eigene Sprache erfanden. Die Schöpfer, die diese neopaganische Sprache nicht entziffern konnten, beschlossen, das Projekt dringend abzuschließen. Der zweite Fall ist etwas älter: Der von Microsoft auf Twitter gestartete Chat-Bot wurde schließlich zu einem harten Rassisten. Einen Tag nach dem Start entfernte Microsoft die provokantesten Bemerkungen des Bots.

Der tatsächliche Stand der Dinge zeigt jedoch, dass inländische Unternehmen keine Angst vor der wütenden KI haben sollten. Er würde lernen, kontextbezogene Kampagnen kompetent zu starten und benutzerfreundliche Websites zu erstellen.

Natürlich werden ML-Algorithmen und Methoden für den Einsatz in Marketing und Business entwickelt. Wir haben die folgenden Wachstumspunkte für diese Technologien identifiziert:

Verbesserung der Mechanismen zur Erfassung und Aufbereitung von Kundendaten. Eine der Haupteinschränkungen bei der Verwendung von ML im Geschäftsleben ist heute die geringe Datenqualität. Informationen sind häufig fragmentarisch und fragmentiert: Beispielsweise ist das Alter für eine Benutzergruppe und die Verbraucherpräferenzen für eine andere Benutzergruppe bekannt. Die Verbesserung der Datenqualität bedeutet eine Steigerung der Effizienz von ML-Algorithmen.

Verbesserung der Effektivität von ML im Geschäftsleben. Jetzt ist die Verwendung von KI nur für sehr große Unternehmen von Vorteil. Nach verschiedenen Schätzungen steigt die Geschäftseffizienz durch den Einsatz von ML nur um 2-3%. Dies eröffnet großen Spielraum für zukünftige gemeinsame Anstrengungen von Vermarktern und Entwicklern.

Entwicklung von Systemen zur Erfassung von Kundendaten. Bevor Sie mit der Analyse und Prognose von ML beginnen, müssen Sie eine Vielzahl von Informationen für die Analyse sammeln. Dazu müssen diese gesammelt, bereinigt und segmentiert werden. Dies eröffnet den Systemen zur Erfassung von Kundendaten und ihrer verschiedenen Kooperationen viel Spielraum.

KI wird alles selbst machen?

Egal, wie Vermarkter von einem Super-Service mit einem einzigen "Salvage" -Knopf träumen, es ist unwahrscheinlich, dass dies jemals Realität wird. Algorithmen und Berechnungen werden den Vermarkter selbst niemals ersetzen. ML ist nur ein Werkzeug, wenn auch ein mächtiges, das Sie benötigen, um es richtig verwenden zu können. In absehbarer Zeit wird die Maschine nicht in der Lage sein, den Kunden zu verstehen und seinen Bedarf an einem Produkt oder einer Dienstleistung zu decken.

Die mit AI und ML erhaltenen Daten werden letztendlich von einem lebenden Spezialisten interpretiert. Seine Professionalität, die Fähigkeit, Schlüsselvariablen, die das Ergebnis beeinflussen, korrekt zu identifizieren und den endgültigen Effekt der Anwendung von ML-Algorithmen zu bestimmen.