Aprendizaje automático para especialistas en marketing: cómo aumentar los beneficios de la empresa

A disposición de los vendedores modernos hay un gran arsenal de herramientas digitales, eso es todo: desde sistemas de análisis hasta plataformas programáticas sofisticadas y varias soluciones en la nube. Por otro lado, la cantidad de datos generados por los usuarios está creciendo como una avalancha. Su fuente es el factor de comportamiento en la red y la comunicación del usuario en el mundo digital. Para navegar por este flujo de información, los especialistas en marketing necesitan soluciones especializadas que puedan recopilar datos del usuario, procesarlos y presentarlos en una forma conveniente para el análisis. Aquí es donde la inteligencia artificial y el aprendizaje automático ayudan a los especialistas en marketing. El aprendizaje automático (ML) es una subsección de inteligencia artificial que utiliza algoritmos que pueden ser entrenados de forma independiente, es decir, no necesitan ser programados especialmente para una tarea específica.

Según el MIT Technology Review, el 60% de las empresas de una forma u otra usan ML en sus negocios.

Según los analistas, 2017 fue un año de desarrollo intensivo e implementación de ML en los negocios. Esta tecnología está ahora en la cima de la curva de madurez de la tecnología de Gartner, lo que significa que en un futuro cercano ML se desarrollará intensamente y las empresas invertirán en estas tecnologías. La revista Computerworld le ha dado a ML el primer lugar en la lista de las habilidades más valiosas de los empleados. Los especialistas en marketing están interesados ​​principalmente en las oportunidades de participación personalizada del usuario que los algoritmos de ML pueden proporcionar. Te permiten hacer tres cosas principales:

1. Trabaje con Big Data y realice una segmentación avanzada de la audiencia;
2. Realizar análisis predictivos del comportamiento del cliente;
3. Proporcionar recomendaciones para ajustar acciones en tiempo real.

Recomendaciones

Netflix, utilizando análisis predictivos para mejorar las recomendaciones a los visitantes del sitio, los involucra en un uso más activo del servicio. Si alguna vez usó el sitio web de Netflix, entonces probablemente vio una sección de programas de televisión recomendados allí. Todas las recomendaciones se proporcionan a los visitantes del sitio utilizando algoritmos de aprendizaje automático que analizan sus preferencias y "entienden" qué categorías de películas le gustan más. El sistema de recomendación de productos en e-Bay funciona de manera similar.

Startup de USA IdealSeat , utiliza ML y aprendizaje profundo para crear la experiencia de espectador más cómoda en los partidos. El servicio analiza muchos parámetros que los espectadores pueden elegir al ordenar boletos: usted puede decidir dónde quiere sentarse: a la sombra o al sol, en un ventilador o en una zona familiar, y así sucesivamente.

Analítica predictiva

Con ML, las empresas pueden predecir cuándo y por qué un cliente se pondrá en contacto con ellos. Esto le permite personalizar la comunicación con los clientes y planificar los costos de mantener un servicio de soporte. Por ejemplo, una empresa puede analizar las preferencias musicales de una persona, formar un patrón de comportamiento de consumidor y calcular el valor de su cheque promedio en sus tiendas. En principio, incluso puede identificar qué tipo de compras y cuánto harán los fanáticos de los Beatles, y cuál será el cheque promedio para los fanáticos de ABBA.

Los especialistas de Sberbank ya han aprendido cómo identificar y predecir patrones de comportamiento de los titulares de tarjetas. Por ejemplo, un banco puede distinguir entre las diferentes actividades de los titulares de tarjetas y reducirlas a tres patrones principales: comprar un automóvil, comprar muebles o costos de reparación y tratamiento. Dependiendo de esto, ofrezca programas apropiados a sus clientes.

Big Data y precios flexibles

Las tecnologías de ML optimizan los precios en función de la cantidad de bienes, las tendencias de ventas y otros factores. Hoy, el 63% de los usuarios espera una personalización basada en acciones previas de los sitios web de la compañía, especialmente en las tiendas en línea. Como ejemplo, recuerde los mecanismos de personalización en Booking.com.

Con los algoritmos de análisis de Big Data, los especialistas en marketing pueden usar datos históricos y estadísticas para hacer pronósticos. Los servicios de análisis móvil como Amazon Mobile Analytic o Google Cloud Machine Learning ya lo han utilizado con éxito.

Segmentación de anuncios y orientación

Con ML, puede predecir la conversión en función de factores externos y ajustar automáticamente las ofertas en el contexto. Ahora el desarrollo ha recibido capacitación con refuerzo: el modelo inicial no está establecido en el sistema de publicidad contextual. Ella comienza a interactuar con el medio ambiente y recibe comentarios. El sistema corrige sus acciones basándose en sus propias evaluaciones de calidad de retroalimentación. Por ejemplo, si se lanza publicidad contextual en el campo de los productos bancarios, dicho parámetro puede ser de interés para el cliente de la oferta del banco.

Calificación de plomo

Los algoritmos de ML pueden identificar usuarios prometedores que están listos para comprar con la mayor probabilidad. Para hacer esto, los especialistas en ventas y los vendedores deben desarrollar conjuntamente sus propios criterios para evaluar la "prospectividad" de un contacto. Por ejemplo, un algoritmo analiza patrones de lenguaje, selecciona palabras que aumentan el compromiso y el crecimiento de clics. Luego puede hacer una lista de palabras de activación con las que los especialistas en marketing escribirán anuncios.

El mundo está cambiando muy rápidamente, el consumidor de hoy está esperando un servicio único, piensa que todo sucederá de manera instantánea, personalizada y en cualquier canal que sea conveniente para él. ML es una gran ayuda y una herramienta poderosa para los especialistas en marketing. Sin embargo, para que todo funcione, no basta con comprar e instalar software especializado. Para implementar AI o ML en una organización, es necesario crear procesos nuevos o reformatear los existentes: en primer lugar, trabajar en la logística de los datos entrantes y desarrollar estándares comunes para su procesamiento en tiempo real.

De hecho, hay dos grandes grupos de datos del usuario: información que las propias empresas pueden recopilar (cheque promedio, tipos de compras, etc.) e información directamente de los canales de conexión (intereses, edad y otros datos sobre la actividad social del usuario). Juntos, todos estos datos darán un retrato completo del usuario y una imagen de sus preferencias. Este conjunto de información será el "alimento" para los algoritmos de ML.

¿Qué hacer después de que los datos se recopilan, procesan y analizan? La segunda etapa más importante de trabajar con algoritmos de ML es utilizar los pronósticos obtenidos en la práctica, elaborar mapas detallados de quién, qué, dónde, cuándo y cómo comprarán.

Futuro ML

En teoría, ML e IA pueden convertirse en entidades bastante autónomas y antropomórficas: se convertirán en Skynet o en héroes de la serie Black Mirror. Recordemos un par de casos recientes con bots de chat. Primero, cuando los bots desarrollados por el equipo de Facebook, después de una breve comunicación entre ellos, inventaron su propio idioma. Los creadores, que no pudieron descifrar este lenguaje neopagano, decidieron cerrar urgentemente el proyecto. El segundo caso es un poco más antiguo: el bot de chat lanzado por Microsoft en Twitter finalmente se convirtió en un racista duro. Un día después del lanzamiento, Microsoft eliminó los comentarios más provocativos del bot.

Sin embargo, el estado real de las cosas muestra que las empresas nacionales no deberían temer a la furiosa IA. Aprendería a lanzar campañas contextuales de manera competente y a crear sitios fáciles de usar.

Se desarrollarán algoritmos de ML y métodos de su uso en marketing y negocios, por supuesto. Hemos identificado los siguientes puntos de crecimiento para estas tecnologías:

Mejora de los mecanismos de recopilación y preparación de datos de clientes. Hoy, una de las principales limitaciones del uso de ML en los negocios es el bajo nivel de calidad de los datos. La información es a menudo fragmentaria y fragmentada: por ejemplo, la edad se conoce para un grupo de usuarios y las preferencias del consumidor se conocen para otro. Mejorar la calidad de los datos significa aumentar la eficiencia de los algoritmos de ML.

Mejora de la efectividad de ML en los negocios. Ahora usar IA es beneficioso solo para empresas muy grandes. Según diversas estimaciones, la eficiencia comercial del uso de ML aumenta solo en un 2-3%. Esto abre un gran margen para futuros esfuerzos conjuntos de especialistas en marketing y desarrolladores.

Desarrollo de sistemas para recopilar datos de clientes. Antes de comenzar ML con análisis y pronósticos, debe acumular una gran variedad de información para el análisis, y para esto debe recopilarse, limpiarse y segmentarse. Esto abre muchas posibilidades para los sistemas de recopilación de datos de clientes y sus diversas colaboraciones.

¿AI hará todo por sí mismo?

No importa cómo los especialistas en marketing sueñen con un súper servicio con un solo botón de "Salvamento", es poco probable que esto se convierta en realidad. Algoritmos y cálculos nunca reemplazarán al vendedor mismo. ML es solo una herramienta, aunque poderosa, que necesita poder usar correctamente. En nuestro futuro previsible, la máquina no podrá entender al cliente y satisfacer su necesidad de un producto o servicio.

Los datos obtenidos con AI y ML son interpretados por un especialista vivo. Su profesionalismo, la capacidad de identificar correctamente las variables clave que afectan el resultado, y determinar el efecto final de la aplicación de algoritmos de ML.