Apprentissage automatique pour les spécialistes du marketing: comment augmenter les bénéfices de l'entreprise

À la disposition des spécialistes du marketing modernes est un énorme arsenal d'outils numériques, c'est tout: des systèmes d'analyse aux plates-formes programmatiques sophistiquées et diverses solutions cloud. D'un autre côté, la quantité de données générées par les utilisateurs augmente comme une avalanche. Leur source est le facteur de comportement dans le réseau et la communication des utilisateurs dans le monde numérique. Pour naviguer dans ce flux d'informations, les spécialistes du marketing ont besoin de solutions spécialisées qui peuvent collecter les données des utilisateurs, les traiter et les présenter sous une forme pratique pour l'analyse. C'est là que l'intelligence artificielle et l'apprentissage automatique aident les spécialistes du marketing. L'apprentissage automatique (ML) est une sous-section de l'intelligence artificielle qui utilise des algorithmes qui peuvent être formés indépendamment, c'est-à-dire qu'ils n'ont pas besoin d'être spécialement programmés pour une tâche spécifique.

Selon le MIT Technology Review, 60% des entreprises sous une forme ou une autre utilisent le BC dans leur entreprise.

Selon les analystes, 2017 a été une année de développement intensif et de mise en œuvre du ML en entreprise. Cette technologie est maintenant au sommet de la courbe de maturité technologique de Gartner - ce qui signifie que dans un avenir proche, ML se développera intensivement et que les entreprises investiront dans ces technologies. Le magazine Computerworld a donné à ML la première place sur la liste des compétences les plus précieuses des employés. Les spécialistes du marketing sont principalement intéressés par les opportunités d'engagement personnalisé des utilisateurs que les algorithmes ML peuvent offrir. Ils vous permettent de faire trois choses principales:

1. Travailler avec le Big Data et effectuer une segmentation avancée de l'audience;
2. Effectuer des analyses prédictives du comportement des clients;
3. Fournir des recommandations pour ajuster les actions en temps réel.

Recommandations

Netflix, en utilisant l'analyse prédictive pour améliorer les recommandations aux visiteurs du site, les implique dans une utilisation plus active du service. Si vous avez déjà utilisé le site Web de Netflix, vous y avez probablement vu une section d'émissions de télévision recommandées. Toutes les recommandations sont fournies aux visiteurs du site à l'aide d'algorithmes d'apprentissage automatique qui analysent vos préférences et «comprennent» les catégories de films que vous aimez le plus. Le système de recommandation de produits sur e-Bay fonctionne de manière similaire.

Startup des États-Unis IdealSeat , utilise le ML et l'apprentissage en profondeur pour créer l'expérience du spectateur la plus confortable dans les matchs. Le service analyse de nombreux paramètres que les téléspectateurs peuvent choisir lors de la commande de billets: vous pouvez décider où vous voulez vous asseoir: à l'ombre ou au soleil, dans une zone de ventilateur ou familiale et ainsi de suite.

Analyse prédictive

En utilisant ML, les entreprises peuvent prévoir quand et pourquoi un client les contactera. Cela vous permet de personnaliser la communication avec les clients et de planifier les coûts de maintenance d'un service d'assistance. Par exemple, une entreprise peut analyser les préférences musicales d’une personne, former un modèle de son comportement de consommateur et calculer la valeur de son chèque moyen dans ses magasins. En principe, vous pouvez même identifier quel type d'achats et combien les fans des Beatles feront, et quel sera le chèque moyen pour les fans d'ABBA.

Les spécialistes de Sberbank ont ​​déjà appris à identifier et à prévoir les modèles de comportement des titulaires de carte. Par exemple, une banque peut distinguer les différentes activités des titulaires de carte et les réduire à trois modèles principaux: l'achat d'une voiture, l'achat de meubles ou les frais de réparation et de traitement. En fonction de cela, proposez des programmes adaptés à vos clients.

Big Data et tarification flexible

Les technologies ML optimisent les prix en fonction de la quantité de marchandises, des tendances des ventes et d'autres facteurs. Aujourd'hui, 63% des utilisateurs s'attendent à une personnalisation basée sur les actions précédentes des sites Web de l'entreprise, en particulier les magasins en ligne. À titre d'exemple, rappelez-vous les mécanismes de personnalisation sur Booking.com.

Avec les algorithmes d'analyse Big Data, les spécialistes du marketing peuvent utiliser des données historiques et des statistiques pour faire des prévisions. Les services d'analyse mobile tels qu'Amazon Mobile Analytic ou Google Cloud Machine Learning l' ont déjà utilisé avec succès.

Segmentation et ciblage des annonces

En utilisant ML, vous pouvez prévoir la conversion en fonction de facteurs externes et ajuster automatiquement les enchères en fonction du contexte. Maintenant, le développement a reçu une formation avec renforcement: le modèle initial n'est pas posé dans le système de publicité contextuelle. Elle commence à interagir avec l'environnement et à recevoir des commentaires. Le système corrige ses actions sur la base de ses propres évaluations de la qualité du feedback. Par exemple, si une publicité contextuelle est lancée dans le domaine des produits bancaires, un tel paramètre peut intéresser le client de l’offre de la banque.

Qualification de plomb

Les algorithmes ML peuvent identifier les utilisateurs prometteurs prêts à acheter avec la plus grande probabilité. Pour ce faire, les spécialistes de la vente et les spécialistes du marketing doivent développer conjointement leurs propres critères d'évaluation de la «prospectivité» d'un contact. Par exemple, un algorithme analyse les modèles de langage, sélectionne les mots qui augmentent l'engagement et la croissance des clics. Ensuite, vous pouvez faire une liste de mots déclencheurs avec lesquels les spécialistes du marketing rédigeront des publicités.

Le monde change très rapidement, le consommateur d'aujourd'hui attend un service unique, il pense que tout se passera instantanément, personnalisé et dans n'importe quel canal qui lui convient. ML est une grande aide et un outil puissant pour les spécialistes du marketing. Cependant, pour que tout fonctionne, il ne suffit pas d'acheter et d'installer des logiciels spécialisés. Pour implémenter l'IA ou le ML dans une organisation, il est nécessaire de créer de nouveaux processus ou de reformater des processus existants: tout d'abord, travailler sur la logistique des données entrantes et développer des standards communs pour leur traitement en temps réel.

En fait, il existe deux grands groupes de données utilisateur: les informations que les entreprises elles-mêmes peuvent collecter (chèque moyen, types d'achats, etc.) et les informations directement à partir des canaux de connexion (intérêts, âge et autres données sur l'activité sociale de l'utilisateur). Ensemble, toutes ces données donneront un portrait complet de l'utilisateur et une image de ses préférences. Ce tableau d'informations sera la «nourriture» des algorithmes ML.

Que faire après la collecte, le traitement et l'analyse des données? La deuxième étape la plus importante du travail avec les algorithmes ML consiste à utiliser les prévisions obtenues dans la pratique, à dresser des cartes détaillées de qui, quoi, où, quand et comment ils achèteront.

Future ML

En théorie, le ML et l'IA peuvent devenir des entités complètement autonomes et anthropomorphes: elles se transformeront en Skynet ou en héros de la série Black Mirror. Rappelons quelques cas récents de chat bots. Tout d'abord, lorsque les bots développés par l'équipe Facebook, après une brève communication les uns avec les autres, ont inventé leur propre langage. Les créateurs, qui n'ont pas pu déchiffrer ce langage néopagan, ont décidé de clore le projet de toute urgence. Le deuxième cas est un peu plus ancien: le chat bot lancé par Microsoft sur Twitter est finalement devenu un raciste coriace. Un jour après le lancement, Microsoft a supprimé les remarques les plus provocantes du bot.

Cependant, la situation réelle montre que les entreprises nationales ne devraient pas avoir peur de l'IA qui fait rage. Il apprendrait à lancer des campagnes contextuelles avec compétence et à créer des sites conviviaux.

Les algorithmes ML et les méthodes de son utilisation dans le marketing et les affaires seront bien sûr développés. Nous avons identifié les points de croissance suivants pour ces technologies:

Amélioration des mécanismes de collecte et de préparation des données clients. Aujourd'hui, l'une des principales limites de l'utilisation du ML dans les entreprises est le faible niveau de qualité des données. Les informations sont souvent fragmentaires et fragmentées: par exemple, l'âge est connu pour un groupe d'utilisateurs et les préférences des consommateurs sont connues pour un autre. Améliorer la qualité des données signifie augmenter l'efficacité des algorithmes ML.

Améliorer l'efficacité du ML dans les affaires. Désormais, l'IA n'est bénéfique que pour les très grandes entreprises. Selon diverses estimations, l'efficacité commerciale de l'utilisation du ML n'augmente que de 2 à 3%. Cela ouvre de grandes perspectives pour les futurs efforts communs des spécialistes du marketing et des développeurs.

Développement de systèmes de collecte de données clients. Avant de commencer ML avec des analyses et des prévisions, vous devez accumuler un large éventail d'informations pour l'analyse, et pour cela, elles doivent être collectées, nettoyées et segmentées. Cela ouvre de nombreuses perspectives aux systèmes de collecte de données clients et à leurs différentes collaborations.

L'IA fera tout lui-même?

Peu importe comment les spécialistes du marketing rêvent d'un super service avec un seul bouton «Récupération», il est peu probable que cela devienne une réalité. Les algorithmes et les calculs ne remplaceront jamais le spécialiste du marketing lui-même. ML n'est qu'un outil, bien que puissant, que vous devez pouvoir utiliser correctement. Dans un avenir prévisible, la machine ne sera pas en mesure de comprendre le client et de former son besoin d'un produit ou d'un service.

Les données obtenues en utilisant AI et ML sont finalement interprétées par un spécialiste vivant. Son professionnalisme, sa capacité à identifier correctement les variables clés qui affectent le résultat, et à déterminer l'effet final de l'application des algorithmes ML.