Pembelajaran mesin untuk pemasar: cara meningkatkan laba perusahaan

Yang tersedia bagi pemasar modern adalah gudang besar alat digital, itu saja: dari sistem analitik hingga platform programatik yang canggih dan berbagai solusi cloud. Di sisi lain, jumlah data yang dihasilkan oleh pengguna tumbuh seperti longsoran salju. Sumber mereka adalah faktor perilaku dalam jaringan dan komunikasi pengguna di dunia digital. Untuk menavigasi arus informasi ini, pemasar membutuhkan solusi khusus yang dapat mengumpulkan data pengguna, memproses, dan menyajikan dalam bentuk yang nyaman untuk dianalisis. Di sinilah kecerdasan buatan dan pembelajaran mesin membantu pemasar. Machine learning (ML) adalah subbagian dari kecerdasan buatan yang menggunakan algoritma yang dapat dilatih secara mandiri, yaitu, mereka tidak perlu diprogram secara khusus untuk tugas tertentu.

Menurut Tinjauan Teknologi MIT, 60% perusahaan dalam satu bentuk atau lainnya menggunakan ML dalam bisnis mereka.

Menurut analis, 2017 adalah tahun pengembangan intensif dan implementasi ML dalam bisnis. Teknologi ini sekarang berada di puncak kurva kematangan teknologi Gartner - yang berarti bahwa dalam waktu dekat ML akan berkembang secara intensif, dan perusahaan akan berinvestasi dalam teknologi ini. Majalah Computerworld telah memberikan ML tempat teratas dalam daftar keterampilan paling berharga karyawan. Pemasar terutama tertarik pada peluang untuk keterlibatan pengguna yang dipersonalisasi yang dapat disediakan oleh algoritma ML. Mereka memungkinkan Anda melakukan tiga hal utama:

1. Bekerja dengan Big Data dan melakukan segmentasi audiens yang canggih;
2. Melakukan analisis prediktif terhadap perilaku pelanggan;
3. Berikan rekomendasi untuk menyesuaikan tindakan secara real time.

Rekomendasi

Netflix, menggunakan analitik prediktif untuk meningkatkan rekomendasi kepada pengunjung situs, melibatkan mereka dalam penggunaan layanan yang lebih aktif. Jika Anda pernah menggunakan situs web Netflix, maka Anda mungkin melihat bagian acara TV yang direkomendasikan di sana. Semua rekomendasi diberikan kepada pengunjung situs menggunakan algoritma pembelajaran mesin yang menganalisis preferensi Anda dan “memahami” kategori film mana yang paling Anda sukai. Sistem rekomendasi produk pada e-Bay bekerja dengan cara yang sama.

Mulai dari USA IdealSeat , menggunakan ML dan pembelajaran mendalam untuk menciptakan pengalaman penonton yang paling nyaman dalam pertandingan. Layanan ini menganalisis banyak parameter yang dapat dipilih pemirsa ketika memesan tiket: Anda dapat memutuskan di mana Anda ingin duduk: di bawah naungan atau di bawah sinar matahari, di zona penggemar atau keluarga, dan sebagainya.

Analitik prediktif

Dengan menggunakan ML, perusahaan dapat memprediksi kapan dan mengapa pelanggan akan menghubungi mereka. Ini memungkinkan Anda untuk mempersonalisasikan komunikasi dengan pelanggan dan merencanakan biaya pemeliharaan layanan dukungan. Misalnya, perusahaan dapat menganalisis preferensi musik seseorang, membentuk pola perilaku konsumennya dan menghitung nilai rata-rata ceknya di tokonya. Pada prinsipnya, Anda bahkan dapat mengidentifikasi jenis pembelian dan berapa banyak yang akan dilakukan oleh penggemar Beatles, dan berapa rata-rata cek untuk para penggemar ABBA.

Spesialis Sberbank telah belajar bagaimana mengidentifikasi dan memprediksi pola perilaku pemegang kartu. Sebagai contoh, bank dapat membedakan antara berbagai aktivitas pemegang kartu dan menguranginya menjadi tiga pola utama: membeli mobil, membeli furnitur atau memperbaiki dan biaya perawatan. Bergantung pada ini, tawarkan program yang sesuai untuk pelanggan Anda.

Data Besar dan Harga Fleksibel

Teknologi ML mengoptimalkan harga tergantung pada jumlah barang, tren penjualan, dan faktor lainnya. Hari ini 63% pengguna mengharapkan personalisasi berdasarkan tindakan sebelumnya dari situs web perusahaan, terutama toko online. Sebagai contoh, ingat mekanisme personalisasi pada Booking.com.

Dengan algoritma analisis Big Data, pemasar dapat menggunakan data historis dan statistik untuk membuat perkiraan. Layanan analitik seluler seperti Amazon Mobile Analytic atau Google Cloud Machine Learning telah berhasil menggunakan ini.

Segmentasi dan penargetan iklan

Dengan menggunakan ML, Anda dapat memprediksi konversi tergantung pada faktor-faktor eksternal dan secara otomatis menyesuaikan tawaran dalam konteks. Sekarang pengembangan telah menerima pelatihan dengan penguatan: model awal tidak diletakkan dalam sistem periklanan kontekstual. Dia mulai berinteraksi dengan lingkungan dan menerima umpan balik. Sistem memperbaiki tindakannya berdasarkan penilaian kualitas umpan baliknya sendiri. Misalnya, jika iklan kontekstual diluncurkan di bidang produk perbankan, maka parameter semacam itu mungkin menarik bagi klien dari penawaran bank.

Kualifikasi memimpin

Algoritma ML dapat mengidentifikasi pengguna yang menjanjikan yang siap membeli dengan probabilitas tertinggi. Untuk melakukan ini, spesialis penjualan dan pemasar harus bersama-sama mengembangkan kriteria mereka sendiri untuk menilai "prospektivitas" dari kontak. Misalnya, suatu algoritma menganalisis pola bahasa, memilih kata-kata yang meningkatkan keterlibatan dan pertumbuhan klik. Kemudian Anda dapat membuat daftar kata-kata pemicu yang akan digunakan pemasar untuk menulis iklan.

Dunia berubah dengan sangat cepat, konsumen saat ini sedang menunggu layanan yang unik, ia berpikir bahwa semuanya akan terjadi secara instan, dipersonalisasi dan dalam saluran apa pun yang nyaman baginya. ML adalah bantuan besar dan alat yang ampuh untuk pemasar. Namun, agar semuanya berfungsi, tidak cukup hanya dengan membeli dan menginstal perangkat lunak khusus. Untuk menerapkan AI atau ML dalam suatu organisasi, penting untuk membuat baru atau memformat ulang proses yang ada: pertama-tama, bekerja pada logistik data yang masuk dan mengembangkan standar umum untuk pemrosesan mereka secara real time.

Bahkan, ada dua kelompok besar data pengguna: informasi yang dapat dikumpulkan sendiri oleh perusahaan (cek rata-rata, jenis pembelian, dll.) Dan informasi langsung dari saluran koneksi (minat, umur, dan data lain tentang aktivitas sosial pengguna). Bersama-sama, semua data ini akan memberikan potret lengkap pengguna dan gambar pilihannya. Rangkaian informasi ini akan menjadi "makanan" untuk algoritma ML.

Apa yang harus dilakukan setelah data dikumpulkan, diproses, dan dianalisis? Tahap terpenting kedua bekerja dengan algoritma ML adalah menggunakan prakiraan yang diperoleh dalam praktik, menyusun peta terperinci tentang siapa, apa, di mana, kapan, dan bagaimana mereka akan membeli.

ML masa depan

Secara teori, ML dan AI dapat menjadi entitas yang sepenuhnya otonom dan antropomorfik: mereka akan berubah menjadi Skynet atau pahlawan dari seri Black Mirror. Mari kita ingat beberapa kasus terkini dengan bot obrolan. Pertama, ketika bot dikembangkan oleh tim Facebook, setelah komunikasi singkat satu sama lain, menemukan bahasa mereka sendiri. Pencipta, yang tidak bisa menguraikan bahasa neopagan ini, memutuskan untuk segera menutup proyek. Kasus kedua sedikit lebih tua: bot obrolan yang diluncurkan oleh Microsoft di Twitter akhirnya menjadi rasis yang tangguh. Sehari setelah peluncuran, Microsoft menghapus komentar bot yang paling provokatif.

Namun, keadaan sebenarnya menunjukkan bahwa bisnis domestik tidak perlu takut dengan AI yang mengamuk. Dia akan belajar meluncurkan kampanye kontekstual yang kompeten dan membuat situs yang ramah pengguna.

Algoritma ML dan metode penggunaannya dalam pemasaran dan bisnis, tentu saja, akan dikembangkan. Kami telah mengidentifikasi poin pertumbuhan berikut untuk teknologi ini:

Meningkatkan mekanisme untuk mengumpulkan dan menyiapkan data pelanggan. Saat ini, salah satu batasan utama menggunakan ML dalam bisnis adalah rendahnya kualitas data. Informasi seringkali terpisah-pisah dan terpecah-pecah: misalnya, usia diketahui untuk satu kelompok pengguna, dan preferensi konsumen dikenal untuk yang lain. Meningkatkan kualitas data berarti meningkatkan efisiensi algoritma ML.

Meningkatkan efektivitas ML dalam bisnis. Sekarang menggunakan AI hanya bermanfaat bagi perusahaan yang sangat besar. Menurut berbagai perkiraan, efisiensi bisnis dari penggunaan ML meningkat hanya 2-3%. Ini membuka ruang lingkup besar untuk upaya bersama di masa depan oleh pemasar dan pengembang.

Pengembangan sistem untuk mengumpulkan data pelanggan. Sebelum memulai ML dengan analitik dan peramalan, Anda perlu mengakumulasikan banyak informasi untuk analisis, dan untuk ini perlu dikumpulkan, dibersihkan, dan disegmentasi. Ini membuka banyak ruang untuk sistem untuk mengumpulkan data pelanggan dan berbagai kolaborasi mereka.

AI akan melakukan semuanya sendiri?

Tidak peduli bagaimana pemasar memimpikan layanan super dengan satu tombol "Penyelamatan", ini tidak mungkin menjadi kenyataan. Algoritma dan perhitungan tidak akan pernah menggantikan pemasar itu sendiri. ML hanyalah alat, meskipun yang kuat, yang Anda butuhkan agar dapat digunakan dengan benar. Di masa mendatang, mesin tidak akan dapat memahami pelanggan dan membentuk kebutuhannya akan produk atau layanan.

Data yang diperoleh dengan menggunakan AI dan ML pada akhirnya ditafsirkan oleh seorang spesialis hidup. Profesionalisme-nya, kemampuan untuk mengidentifikasi dengan benar variabel-variabel kunci yang mempengaruhi hasil, dan menentukan efek akhir dari penerapan algoritma ML.