Machine learning lærer marketingfolk at dyrke en væksttankegang

I forbindelse med Google

Mens digitaliseringen har belastet marketingafdelingens traditionelle metoder og tiltag de seneste år, genvinder funktionen sin energi ved at tilslutte sig en rig og rigelig strømkilde: data.

Eksisterende virksomhedsdata såvel som information indsamlet fra interaktion med forbrugere er blevet et værdifuldt forretningsaktiv. Med fremkomsten af ​​maskinlæring – en type algoritme, der identificerer mønstre i data og forbedres med erfaring – kan virksomheder bruge data til at forudsige og lære at identificere forbrugere, der ser ud til at blive kunder med høj værdi.

Den omstrukturering af virksomheden, der finder sted i dag, afspejler den transformation, der er undervejs i hele brancher, fra medier til fremstilling, efterhånden som virksomheder omkobler til at konkurrere i et digitalt gennemblødt miljø. I lang tid ville ingen af ​​os have troet, at salg af mad og drikke over e-handel ville have været så stor en forretning, siger Shyam Venugopal, vicepræsident for global medie- og forbrugerdatastrategi hos PepsiCo. Vi opererer i et miljø, der er i konstant forandring.

Ingen af ​​os ville have troet, at salg af mad og drikke via e-handel ville have været så stor en forretning. Vi opererer i et miljø, der er i konstant forandring.

I betragtning af den voksende kompleksitet af kundernes købsrejser, som nu spænder over flere enheder, platforme og touchpoints, kan opgaven med at følge med virke overvældende. Marketingfolk har været nødt til radikalt at gentænke deres tilgange til at nå ud til potentielle kunder i en æra med uendelige muligheder for at skabe og distribuere indhold. Deres mål er endnu mere ambitiøst: at præcist forudse deres potentielle kunders næste træk, fange og endda forme det, de ønsker og har brug for.

Overfloden af ​​data, som virksomheder kan indsamle, repræsenterer en mulighed for opfyldelse af ønsker for marketingchefer hos store virksomheder, der længes efter at vende tilbage til at opbygge en-til-en-relationer med kunder. Ved at investere i og udnytte maskinlæringsteknikker til at finkæmme dataene for indsigt, identificere mønstre og skabe forudsigelige modeller, kan marketingfolk kortlægge kunderejsen. De kan få en forståelse af, hvordan forskellige segmenter træffer købsbeslutninger og præsentere dem med mere personlige budskaber.

At bryde marketingformen med maskinlæring

• Download rapporten

Beslaglæggelse af data

En nylig undersøgelse udført af MIT Technology Review Insights i samarbejde med Google bekræftede centraliteten af ​​data i opbygningen af ​​en hyper-personlig marketingstrategi. Undersøgelsen omfattede 1.419 marketingchefer fra virksomheder med mere end 100 millioner dollars i årlig omsætning fra forskellige brancher, herunder finansielle tjenesteydelser, detailhandel, teknologi og uddannelse.

Efter nøje overvejelse af forretningsmålinger kan respondenterne kategoriseres som ledere eller efternøler: Ledere repræsenterer virksomheder, der opnåede en stigning på mere end 15 procent i omsætning over to år eller en stigning på mere end 15 procentpoint i markedsandel på samme tid periode. I modsætning hertil var efternøler virksomheder, der oplevede faldende omsætning eller tab af markedsandele i samme periode. Blandt de adspurgte siger to tredjedele af lederne, hvordan virksomheder anvender deres data, vil spille en nøglerolle i deres evne til at trives.

Ud over de tekniske broer, der skal krydses for at udtrække handlingsvenlig indsigt fra data, skal funktionelle barrierer også sænkes. Undersøgelsen viste, at ledere er 60 procent mere tilbøjelige end efternøler til at tro, at marketingteamet bør eje en datadrevet kundestrategi, der understøtter alle organisatoriske interessenter. Tidligere kunne marketing have overvåget efterspørgselsgenerering, men det videregav disse kundeemner til salg. Nu skal marketing tage ejerskab over hele oplevelsen og sprede indsigt og analyser i hele virksomheden.

Design af vejen uden modstand

Med sin evne til at forstå og forudse den mest effektive markedsføringstilgang for hver nuværende og potentielle kunde, aflaster maskinlæring marketingfolk for de tunge løft, der er forbundet med at downloade og manipulere enorme mængder data.

Overvej for eksempel en marketingfunktion, der har samlet 2,5 millioner e-mail-adresser og ønsker at kontakte folk, der med størst sandsynlighed vil være modtagelige for et nyt produktudbud. Manuel segmentering af denne mængde kunder er tidskrævende, men at sprøjte dem med spam vil generere afmeldinger, og vedr -erhvervelse er uoverkommeligt dyrt. Machine learning kan effektivt udtrække e-mail-adresser, hvis ejere har for eksempel 25 procents chance for at åbne e-mailen og 1 procents chance for at afmelde sig. Vejledt af maskinlæringslogik kan marketingfolk identificere og blande den optimale kombination af elementer, der sandsynligvis vil føre til et vellykket forretningsmål.

Sporing af påvirkningen i hele virksomheden

Konsekvent eksekvering på det niveau kræver dog mere end at tilføje ny teknologi. Maksimering af kundecentrerede processer betyder at forene dem, binde forskellige systemer sammen og sætte dem i centrum af virksomheden. For virksomheder, der typisk er organiseret efter geografi eller produktlinje, repræsenterer omvæltningen en kulturel forandring på DNA-niveau - en ny virksomhedsarkitektur, der understøtter kundeoplevelsesstyring.

Hvor kan en sådan indsats begynde? I hver del af organisationen kan definitionen af, hvad en kunde er, være forskellig, bemærker Allison Hartsoe, grundlægger og administrerende direktør for Ambition Data, et dataanalytisk konsulentfirma. Organisationen skal skabe et samlet syn på kunden – en større, bredere definition, som alle har gavn af.

Forpligtelsen til at blive kundecentreret og datafokuseret kræver uvægerligt organisatorisk omstrukturering. Det bliver nødvendigt, fordi kundedata er spredt på så mange afdelinger; så for at være omfattende skal organisationen tilpasse sig, siger Hartsøe. Det handler om at ændre den måde, hele virksomheden tænker på. I nogle virksomheder betyder opnåelse af dette mål at tilføje en analytikerchef til C-pakken.

Under alle omstændigheder kræver transformation til en stærk metrik-drevet organisation diskrete funktioner for at arbejde meget tættere sammen. Hos en spilvirksomhed, siger Hartsoe, træffer produktchefer ikke valg om, hvilke produktfunktioner der skal tilføjes uden at få input fra kundeforskningsgruppen. I lyset af virksomhedens beslutning om at fokusere på kunder med høj værdi, inden der træffes et valg, ønsker produktcheferne at vaske det igennem metrics for kunder med høj værdi, så de kan træffe beslutninger på en kundecentreret måde, siger Hartsoe. Brug af metrics ændrer beslutningsprocessen. Det giver også virksomheder mulighed for på forhånd at vurdere virkningen af ​​enhver produktiteration, der overvejes.

Udstyret med maskinindlæringsteknologi vil marketingfolk ikke kun udføre deres arbejde anderledes – de vil også udføre forskelligt arbejde. I undersøgelsen siger næsten tre fjerdedele (73 procent) af marketingledere, der investerer i maskinlæring, at de har flyttet mere end 10 procent af deres tid fra manuel aktivering til generering af strategisk indsigt. De kan nu mere omhyggeligt styre deres beslutninger om investeringsallokering og afsætte deres begrænsede ressourcer til de mest lovende potentielle kunder. Maskinlæring kan sammenligne historiske data om personer, der blev købere, med nytilkomne, der viser lignende adfærd før køb. Resultatet: en forudsigelsesmodel baseret på en kundes fremtidige hensigt.

Som undersøgelsen viste, er ledere 53 procent mere tilbøjelige end efternøler til at sige, at maskinlæring behandler datasignaler for at hjælpe marketingfolk med bedre at opdage forbrugernes hensigter. Evnen til at indsamle, organisere og analysere data fra flere kilder gør det muligt for marketingfolk at finde ud af, hvor tæt kunderne er på en købsbeslutning, og forme budskaber, der er relevante snarere end påtrængende. Moderne forbrugere, hvis forventninger til, hvad de kan købe når – nemlig hvad som helst og lige nu – foretrækker at handle med virksomheder, der forstår og hjælper dem.

En ophobning af sådanne kundepositive oplevelser danner byggestenene i, hvad der kan være den mest holdbare konkurrencefordel: kundeloyalitet.

At vinde kunder, fange afkast

Marketingafdelinger kan nu sortere kunder i grupper med bedre nøjagtighed. Ved at definere værdibaserede kundesegmenter kan virksomheder øge deres markedsføringsafkast ved at time leveringen af ​​deres budskaber, når dataene indikerer, at potentielle kunder er på nippet til at træffe en beslutning.

Maskinlæring kan også måle, hvor effektivt marketing investerer sit budget, ved løbende at beregne afkastet. Undersøgelsen viste, at det er dobbelt så sandsynligt, at ledere som efternøler er enige om, at brugen af ​​maskinlæring i mediekampagner har forbedret dårligst ydende ROI'er med 10 procent eller mere. Markedsførere kan måle effekten af ​​at bruge forskellige markedsføringstaktikker, mens de også kvantificerer værdien af ​​isolerede elementer inden for hver af disse aktiviteter. Med det i tankerne kan de omfordele deres budgetter og skifte væk fra de mindst effektive kanaler.

Ved at forene usammenhængende datasiloer og anvende maskinlæring på alle organisationens data, vil marketing få og bevare et klarere overblik over disse kunder end nogensinde før og drive vækst for virksomheden. Efterhånden som marketingfolk udvikler tillid til den merværdi, der følger af at integrere maskinlæring i deres funktion, vil et stigende antal blive omdannet til entusiastiske studerende på teknologien - en uvurderlig vare i den forudsigelige, digitale tidsalder.

Få mere at vide om maskinlærings indvirkning på markedsføring.

skjule