Maskinlæring lærer markedsførere å dyrke en veksttankegang

I samarbeid med Google

Mens digitalisering har anstrengt markedsavdelingens tradisjonelle metoder og tiltak de siste årene, gjenvinner funksjonen energien ved å koble til en rik og rikelig strømkilde: data.

Eksisterende bedriftsdata, så vel som informasjon samlet fra kontakt med forbrukere, har blitt en verdifull forretningsressurs. Med bruken av maskinlæring – en type algoritme som identifiserer mønstre i data og forbedrer med erfaring – kan bedrifter bruke data til å forutsi og lære å identifisere forbrukere som ser ut til å bli kunder med høy verdi.

Virksomhetsrestruktureringen som finner sted i dag, gjenspeiler transformasjonen som er i gang gjennom hele bransjer, fra media til produksjon, ettersom selskaper omkobler til å konkurrere i et digitalt gjennomvåt miljø. På lang tid hadde ingen av oss trodd at salg av mat og drikke over e-handel ville vært en så stor bedrift, sier Shyam Venugopal, visepresident for global media og forbrukerdatastrategi i PepsiCo. Vi opererer i et miljø som er i konstant endring.

Ingen av oss hadde trodd at det å selge mat og drikke over e-handel ville vært en så stor bedrift. Vi opererer i et miljø som er i konstant endring.

Med den økende kompleksiteten til kundenes kjøpsreiser, som nå spenner over flere enheter, plattformer og berøringspunkter, kan oppgaven med å følge med virke overveldende. Markedsførere har måttet revurdere sine tilnærminger for å nå potensielle kunder i en tid med uendelige muligheter for å lage og distribuere innhold. Målet deres er enda mer ambisiøst: å presist forutse potensielle kunders neste trekk, fange og til og med forme det de ønsker og trenger.

Overfloden av data som bedrifter kan samle inn, representerer en mulighet for oppfyllelse av ønsker for markedsledere i store selskaper som lengter etter å gå tilbake til å bygge en-til-en-relasjoner med kunder. Ved å investere i og utnytte maskinlæringsteknikker for å finkjemme dataene for innsikt, identifisere mønstre og lage prediktive modeller, kan markedsførere kartlegge kundereisen. De kan få en forståelse av hvordan ulike segmenter tar kjøpsbeslutninger og presentere dem med mer personlige budskap.

Å bryte markedsformen med maskinlæring

  • Last ned rapporten

Beslaglegger dataene

En fersk undersøkelse utført av MIT Technology Review Insights, i samarbeid med Google, bekreftet viktigheten av data i å bygge en hyperpersonlig markedsføringsstrategi. Undersøkelsen omfattet 1419 markedsledere fra selskaper med mer enn 100 millioner dollar i årlig omsetning, fra ulike bransjer, inkludert finansielle tjenester, detaljhandel, teknologi og utdanning.

Etter nøye vurdering av forretningsberegninger, kan respondentene kategoriseres som ledere eller etternøler: Ledere representerer selskaper som oppnådde en økning på over 15 prosent i inntekter over to år eller en økning på mer enn 15 prosentpoeng i markedsandel på samme tid. periode. Derimot var etternølere selskaper som så krympende inntekter eller tap av markedsandeler i samme tidsperiode. Blant respondentene sier to tredjedeler av lederne hvordan selskaper bruker dataene deres vil spille en nøkkelrolle i deres evne til å trives.

I tillegg til de tekniske broene som må krysses for å hente ut handlingskraftig innsikt fra data, må funksjonelle barrierer også senkes. Undersøkelsen fant at ledere er 60 prosent mer sannsynlig enn etternølere til å tro at markedsføringsteamet bør eie en datadrevet kundestrategi som støtter alle organisatoriske interessenter. Tidligere kan markedsføring ha overvåket etterspørselsgenerering, men den overførte disse føringene til salg. Nå må markedsføring ta eierskap til hele opplevelsen, spre innsikt og analyser gjennom hele virksomheten.

Utforme banen uten motstand

Med sin evne til å forstå og forutse den mest effektive markedsføringstilnærmingen for hver nåværende og potensiell kunde, avlaster maskinlæring markedsførere for de tunge løftene knyttet til nedlasting og manipulering av enorme mengder data.

Tenk for eksempel på en markedsføringsfunksjon som har samlet 2,5 millioner e-postadresser og som ønsker å kontakte folk som mest sannsynlig vil være mottakelige for et nytt produkttilbud. Manuell segmentering av dette volumet av kunder er tidkrevende, men å spraye dem med spam vil generere avmeldinger, og re -anskaffelse er uoverkommelig kostbart. Maskinlæring kan effektivt trekke ut e-postadresser hvis eiere har for eksempel 25 prosent sjanse for å åpne e-posten og 1 prosent sjanse for å melde seg ut. Veiledet av maskinlæringslogikk kan markedsførere identifisere og blande den optimale kombinasjonen av elementer som sannsynligvis vil føre til et vellykket forretningsmål.

Spore virkningen i hele virksomheten

Konsekvent utførelse på det nivået krever imidlertid mer enn å legge på lag med ny teknologi. Å maksimere kundesentriske prosesser betyr å forene dem, knytte ulike systemer sammen og sette dem i sentrum av virksomheten. For selskaper som vanligvis er organisert etter geografi eller produktlinje, representerer omveltningen en kulturell endring på DNA-nivå – en ny bedriftsarkitektur som støtter kundeopplevelsesadministrasjon.

Hvor kan en slik innsats begynne? I hver del av organisasjonen kan definisjonen av hva en kunde er, være forskjellig, observerer Allison Hartsoe, grunnlegger og administrerende direktør i Ambition Data, et konsulentfirma for dataanalyse. Organisasjonen må skape et enhetlig syn på kunden – en større, bredere definisjon som alle drar nytte av.

Forpliktelsen til å bli kundesentrert og datafokusert krever alltid organisatorisk omstrukturering. Det blir nødvendig fordi kundedataene er spredt på så mange avdelinger; så for å være omfattende trenger du at organisasjonen er på linje, sier Hartsoe. Det handler om å endre måten hele selskapet tenker på. I noen selskaper betyr å oppnå dette målet å legge til en chief analytics officer til C-suiten.

Uansett krever transformasjon til en sterk beregningsdrevet organisasjon diskrete funksjoner for å samarbeide mye tettere. Hos ett spillselskap, sier Hartsoe, tar ikke produktledere valg om hvilke produktfunksjoner som skal legges til uten å få innspill fra kundeforskningsgruppen. Gitt selskapets beslutning om å fokusere på kunder med høy verdi, før et valg tas, ønsker produktsjefene å vaske det gjennom beregningene til kunder med høy verdi, slik at de kan ta beslutninger på en kundesentrert måte, sier Hartsoe. Å bruke beregninger endrer beslutningsprosessen. Den gjør det også mulig for bedrifter å forhåndsvise virkningen av enhver produktiterasjon som vurderes.

Utstyrt med maskinlæringsteknologi vil markedsførere ikke bare gjøre arbeidet sitt annerledes – de vil også gjøre annerledes arbeid. I undersøkelsen sier nesten tre fjerdedeler (73 prosent) av markedsledere som investerer i maskinlæring at de har flyttet mer enn 10 prosent av tiden fra manuell aktivering til generering av strategisk innsikt. De kan nå administrere sine beslutninger om investeringsallokering mer flittig, og bruke sine begrensede ressurser til de mest lovende potensielle kundene. Maskinlæring kan sammenligne historiske data om folk som ble kjøpere med nykommere som viser lignende adferd før kjøp. Resultatet: en prediktiv modell basert på kundens fremtidige intensjoner.

Som undersøkelsen fant, er ledere 53 prosent mer sannsynlig enn etternølere til å si at maskinlæring behandler datasignaler for å hjelpe markedsførere med å bedre oppdage forbrukernes intensjoner. Evnen til å samle inn, organisere og analysere data fra flere kilder gjør det mulig for markedsførere å finne ut hvor nær kundene er en kjøpsbeslutning, og forme meldinger som er relevante i stedet for påtrengende. Moderne forbrukere, hvis forventninger til hva de kan kjøpe når – nemlig hva som helst og akkurat nå – foretrekker å gjøre forretninger med selskaper som forstår og hjelper dem.

En opphopning av slike kundepositive erfaringer danner byggesteinene i det som kan være det mest varige konkurransefortrinnet: kundelojalitet.

Vinne over kunder, fange avkastning

Markedsavdelinger kan nå sortere kunder i grupper med bedre nøyaktighet. Ved å definere verdibaserte kundesegmenter kan bedrifter øke markedsføringsavkastningen ved å time levering av meldingene deres når dataene indikerer at potensielle kunder er på nippet til å ta en beslutning.

Maskinlæring kan også måle hvor effektivt markedsføring investerer budsjettet sitt, og beregner kontinuerlig avkastningen. Undersøkelsen fant at ledere er dobbelt så sannsynlige som etternølere til å være enige om at bruk av maskinlæring i mediekampanjer har forbedret de dårligste avkastningene med 10 prosent eller mer. Markedsførere kan måle effekten av å bruke ulike markedsføringstaktikker, samtidig som de kvantifiserer verdien av isolerte elementer innenfor hver av disse aktivitetene. Med det i tankene kan de omfordele budsjettene sine, og flytte bort fra de minst effektive kanalene.

Ved å forene usammenhengende datasiloer og bruke maskinlæring på alle organisasjonens data, vil markedsføring få, og beholde, et klarere syn på disse kundene enn noen gang før og drive vekst for virksomheten. Etter hvert som markedsførere utvikler tillit til merverdien som følger av å integrere maskinlæring i funksjonen deres, vil et økende antall bli omgjort til entusiastiske studenter av teknologien – en uvurderlig vare i den prediktive, digitale tidsalderen.

Finn ut mer om maskinlærings innvirkning på markedsføring.

gjemme seg