Приложения машинного обучения в маркетинге: руководство для начинающих.
Инструменты машинного обучения быстро наращивали свои возможности, вызывая огромный ажиотаж в СМИ и огромные волны инвестиций. Одним из самых больших низко висящих плодов для этих инструментов является цифровой маркетинг. Все-таки это эпоха кирпично-строительного апокалипсиса. По мере того, как компании перестраиваются, чтобы сосредоточиться на розничной торговле в цифровом пространстве, или превращаются в исключительно цифровых дистрибьюторов, дни маркетинговой аналитики старой школы быстро уходят на второй план. Цифровой маркетинг в конкурентной среде создает что-то с поразительной скоростью и объемом — Данные. Сообразительные компании, такие как Amazon, возглавившие первый цифровой переход в розничной торговле, осознали силу этих данных. Теперь мы вступаем в эпоху маркетинга, основанного на машинном обучении, которое может использовать преимущества этих больших данных для получения невероятных идей и повышения рентабельности инвестиций для компаний любого размера. С прогнозируемым среднегодовым темпом роста в 20,79% в маркетинге ИИ в период с 2018 по 2025 год (источник), это определенно кривая, которую руководители должны планировать опередить. Давайте рассмотрим некоторые варианты использования решений машинного обучения в маркетинге и некоторые компании, которые их создают.
Верх воронки продаж — это привлечение потенциальных клиентов, а ключом к этому является контент. В идеале это высококачественный контент, который не будет подавлен одним из немногих алгоритмических средств распространения, доминирующих на рынке рекламы. Ваша команда копирайтеров, графических дизайнеров и видеооператоров скоро пополнится веком искусственного интеллекта. Такие инструменты, как Wordsmith, используемые Associated Press, могут использовать обработку естественного языка для написания статей. Сгенерированные компьютером модели (не РНС или случайные леса, настоящие модели) уже реализованы и даже начинают внедряться в маркетинг влияния. Такие компании, как Wibbitz, используют огромное количество видеоконтента, доступного в Интернете, для создания увлекательных видеороликов на основе анализа текста. Их процесс, вероятно, представляет собой автоматическое редактирование стоковых видео, чтобы они хорошо сочетались с текстом, а не настоящая генерация, но все же они создают потрясающие видео. Эти программы машинного обучения, безусловно, по-прежнему требуют участия человека, но они позволяют кураторам контента создавать материалы более высокого качества гораздо быстрее.
Теперь у нас есть весь этот прекрасный контент, созданный с помощью машинного обучения. Как нам наиболее эффективно его развернуть? Это еще одна прекрасная возможность использовать возможности машинного обучения для повышения ценности всех генерируемых данных и максимизировать эффективность усилий расширенной маркетинговой команды. В сфере социальных сетей игроки, такие как SproutSocial и Movyl Technologies, предоставляют расширенную аналитику, которая не только дает представление, но и включает методы развертывания и создает цикл обратной связи на основе данных. Понимание того, какой контент находит отклик у потенциальных клиентов, и как такие факторы, как время распространения или канал, на котором он развернут, влияют на взаимодействие, являются ключом к маркетинговому успеху, изучение этих идей и автоматическое развертывание их идей для будущего распространения экономит время для маркетинговой команды и повышает рентабельность инвестиций. для компании.
Все чаще мы видим, как компании переходят к использованию преимуществ аналитики этого развернутого контента и результатов, когда они подключаются к CRM. Вы не только получаете маркетинговый вклад в виде KPI, но и другие идеи могут появиться из данных. Используя машинное обучение и статистические методы, такие как теория игр и значения Шепли, директора по маркетингу могут получать более точные показатели маркетинговой атрибуции для невероятно большого количества точек соприкосновения, что позволяет им стратегически инвестировать усилия своей команды в обеспечение наилучшего роста. Это также превращает подотчетность перед советом в дискуссию, основанную на мнении и данных. Подобные инструменты, которые раньше были доступны только продвинутым маркетологам и командам, использующим Google Analytics Premium, становятся все проще в создании и развертывании.
Итак, теперь ваше предприятие работает на вершине маркетинговой команды, оптимизированной для воронки машинного обучения, и, вероятно, видит результаты. Красивый контент, созданный искусственным интеллектом, привлекает внимание, распространение на основе аналитики и аналитика атрибуции контента. Что ж, наша работа сделана, давайте передадим ее команде UX и отделу продаж. Не совсем. Вы все еще занимаетесь маркетингом, то красивое видео, распространяемое на лучшей платформе в правильное время, выверенное аналитически, не получает полной ценности без оптимизации коэффициента конверсии. Ваш сайт должен быть разработан с нуля с целью подтолкнуть пользователей к достижению их конечной цели. Конечно, вы думали об этом, и ваша команда разработчиков запланировала это, но полностью ли оптимизирован ваш UX+CRO?
CRO — это основная область, в которой компании видят улучшенные результаты с помощью решений на основе ИИ. Частое использование данных о конверсиях клиентов во время корректировок UX с течением времени для обучения модели нейронной сети позволит вашему предприятию проверить вероятность успеха будущих корректировок UX с использованием созданной вами модели. Это многовариантное тестирование на основе нейронной сети. Одним из недостатков этого подхода является концепция когорты, это идея о том, что ваша модель обучается с использованием пакетных исторических данных. Полученные данные, как правило, будут полезны, но они разработаны с учетом большого количества прошлых вариантов выбора клиентов, а не оптимизируют конверсию для всех, кто попадает на страницу вашего продукта. Один из способов обойти это — использовать так называемую эволюционную генетическую модель. Подражание природе, чтобы взвесить влияние различных вариантов на конверсию с течением времени, используя множество узлов, которые можно настроить для действительно оптимизированного взаимодействия с пользователем. Если у вас есть большая команда по науке о данных, вам следует рассмотреть этот подход. Если вы хотите исследовать его как услугу, мы нашли только одну платформу, которая предлагает его, Sentient.AI.
Глядя на все реализации машинного обучения в воронке маркетинга/продаж таким образом, может показаться пугающим. Каждый элемент имеет уникальный вариант использования, который обычно требует определенного набора записанных данных и уникальных моделей машинного обучения для функциональной оптимизации данных. Каждый элемент имеет ограниченное количество поставщиков услуг, при этом некоторые варианты их использования и качество аналитики частично совпадают. Это ставит директоров по маркетингу, заинтересованных в применении большего количества машинного обучения, в положение, при котором возникает извечный вопрос «покупать или строить». Как вы оцениваете инвестиции в эти элементы и их рентабельность? Каждое предприятие уникально, но если взглянуть на широкий характер внедрения машинного обучения, мы можем увидеть два невероятно сильных решения, которые охватывают подавляющее большинство маркетинговых реализаций машинного обучения, которые мы обсуждали выше.
Покупка:
Разумные технологии. Хотя в настоящее время они не предлагают курирование контента, они могут оптимизировать все аспекты вашего маркетинга и воронки продаж. Используя распределенный эволюционный алгоритм, они могут обеспечить настоящее многовариантное тестирование вашего веб-сайта. Эффективная оптимизация коэффициента конверсии обеспечивает максимальную маркетинговую ценность.
Сборка:
ДатаРобот. Если у вас есть небольшая группа специалистов по обработке и анализу данных или ваша маркетинговая команда имеет ограниченный набор навыков машинного обучения, DataRobot может значительно повысить их эффективность и продуктивность. Они предоставляют платформу AutoML, которая предлагает помощь во всех аспектах конвейера обработки данных. DataRobot предлагает помощь в подготовке данных, автоматический выбор модели и простую методологию развертывания. Это позволяет вашей маркетинговой команде исследовать различные подходы, тестировать и настраивать различные модели и развертывать их гораздо быстрее.
Надеемся, что этот краткий обзор внедрения машинного обучения в воронку продаж и маркетинга, а также обзор некоторых поставщиков услуг, работающих в этой области, помогут вашему предприятию или команде сделать следующий шаг к расширению своих возможностей с помощью машинного обучения. Следите за нашей следующей записью в блоге «От воронки к песочным часам: как машинное обучение в маркетинге повышает ценность после закрытия». где мы обсуждаем приложения машинного обучения, предназначенные для удержания клиентов, снижения оттока и предоставления более качественных продуктов и услуг для обеспечения устаревшего бренда.
Бенджамин Кокс — AIsetr.com
