كيفية جعل القطاعات التي يحركها الذكاء الاصطناعي تعمل في CDPs القابلة للتكوين

تفوقت القطاعات المعتمدة على الذكاء الاصطناعي على القطاعات القياسية بنسبة تصل إلى 42% في الاختبار المباشر الأخير. تعتبر هذه النتيجة نموذجية بالنسبة للعلامات التجارية التي تتحول من النهج القائم على القواعد إلى التجزئة المستندة إلى الذكاء الاصطناعي. يميل المصعد إلى أن يكون أكبر إذا لم يتم استخدام التجزئة مسبقًا.

تحتوي العديد من عروض CDP "المجمعة" على علم بيانات مجمع يقوم بتنفيذ الذكاء الاصطناعي التنبؤي المهم مع الحد الأدنى نسبيًا من التكوين. ومع ذلك، إذا كنت تتبنى نهجًا قابلاً للتركيب في CDP الخاص بك، فقد تتساءل عن كيفية جعل الشرائح المستندة إلى الذكاء الاصطناعي تعمل عبر عدد لا يحصى من القنوات - نظرًا لأن CDP "القابل للتركيب" يعتمد على البيانات والسمات الموجودة في مستودع البيانات الخاص بك.

ما الذي توفره CDPs المجهزة بعلم البيانات؟

يمكن أن يكون هذا الموضوع مقالًا بحد ذاته، لكنني سأقوم بتصنيف عروض علوم بيانات CDP المجمعة على نطاق واسع إلى ثلاث فئات:

• الإثراءات السلوكية
• بناة علوم البيانات المخصصة.
• احضر خاصتك.

الإثراءات السلوكية

ابتكرت العديد من CDPs عروضًا تصنف سلوك المستخدم حول:

• تقارب المحتوى.
• تقارب القناة.
• التهديف السلوكي.

قد تكون هذه التصنيفات مفيدة بمعزل عن التجزئة القائمة على القواعد أو كميزات قيمة لبناء نماذج مخصصة.

الامثله تشمل:

• التسجيل السلوكي وتقارب المحتوى الخاص بـ Lytics، والذي يعمل بشكل جيد مع علامة JavaScript الخاصة به.
• لدى BlueConic مجموعة مماثلة من النتائج السلوكية.
• توفر قدرة Simon Predict من Simon Data تحليلات تنبؤية لنتائج تسويقية محددة.

بناة علوم البيانات المخصصة

توفر العديد من برامج CDP المجمعة لمنشئي علوم البيانات لتكوين نماذج التعلم الآلي التي توفر تسجيلًا منتظمًا من خلال المعلمات المحددة من قبل المستخدم.

لقد كان Lytics وBlueshift وBlueConic وغيرهم من أوائل المستخدمين. يتمتع العمالقة، Adobe وSalesforce، بقدرات تنبؤية. حتى أن mParticle وTwilio Segment قد قدمتا إمكانات خلال فترة 6 إلى 12 شهرًا الماضية بعد سنوات من تعزيز جودة البيانات.

تعد حلول "قم ببناء حلولك الخاصة" قوية، ولكنها تفرض الكثير من القرارات شبه الفنية على مستخدمي المنصات التي غالبًا ما يكون لها مستخدمون تسويق غير تقنيين. يؤدي التنافر بين العرض والمستخدم النهائي اليومي إلى تحديات التبني.

احضر خاصتك

يمكن لجميع CDPs تضمين السمات لعميل معين. يمكن أن تكون درجات علوم البيانات واحدة من هذه. لقد قام العديد من العملاء الذين عملت معهم باستثمارات كبيرة في علم البيانات ويسعون إلى ربط مخرجات علم البيانات بشكل أفضل بعمليات التنشيط التسويقي.

لقد كان من المثير للاهتمام بالنسبة لي أنه حتى في عام 2023، لا تزال هناك تمارين لعلم البيانات التسويقية غير مرتبطة بحالة استخدام تسويقية واضحة. يمكن لـ CDP حل مشكلة دمج النتائج التنبؤية وذكاء العملاء في قنوات التسويق، ولكن يجب أن يكون هناك وجود لعلم البيانات الداخلي أولاً.

هذا هو الشيء الجميل في CDP المعبأ. علم البيانات موجود بالفعل هناك. ومع ذلك، فإن الحجة المؤيدة للتركيب قوية. فهو يوفر من الناحية النظرية وقتًا أسرع للوصول إلى القيمة، وتنفيذًا أبسط، وخصوصية محسنة، وتكلفة إجمالية أقل للملكية. إذن، ما هي الشركة التي يجب أن تفعلها؟

إطار لفهم علم البيانات في التركيب

دعنا نراجع ثلاثة سيناريوهات للمكان الذي وصلت فيه مؤسستك إلى مرحلة النضج الحالية لعلم البيانات:

• السيناريو 1: لدى شركتي نماذج موجودة مسبقًا.
• السيناريو 2: ليس لدى شركتي نماذج موجودة مسبقًا أو موارد متاحة لعلم البيانات.
• السيناريو 3: شركتي لديها الرغبة في بناء نماذج مخصصة.

السيناريو 1: لدى شركتي نماذج موجودة مسبقًا

إذا كنت مؤسسة ناضجة جدًا أو "رقمية المولد" وقامت بالاستثمارات المطلوبة في علم البيانات لدعم الذكاء الاصطناعي التنبؤي في قطاعات التسويق الخاصة بك، فلدي أخبار جيدة لك.

تُعد البنية القابلة للتركيب طريقة سلسة للحصول على CDP "قابل للتركيب" وجعل جميع عمليات إثراء علوم البيانات هذه متصلة بقنواتك التسويقية. كل ما عليك فعله هو التأكد من تحديث هذه النتائج بانتظام وأن CDP القابل للتركيب لديه رؤية للنتائج. (اقرأ المزيد عن المزالق الأخرى هنا.)

السيناريو 2: ليس لدى شركتي نماذج موجودة مسبقًا أو موارد متاحة لعلم البيانات

إن بناء ممارسة علم البيانات من الصفر هو عمل شاق ومكلف. إن طرح قضية الاستعانة بعلماء البيانات المعينين لمشاكل تنظيمية أخرى يعد قضية أخرى.

على سبيل المثال، لدينا عميل للسلع الاستهلاكية المعبأة يتمتع بممارسة متطورة لعلم البيانات للتنبؤ بأسعار العقود الآجلة وتوافر المكونات اللازمة لتصنيع منتجاته. ومع ذلك، لا يركز علماء البيانات هؤلاء على عمليات التنشيط التسويقية.

ليس لدي خبرة في شراء منتجات أو مواد كيميائية بمليارات الدولارات. ومع ذلك، أظن أن الفروق الدقيقة في التنبؤ بأسعار العقود الآجلة للطماطم تختلف عن التنبؤ بما إذا كان العميل سيتراجع خلال التسعين يومًا القادمة. سيكون لكل نموذج ميزاته الفريدة، وسيكون لخبرة علماء البيانات تأثير كبير على نجاح النماذج.

إذًا، ما الذي بقي للشركة لتفعله؟ هل يجب عليهم توظيف مهندسي البيانات وعلماء البيانات ومحللي البيانات لبناء قواعد البيانات وهندسة الميزات وبناء النماذج وتفسيرها ثم شرحها لدفع اعتمادها إلى فريق تسويق مشغول؟

تتطلع المؤسسات بشكل متزايد إلى "استئجار" علم البيانات. قد يقومون بإعداد منصة للذكاء الاصطناعي مثل Predictable أو Ocurate مع نماذج علم البيانات المحددة لحالات استخدام تسويقية محددة. تتمتع هذه الحلول بوقت سريع جدًا للوصول إلى القيمة.

وبدلاً من ذلك، قد تختار الشركة أن تصبح أكثر تخصيصًا. تعد الأنظمة الأساسية مثل Faraday بإثراء البيانات وتكوينات النماذج المرنة للغاية. لكن المستخدم لا يزال بحاجة إلى الفطنة التقنية لمعرفة ما يمكن التنبؤ به وكيفية تكوين النموذج - حتى لو لم يتطلب ذلك لغة بايثون المشفرة يدويًا.

السيناريو 3: شركتي لديها الرغبة في بناء نماذج مخصصة

قبل أن تسلك هذا الطريق، قم بتقييم التكلفة. إن بناء نماذج قابلة للتوسع حقًا يتطلب مشاركة العديد من الموظفين ذوي الأجور العالية.

للقيام بذلك بشكل صحيح، سوف تحتاج إلى:

• يقوم مهندسو البيانات بجمع البيانات وتنظيمها.
• يقوم علماء البيانات بهندسة البيانات ووضع نماذج لها.
• يقوم المحللون بتفسير البيانات وتوضيحها لاستخدامها.

قد تجد موظفين لديهم هدية في اثنين من هذه المجالات. لكن الأشخاص الذين يتفوقون في اثنين من هذه المجالات نادرون. عادةً ما يكون الأشخاص أفضل في أحد هذه المجالات الثلاثة.

إذا كنت ملتزمًا ببناء علم البيانات التسويقية، ففكر في الأدوات التي تساعدك في البدء. إذا كنت تستخدم Google Cloud Platform، على سبيل المثال، ففكر في عرض Vertex و"Model Garden" الخاص بها.

إذا كان لديك فقط إمكانية الوصول إلى بيانات GA، فكر في معرفة المزيد حول iBQML الذي يتيح لك الاستفادة من البيانات في BigQuery للتنبؤ بنتائج محددة في الموقع والتي تضيف إلى جهود التسويق الرقمي.

إذا كان لديك إصدار BigQuery أكثر قوة، فاستفد من BQML، الذي يمكنه تسجيل البيانات خارج بيانات GA الأصلية. يمكن للمفاهيم "البداية" في هذه القدرات بناء الزخم التنظيمي للقيام بمزيد من الاستثمارات في علوم البيانات.

كيف يمكنني استخدام علم البيانات في CDP القابلة للتركيب؟

بعد نشر CDP، يبرز سؤال شائع: كيف يمكننا تحسين علم البيانات عندما تتشارك CDP وقناة التسويق المتصلة في القدرات المتداخلة؟ قد يشمل ذلك الجماهير التي تم تصديرها إلى قنوات ذات إمكانيات تنبؤية مثل Facebook و Google Ads و ESP للعلامة التجارية وما إلى ذلك.

الإجابات التي أقدمها مخصصة لحالات استخدام العميل. تحتوي أدواتك الإعلانية بشكل عام على بيانات لا تحتوي عليها CDP ومستودع البيانات الخاص بك. أوصي بالجماهير الأولية شديدة الاستهداف من مستودع البيانات الخاص بك أو CDP مع الاستفادة من أفضل عروض الأسعار من الأنظمة الأساسية الإعلانية التي تستخدمها لحالات استخدام الاكتساب وتجديد النشاط التسويقي.

من واقع خبرتي ، فإن جماهير البذور المختارة جيدًا والمدعومة بالذكاء الاصطناعي تتفوق في الأداء على نظيراتها من الجماهير التي تحركها القواعد. على سبيل المثال، أجرى أحد المعلنين مؤخرًا اختبارًا مباشرًا على فيسبوك بين الأشخاص المشابهين للجماهير باستخدام التنبؤات المستندة إلى الذكاء الاصطناعي والمشابهين للعملاء المشاركين القائمين على القواعد. تجاوز معدل التحويل للجمهور الأولي المدعوم بالذكاء الاصطناعي أداء المقطع المستند إلى القواعد بنسبة 25٪.

قد يكون لدى ESP الخاص بك معرفة حول مشاركة البريد الإلكتروني يفتقر إليها مستودع البيانات الخاص بك. إذا كان الأمر كذلك، استخدم نهج adtech أعلاه. إذا كنت قد جمعت البيانات الموجودة في برنامج ESP الخاص بك ، فاستخدم التجزئة والقرارات التي تعتمد على CDP / مستودع البيانات. هذا يجعلك أيضًا مرنًا لاستخدام مرساب كهروستاتيكي متعدد إذا كان لديك احتياجات جغرافية أو خاصة بالعلامة التجارية. ولكن مرة أخرى ، تعتمد التوصيات المحددة على حالات استخدام وبيانات محددة.

الاعتبارات الرئيسية عند توسيع استخدام الذكاء الاصطناعي في CDPs القابلة للتكوين

لنفترض أنك مقتنع أنك تريد بدء استخدام AI أو توسيعه في CDP القابل للإنشاء. فيما يلي قائمة مرجعية من الأسئلة التي يجب أن تطرحها على نفسك:

هل تتوفر لديك جميع بيانات التسويق في مستودع البيانات السحابي الخاص بك؟

قد يشمل ذلك بيانات موقع الويب مثل GA4 ، وبيانات من التفاعل مع القنوات المملوكة مثل البريد الإلكتروني وكل سجل المعاملات / الولاء.

قد تشمل حلول الهوية أو المطابقة المستندة إلى القواعد لحل العميل عبر القنوات. بيانات الموافقة أمر بالغ الأهمية لجميع استخدامات بيانات الطرف الأول.

هل لديك المهارات اللازمة في فريقك للاستفادة من الذكاء الاصطناعي؟

ويشمل ذلك الوصول إلى مهندسي البيانات وعلماء البيانات ومحللي التسويق وممارسي عمليات التسويق.

هل لديك خطة تكتيكية لنشر الجماهير القائمة على الذكاء الاصطناعي؟  

هناك عنصر استراتيجي لهذا. ولكن غالبًا ما يتم التغاضي عن التكتيكات المحددة في رسم خرائط الطريق لحالة الاستخدام. يجب أن تكون هناك خطة عمليات تسويقية تحدد ضرورة وجود بيانات معينة في بناء الجمهور والتطبيق العملي لذلك الجمهور في كل قناة.

هل لديك خطة قياس للجماهير القائمة على الذكاء الاصطناعي في CDP الخاص بك؟

يجب أن تتضمن خطة القياس جماهير اختبار محددة وطريقة لقياس التأثير وعائد الاستثمار. تأكد من أن معايير النجاح واضحة مقدمًا ، وأن أصحاب المصلحة متفقون مع ما يعنيه الاختبار الناجح لعمليات الطرح المستقبلية.

حظًا سعيدًا في طرحك للذكاء الاصطناعي في جهود CDP الخاصة بك - سواء كانت قابلة للتكوين أم لا. من المحتمل أن يكون هناك طريق يمكنك من خلاله اعتماد القدرة في سير عملك بطريقة فعالة من حيث التكلفة وتضيف إلى عائد الاستثمار لفريق التسويق الخاص بك.