Jak sprawić, by segmenty oparte na sztucznej inteligencji działały w komponowalnych CDP

Segmenty sterowane sztuczną inteligencją przewyższyły segmenty standardowe nawet o 42% w niedawnym bezpośrednim teście. Wynik ten jest typowy dla marek przechodzących od podejścia opartego na regułach do segmentacji opartej na sztucznej inteligencji. Wzrost wydaje się być jeszcze większy, jeśli wcześniej nie stosowano żadnej segmentacji.

Wiele „pakietów” ofert CDP obejmuje analitykę danych, która wykonuje krytyczną predykcyjną sztuczną inteligencję przy stosunkowo minimalnej konfiguracji. Jeśli jednak zastosujesz komponowalne podejście do swojego CDP, możesz zadać sobie pytanie, jak sprawić, by segmenty oparte na sztucznej inteligencji działały w niezliczonych kanałach – biorąc pod uwagę, że „komponowalny” CDP zależy od danych i atrybutów znajdujących się w Twojej hurtowni danych.

Co zapewniają CDP w pakiecie z analityką danych?

Ten temat mógłby być osobnym artykułem, ale zasadniczo podzieliłbym pakiety usług nauki o danych CDP na trzy kategorie:

• Wzbogacenia behawioralne.
• Niestandardowe narzędzia do tworzenia analityki danych.
• Przynieś własne.

Wzbogacenia behawioralne

Kilka CDP wprowadziło innowacje, oferując kategoryzację zachowań użytkowników wokół:

• Powinowactwo treści.
• Powinowactwo kanałów.
• Punktacja behawioralna.

Te kategoryzacje mogą być przydatne osobno do segmentacji opartej na regułach lub jako cenne funkcje do tworzenia niestandardowych modeli.

Przykłady obejmują:

• Punktacja behawioralna i podobieństwo treści Lytics, które dobrze współpracują z tagiem JavaScript.
• BlueConic ma podobny zestaw wyników behawioralnych.
• Funkcja Simon Predict firmy Simon Data zapewnia analizy predykcyjne dla określonych wyników marketingowych.

Niestandardowe narzędzia do tworzenia analityki danych

Kilka pakietów CDP oferuje narzędzia do tworzenia analityki danych umożliwiające konfigurowanie modeli uczenia maszynowego, które zapewniają regularne ocenianie za pomocą parametrów zdefiniowanych przez użytkownika.

Lytics, Blueshift, BlueConic i inni byli wczesnymi użytkownikami. Giganci, Adobe i Salesforce, mają możliwości predykcyjne. Nawet mParticle i Twilio Segment wprowadziły możliwości w ciągu ostatnich 6-12 miesięcy po latach promowania jakości danych.

Te rozwiązania typu „zbuduj własne” są potężne, ale wymuszają wiele półtechnicznych decyzji na użytkownikach platform, które często mają nietechnicznych użytkowników marketingu. Dysonans między ofertą a codziennym użytkownikiem końcowym skutkuje wyzwaniami związanymi z adopcją.

Przynieś własne

Wszystkie CDP mogą dołączać atrybuty do danego klienta. Wyniki analizy danych mogą być jednym z nich. Wielu klientów, z którymi współpracowałem, poczyniło znaczne inwestycje w analizę danych i stara się lepiej łączyć wyniki analizy danych z aktywacjami marketingowymi.

Zainteresowało mnie, że nawet w 2023 r. nadal istnieją ćwiczenia z analizy danych marketingowych, które nie są powiązane z wyraźnym marketingowym przypadkiem użycia. CDP może rozwiązać problem wprowadzenia wyników predykcyjnych i informacji o klientach do kanałów marketingowych, ale najpierw musi istnieć wewnętrzna analiza danych.

To właśnie jest fajne w pakietach CDP. Nauka o danych faktycznie tam istnieje. Jednak argument za możliwością komponowania jest mocny. Oferuje teoretycznie szybszy czas osiągnięcia korzyści, prostsze wdrożenie, lepszą prywatność i niższy całkowity koszt posiadania. Co zatem ma zrobić firma?

Ramy umożliwiające zrozumienie nauki o danych w formie komponowalnej

Przyjrzyjmy się trzem scenariuszom, na którym znajduje się Twoje przedsiębiorstwo na etapie dojrzałości w zakresie analizy danych:

• Scenariusz 1: Moja firma ma już istniejące modele.
• Scenariusz 2: Moja firma nie ma dostępnych wcześniej istniejących modeli ani zasobów do analizy danych.
• Scenariusz 3: Moja firma chce budować modele na zamówienie.

Scenariusz 1: Moja firma ma już istniejące modele

Jeśli jesteś bardzo dojrzałą lub „urodzoną cyfrowo” organizacją, która poczyniła niezbędne inwestycje w analitykę danych, aby wspierać predykcyjną sztuczną inteligencję w segmentacjach marketingowych, mam dla Ciebie dobrą wiadomość.

Architektura komponowalna to bezproblemowy sposób na wykorzystanie „komponowalnego” CDP i połączenie wszystkich wzbogaceń związanych z nauką o danych z kanałami marketingowymi. Wszystko, co musisz zrobić, to upewnić się, że te wyniki są regularnie aktualizowane i że Twój komponowalny CDP ma wgląd w te wyniki. (Przeczytaj więcej o innych pułapkach tutaj.)

Scenariusz 2: Moja firma nie ma dostępnych wcześniej istniejących modeli ani zasobów do analizy danych

Budowanie od podstaw praktyki analityki danych jest ciężką i kosztowną pracą. Inną kwestią jest uzasadnienie konieczności wykorzystania analityków danych przypisanych do innych problemów organizacyjnych.

Na przykład mamy klienta CPG dysponującego zaawansowaną praktyką analityki danych w zakresie przewidywania przyszłych cen i dostępności składników do wytwarzania swoich produktów. Jednak ci badacze danych nie skupiają się na aktywacjach marketingowych.

Nie mam doświadczenia w kupowaniu wartych miliardy dolarów produktów ani chemikaliów. Podejrzewam jednak, że niuanse związane z przewidywaniem cen kontraktów terminowych na pomidory różnią się od przewidywania, czy klient odejdzie w ciągu najbliższych 90 dni. Każdy model miałby swoje unikalne cechy, a doświadczenie analityków danych miałoby duży wpływ na powodzenie modeli.

Co zatem pozostaje firmie do zrobienia? Czy powinni zatrudniać inżynierów danych, badaczy danych i analityków danych do tworzenia baz danych, projektowania funkcji, budowania modeli, ich interpretacji, a następnie wyjaśniania ich, aby zachęcić zapracowany zespół marketingowy do wdrożenia?

Coraz więcej organizacji chce „wynająć” analitykę danych. Mogą stworzyć platformę sztucznej inteligencji, taką jak Predictable lub Ocurate, z opartymi na opiniach modelami analizy danych dla konkretnych przypadków zastosowań marketingowych. Rozwiązania te charakteryzują się bardzo krótkim czasem uzyskania korzyści.

Alternatywnie firma może zdecydować się na bardziej niestandardowe rozwiązania. Platformy takie jak Faraday obiecują wzbogacanie danych i wysoce elastyczne konfiguracje modeli. Jednak użytkownik nadal potrzebuje wiedzy technicznej, aby wiedzieć, co przewidzieć i jak skonfigurować model — nawet jeśli nie wymaga to ręcznie kodowanego języka Python.

Scenariusz 3: Moja firma chce budować modele na zamówienie

Zanim pójdziesz tą drogą, oceń koszt. Prawdziwe budowanie modeli, które można skalować, wymaga zaangażowania kilku wysoko opłacanych pracowników.

Aby zrobić to dobrze, będziesz potrzebować:

• Inżynierowie danych do gromadzenia i selekcji danych.
• Analitycy danych zajmujący się inżynierią i modelowaniem danych.
• Analitycy interpretują i uzasadniają wykorzystanie danych.

W dwóch z tych obszarów możesz znaleźć pracowników obdarzonych prezentem. Jednak ludzie, którzy wyróżniają się w dwóch z tych obszarów, są rzadkością. Zwykle ludzie są najlepsi w jednym z tych trzech obszarów.

Jeśli zajmujesz się nauką o danych marketingowych, pomyśl o narzędziach, które pomogą Ci na początku. Jeśli na przykład korzystasz z Google Cloud Platform, rozważ ofertę Vertex i jej „Model Garden”.

Jeśli masz dostęp tylko do danych GA, pomyśl o dowiedzeniu się więcej o iBQML, który pozwala wykorzystywać dane w BigQuery do przewidywania konkretnych wyników w witrynie, które stanowią uzupełnienie działań marketingu cyfrowego.

Jeśli masz solidniejszą wersję BigQuery, wykorzystaj BQML, który może oceniać dane poza natywnymi danymi GA. „Początkowe” koncepcje w zakresie tych możliwości mogą nadać organizacji impet umożliwiający dalsze inwestycje w analizę danych.

Jak wykorzystać analizę danych w komponowalnym CDP?

Po wdrożeniu CDP pojawia się częste pytanie: jak zoptymalizować analizę danych, gdy CDP i połączony kanał marketingowy mają wspólne możliwości? Może to obejmować odbiorców wyeksportowanych do kanałów z funkcjami predykcyjnymi, takich jak Facebook, Google Ads, ESP marki itp.

Udzielane przeze mnie odpowiedzi są specyficzne dla przypadków użycia klienta. Twoje narzędzia reklamowe zazwyczaj zawierają dane, których nie ma CDP ani Twoja hurtownia danych. Polecam wysoce ukierunkowane grupy odbiorców początkowych z Twojej hurtowni danych lub CDP, korzystając jednocześnie z najlepszych ofert z platform reklamowych, których używasz do celów pozyskiwania i remarketingu.

Z mojego doświadczenia wynika, że ​​dobrze dobrana, napędzana sztuczną inteligencją publiczność początkowa osiąga lepsze wyniki niż sobowtóry z grup kierujących się regułami. Na przykład reklamodawca przeprowadził niedawno na Facebooku bezpośredni test między podobnymi odbiorcami, korzystając z przewidywań opartych na sztucznej inteligencji, a podobnymi do zaangażowanych klientów opartych na regułach. Współczynnik konwersji początkowej widowni napędzanej sztuczną inteligencją przewyższył segment oparty na regułach o 25%.

Twój ESP może mieć wiedzę na temat zaangażowania w e-maile, której brakuje w Twojej hurtowni danych. Jeśli tak, użyj powyższego podejścia adtech. Jeśli zebrałeś dane, które posiada Twój ESP, użyj segmentacji i decyzji opartych na CDP/hurtowni danych. Daje to również elastyczność w korzystaniu z wielu ESP, jeśli masz potrzeby geograficzne lub specyficzne dla marki. Ale znowu konkretne zalecenia zależą od konkretnych przypadków użycia i danych.

Kluczowe kwestie do rozważenia podczas rozszerzania wykorzystania sztucznej inteligencji w komponowalnych CDP

Załóżmy, że jesteś przekonany, że chcesz rozpocząć lub rozszerzyć wykorzystanie sztucznej inteligencji w komponowalnym CDP. Oto lista kontrolna pytań, które warto sobie zadać:

Czy wszystkie dane marketingowe są dostępne w hurtowni danych w chmurze?

Może to obejmować dane witryny, takie jak GA4, dane dotyczące zaangażowania w posiadane kanały, takie jak e-mail, oraz całą historię transakcji/lojalności.

Może obejmować rozwiązania w zakresie tożsamości lub dopasowywanie oparte na regułach w celu rozwiązania problemu klienta w różnych kanałach. Dane dotyczące zgody mają kluczowe znaczenie dla wszelkiego wykorzystania danych własnych.

Czy masz w swoim zespole umiejętności niezbędne do wykorzystania sztucznej inteligencji?

Obejmuje to dostęp do inżynierów danych, analityków danych, analityków marketingowych i praktyków operacji marketingowych.

Czy masz plan taktyczny wdrożenia odbiorców opartych na sztucznej inteligencji?  

Jest w tym element strategii. Jednak konkretna taktyka jest często pomijana w mapowaniu przypadków użycia. Powinien istnieć plan działań marketingowych, który określa konieczność określonych danych w budowaniu widowni i praktycznym zastosowaniu tej widowni w każdym kanale.

Czy masz w swoim CDP plan pomiarów dla odbiorców opartych na sztucznej inteligencji?

Plan pomiarów powinien uwzględniać konkretnych odbiorców testowych oraz sposób pomiaru wzrostu i ROI. Upewnij się, że kryteria sukcesu są jasno określone od początku, a zainteresowane strony są zgodne co do tego, co pomyślny test oznacza dla przyszłych wdrożeń.

Powodzenia we wdrażaniu sztucznej inteligencji w działaniach CDP – komponowalnych lub nie. Prawdopodobnie istnieje sposób na wykorzystanie tej możliwości w przepływach pracy w sposób opłacalny i zwiększający zwrot z inwestycji (ROI) zespołu marketingowego.