Cum să faci ca segmentele bazate pe inteligență artificială să funcționeze în CDP-uri componabile

Segmentele bazate pe inteligență artificială au depășit segmentele standard cu până la 42% la un test recent cap la cap. Acest rezultat este tipic pentru mărcile care trec de la o abordare bazată pe reguli la segmentarea bazată pe inteligență artificială. Ridicarea tinde să fie și mai mare dacă nu a fost folosită nicio segmentare anterior.

Multe oferte CDP „ambalate” au combinat știința datelor care realizează IA predictivă critică cu o configurație relativ minimă. Cu toate acestea, dacă adoptați o abordare componabilă a CDP-ului dvs., s-ar putea să vă întrebați cum să faceți ca segmentele bazate pe inteligență artificială să funcționeze pe nenumărate canale - având în vedere că un CDP „componabil” depinde de datele și atributele care se află în depozitul dvs. de date.

Ce oferă CDP-urile împachetate cu știința datelor?

Acest subiect ar putea fi un articol în sine, dar aș clasifica în linii mari ofertele de știință a datelor CDP în trei categorii:

• Îmbogățirile comportamentale.
• Creatori personalizați pentru știința datelor.
• Adu-l pe al tău.

Îmbogățirile comportamentale

Mai multe CDP-uri au inovat cu oferte care clasifică comportamentul utilizatorilor în jurul:

• Afinitate de conținut.
• Afinitatea canalului.
• Scor comportamental.

Aceste clasificări pot fi utile în mod izolat pentru segmentarea bazată pe reguli sau ca caracteristici valoroase pentru construirea de modele personalizate.

Exemplele includ:

• Scorul comportamental al Lytics și afinitatea conținutului, care funcționează bine cu eticheta JavaScript.
• BlueConic are o suită similară de scoruri comportamentale.
• Capacitatea Simon Predict de la Simon Data oferă analize predictive pentru anumite rezultate de marketing.

Creatori personalizați pentru știința datelor

Mai multe CDP-uri împachetate oferă constructori de știință a datelor pentru configurarea modelelor de învățare automată care oferă scoruri regulate prin parametri definiți de utilizator.

Lytics, Blueshift, BlueConic și alții au fost primitori. Giganții, Adobe și Salesforce, au capacități de predicție. Chiar și mParticle și Twilio Segment au introdus capabilități în ultimele 6-12 luni după ani de promovare a calității datelor.

Aceste soluții „construiește-ți singur” sunt puternice, dar forțează o mulțime de decizii semitehnice asupra utilizatorilor platformelor care au adesea utilizatori de marketing non-tehnic. Disonanța dintre ofertă și utilizatorul final de zi cu zi are ca rezultat provocări de adoptare.

Adu-l pe al tău

Toate CDP-urile pot include atribute unui anumit client. Scorurile din știința datelor pot fi unul dintre acestea. Mulți clienți cu care am lucrat au făcut investiții semnificative în știința datelor și caută să conecteze mai bine rezultatele științei datelor cu activările de marketing.

A fost interesant pentru mine că, chiar și în 2023, există încă exerciții de marketing data science care nu sunt legate de un caz de utilizare clar de marketing. CDP poate rezolva pentru integrarea scorurilor predictive și a informațiilor despre clienți în canalele de marketing, dar știința datelor internă trebuie mai întâi să existe.

Acesta este lucrul bun despre CDP-ul ambalat. Știința datelor există de fapt acolo. Cu toate acestea, argumentul pentru a deveni composable este puternic. Oferă, teoretic, un time-to-realizare mai rapid, o implementare mai simplă, o confidențialitate îmbunătățită și un cost total de proprietate mai mic. Deci, ce trebuie să facă o companie?

Un cadru pentru înțelegerea științei datelor în composable

Să analizăm trei scenarii pentru a afla unde se află întreprinderea dvs. în maturitatea actuală a științei datelor:

• Scenariul 1: Compania mea are modele preexistente.
• Scenariul 2: Compania mea nu are modele preexistente sau resurse de știință a datelor disponibile.
• Scenariul 3: Compania mea are dorința de a construi modele personalizate.

Scenariul 1: Compania mea are modele preexistente

Dacă sunteți o organizație foarte matură sau „născută digitală” care a făcut investițiile necesare în știința datelor pentru a alimenta AI predictivă în segmentele dvs. de marketing, am o veste bună pentru dvs.

Arhitectura componabilă este o modalitate perfectă de a lua un CDP „componabil” și de a face toate aceste îmbogățiri ale științei datelor să se conecteze la canalele dvs. de marketing. Tot ce trebuie să faceți este să vă asigurați că acele scoruri sunt actualizate în mod regulat și că CDP-ul dvs. compus are vizibilitate asupra scorurilor. (Citiți mai multe despre alte capcane aici.)

Scenariul 2: Compania mea nu are modele preexistente sau resurse de știință a datelor disponibile

Construirea unei practici de știință a datelor de la zero este o muncă grea și costisitoare. Argumentarea pentru utilizarea oamenilor de știință de date alocați altor probleme organizaționale este o altă problemă.

De exemplu, avem un client CPG cu o practică sofisticată de știință a datelor pentru a prezice prețurile viitoare și disponibilitatea ingredientelor pentru fabricarea produselor sale. Cu toate acestea, acești oameni de știință de date nu sunt concentrați pe activări de marketing.

Nu am experiență în cumpărarea de miliarde de dolari de produse sau produse chimice. Totuși, bănuiesc că nuanțele prezicerii prețurilor futures pe roșii sunt diferite de a estima dacă un client va pierde în următoarele 90 de zile. Fiecare model ar avea propriile sale caracteristici unice, iar experiența cercetătorilor de date ar avea un impact mare asupra succesului modelelor.

Deci, ce mai are de făcut o companie? Ar trebui să angajeze ingineri de date, oameni de știință și analiști de date pentru a construi baze de date, a proiecta caracteristici, a construi modele, a le interpreta și apoi a le explica pentru a determina adoptarea unei echipe de marketing ocupate?

Din ce în ce mai mult, organizațiile caută să „închirieze” știința datelor. Ei ar putea crea o platformă AI precum Predictable sau Ocurate cu modele de știință a datelor cu opinii pentru cazuri specifice de utilizare a marketingului. Aceste soluții au un time-to-value foarte rapid.

Alternativ, compania poate alege să meargă mai personalizat. Platforme precum Faraday promit îmbogățirea datelor și configurații de model extrem de flexibile. Dar utilizatorul are încă nevoie de perspicacitatea tehnică pentru a ști ce să prezică și cum să configureze un model - chiar dacă nu necesită Python codificat manual.

Scenariul 3: Compania mea are dorința de a construi modele personalizate

Înainte de a merge pe acest traseu, evaluați costul. Construirea cu adevărat de modele care se extind necesită implicarea mai multor angajați foarte bine compensați.

Pentru a o face corect, veți avea nevoie de:

• Ingineri de date pentru a colecta și a curata datele.
• Oamenii de știință de date vor prezenta inginer și modelează datele.
• Analiștii să interpreteze și să argumenteze pentru a utiliza datele.

S-ar putea să găsiți angajați cu un cadou în două dintre aceste domenii. Dar oamenii care excelează în două dintre aceste domenii sunt rari. De obicei, oamenii sunt cei mai buni într-unul dintre aceste trei domenii.

Dacă sunteți angajat să construiți știința datelor de marketing, gândiți-vă la instrumente care vă ajută să începeți. Dacă utilizați Google Cloud Platform, de exemplu, luați în considerare oferta Vertex și „Model Garden”.

Dacă aveți acces doar la date GA, gândiți-vă să aflați mai multe despre iBQML, care vă permite să utilizați datele din BigQuery pentru a prezice rezultate specifice la fața locului, care se adaugă eforturilor de marketing digital.

Dacă aveți o construcție BigQuery mai robustă, folosiți BQML, care poate nota date în afara datelor native GA. Conceptele „de pornire” din aceste capabilități pot crea un impuls organizațional pentru a face investiții suplimentare în știința datelor.

Cum folosesc știința datelor în CDP composable?

După implementarea unui CDP, apare o întrebare comună: cum optimizăm știința datelor atunci când CDP și canalul de marketing conectat împărtășesc capacități care se suprapun? Aceasta poate include audiențe exportate către canale cu capacități de predicție, cum ar fi Facebook, Google Ads, ESP-ul mărcii etc.

Răspunsurile pe care le ofer sunt specifice cazurilor de utilizare ale unui client. Instrumentele dvs. publicitare au în general date pe care CDP și depozitul dvs. de date nu le au. Recomand segmente de public de bază bine direcționate din depozitul dvs. de date sau CDP, valorificând în același timp cea mai bună licitare de la platformele de anunțuri pe care le utilizați pentru cazurile de utilizare pentru achiziții și remarketing.

Din experiența mea, publicurile de bază bine alese, bazate pe inteligență artificială, depășesc performanțe asemănătoare publicului bazat pe reguli. De exemplu, un agent de publicitate a efectuat recent un test direct pe Facebook între publicuri asemănătoare utilizând predicții bazate pe inteligență artificială și clienți implicați bazați pe reguli. Rata de conversie a publicului semințe alimentat de IA a depășit segmentul bazat pe reguli cu 25%.

ESP-ul dvs. poate avea cunoștințe despre implicarea prin e-mail de care nu dispune depozitul dvs. de date. Dacă da, utilizați abordarea adtech de mai sus. Dacă ați colectat datele pe care le are ESP-ul dvs., utilizați segmentarea și luarea deciziilor bazate pe CDP/depozitul de date. Acest lucru vă face, de asemenea, flexibil să utilizați mai multe ESP-uri dacă aveți nevoi geografice sau specifice mărcii. Dar, din nou, recomandările specifice depind de cazuri de utilizare și date specifice.

Considerații cheie atunci când extindeți utilizarea AI în CDP-uri compozabile

Să presupunem că sunteți convins că doriți să începeți sau să extindeți utilizarea AI în CDP-ul dvs. composable. Iată o listă de întrebări pe care să ți le pui:

Aveți toate datele de marketing disponibile în depozitul dvs. de date cloud?

Acestea pot include date despre site-ul web, cum ar fi GA4, date din interacțiunea cu canalele deținute, cum ar fi e-mailul și istoricul tuturor tranzacțiilor/fidelității.

Poate include soluții de identitate sau potrivire bazată pe reguli pentru soluționarea clientului pe canale. Datele privind consimțământul sunt esențiale pentru orice utilizare a datelor primare.

Ai abilitățile necesare în echipa ta pentru a folosi AI?

Aceasta include accesul la ingineri de date, oameni de știință de date, analiști de marketing și practicieni în operațiuni de marketing.

Aveți un plan tactic pentru a implementa publicul bazat pe inteligență artificială?  

Există o componentă de strategie în acest sens. Dar tacticile specifice sunt adesea trecute cu vederea în harta rutieră a cazurilor de utilizare. Ar trebui să existe un plan de operațiuni de marketing care să determine necesitatea anumitor date în construirea audienței și aplicarea practică a audienței respective în fiecare canal.

Aveți un plan de măsurare pentru audiențele bazate pe inteligență artificială în CDP-ul dvs.?

Planul de măsurare ar trebui să includă anumite audiențe de testare și o modalitate de a măsura creșterea și rentabilitatea investiției. Asigurați-vă că criteriile de succes sunt clare din timp, iar părțile interesate sunt aliniate la ceea ce înseamnă un test de succes pentru lansările viitoare.

Mult noroc în lansarea AI în eforturile tale CDP – composabil sau nu. Probabil, există o cale pentru a adopta capacitatea în fluxurile dvs. de lucru într-o manieră rentabilă și aditivă la rentabilitatea investiției echipei dvs. de marketing.