วิธีทำให้เซ็กเมนต์ที่ขับเคลื่อนด้วย AI ทำงานใน CDP ที่ประกอบได้

กลุ่มที่ขับเคลื่อนด้วย AI มีประสิทธิภาพเหนือกว่ากลุ่มมาตรฐานถึง 42% จากการทดสอบแบบตัวต่อตัวล่าสุด ผลลัพธ์นี้เป็นเรื่องปกติสำหรับแบรนด์ที่เปลี่ยนจากแนวทางที่อิงกฎไปสู่การแบ่งกลุ่มที่ขับเคลื่อนด้วย AI การเพิ่มขึ้นมีแนวโน้มที่จะมากขึ้นไปอีกหากไม่เคยมีการแบ่งส่วนมาก่อน

ข้อเสนอ CDP แบบ "แพ็คเกจ" จำนวนมากได้รวมเอาวิทยาศาสตร์ข้อมูลซึ่งดำเนินการ AI เชิงคาดการณ์ที่สำคัญพร้อมการกำหนดค่าที่ค่อนข้างต่ำ อย่างไรก็ตาม หากคุณนำแนวทางแบบจัดวางมาใช้กับ CDP ของคุณ คุณอาจตั้งคำถามว่าจะทำให้เซ็กเมนต์ที่ใช้ AI ทำงานข้ามช่องทางต่างๆ ได้อย่างไร เนื่องจาก CDP “แบบประกอบได้” นั้นขึ้นอยู่กับข้อมูลและคุณลักษณะที่อยู่ในคลังข้อมูลของคุณ

CDP ที่มาพร้อมกับวิทยาการข้อมูลให้ประโยชน์อะไรบ้าง

หัวข้อนี้อาจเป็นบทความเพียงอย่างเดียว แต่ฉันจะจัดหมวดหมู่ข้อเสนอด้านวิทยาศาสตร์ข้อมูล CDP แบบแพ็กเกจอย่างกว้างๆ ออกเป็นสามหมวดหมู่:

• เสริมสร้างพฤติกรรม
• ผู้สร้างวิทยาศาสตร์ข้อมูลแบบกำหนดเอง
• นำของคุณเอง

เสริมสร้างพฤติกรรม

CDP หลายแห่งได้คิดค้นข้อเสนอที่จัดหมวดหมู่พฤติกรรมผู้ใช้ตาม:

• ความเกี่ยวข้องของเนื้อหา
• ความเกี่ยวข้องของช่อง
• การให้คะแนนพฤติกรรม

การจัดหมวดหมู่เหล่านี้อาจมีประโยชน์ในการแยกสำหรับการแบ่งส่วนตามกฎหรือเป็นคุณลักษณะที่มีคุณค่าสำหรับการสร้างแบบจำลองที่กำหนดเอง

ตัวอย่าง ได้แก่:

• การให้คะแนนตามพฤติกรรมและความสัมพันธ์ของเนื้อหาของ Lytics ซึ่งทำงานได้ดีกับแท็ก JavaScript
• BlueConic มีชุดคะแนนพฤติกรรมที่คล้ายกัน
• ความสามารถ Simon Predict ของ Simon Data มอบการวิเคราะห์เชิงคาดการณ์สำหรับผลลัพธ์ทางการตลาดที่เฉพาะเจาะจง

ผู้สร้างวิทยาศาสตร์ข้อมูลแบบกำหนดเอง

CDP แบบแพ็กเกจหลายรายการเสนอเครื่องมือสร้างวิทยาศาสตร์ข้อมูลสำหรับการกำหนดค่าโมเดลการเรียนรู้ของเครื่องที่ให้คะแนนอย่างสม่ำเสมอผ่านพารามิเตอร์ที่ผู้ใช้กำหนด

Lytics, Blueshift, BlueConic และอื่นๆ เป็นผู้ใช้งานกลุ่มแรกๆ ยักษ์ใหญ่อย่าง Adobe และ Salesforce มีความสามารถในการคาดการณ์ แม้แต่ mParticle และ Twilio Segment ก็ได้เปิดตัวความสามารถภายใน 6-12 เดือนที่ผ่านมาหลังจากส่งเสริมคุณภาพข้อมูลเป็นเวลาหลายปี

โซลูชัน "สร้างของคุณเอง" เหล่านี้มีประสิทธิภาพ แต่บังคับให้ผู้ใช้แพลตฟอร์มที่มักมีผู้ใช้การตลาดที่ไม่ใช่ด้านเทคนิคต้องตัดสินใจแบบกึ่งเทคนิคจำนวนมาก ความไม่ลงรอยกันระหว่างข้อเสนอกับผู้ใช้ในแต่ละวันส่งผลให้เกิดความท้าทายในการนำไปใช้

นำของคุณเอง

CDP ทั้งหมดสามารถเริ่มใช้งานคุณลักษณะของลูกค้าที่กำหนดได้ คะแนนวิทยาศาสตร์ข้อมูลอาจเป็นหนึ่งในคะแนนเหล่านี้ ลูกค้าหลายรายที่ฉันร่วมงานด้วยได้ลงทุนจำนวนมากในด้านวิทยาศาสตร์ข้อมูล และพยายามเชื่อมโยงผลลัพธ์ด้านวิทยาศาสตร์ข้อมูลกับการกระตุ้นทางการตลาดให้ดียิ่งขึ้น

เป็นเรื่องที่น่าสนใจสำหรับฉันที่แม้ในปี 2023 ก็ยังมีแบบฝึกหัดด้านวิทยาศาสตร์ข้อมูลการตลาดที่ไม่เชื่อมโยงกับกรณีการใช้งานทางการตลาดที่ชัดเจน CDP สามารถแก้ปัญหาในการนำคะแนนการคาดการณ์และความฉลาดของลูกค้ามาใช้กับช่องทางการตลาดได้ แต่ต้องมีวิทยาศาสตร์ข้อมูลภายในองค์กรก่อน

นั่นเป็นข้อดีของ CDP แบบแพ็กเกจ วิทยาศาสตร์ข้อมูลมีอยู่จริงที่นั่น อย่างไรก็ตาม ข้อโต้แย้งในการดำเนินเรื่องแบบเรียบเรียงนั้นมีความแข็งแกร่ง โดยให้เวลาต่อมูลค่าที่เร็วขึ้นตามหลักทฤษฎี การใช้งานที่ง่ายขึ้น ความเป็นส่วนตัวที่ดีขึ้น และต้นทุนรวมในการเป็นเจ้าของที่ลดลง แล้วบริษัทจะทำอะไรล่ะ?

กรอบการทำงานเพื่อทำความเข้าใจวิทยาศาสตร์ข้อมูลในรูปแบบที่ประกอบได้

เรามาทบทวนสถานการณ์สามสถานการณ์ว่าองค์กรของคุณอยู่ในจุดใดที่เติบโตเต็มที่ในด้านวิทยาการข้อมูลในปัจจุบัน:

• สถานการณ์ที่ 1: บริษัทของฉันมีโมเดลที่มีอยู่แล้ว
• สถานการณ์ที่ 2: บริษัทของฉันไม่มีโมเดลหรือทรัพยากรด้านวิทยาศาสตร์ข้อมูลที่มีอยู่แล้ว
• สถานการณ์ที่ 3: บริษัทของฉันมีความปรารถนาที่จะสร้างโมเดลแบบกำหนดเอง

สถานการณ์ที่ 1: บริษัทของฉันมีโมเดลที่มีอยู่แล้ว

หากคุณเป็นองค์กรที่เติบโตเต็มที่หรือเป็นองค์กร "ดิจิทัลโดยกำเนิด" ที่ได้ลงทุนด้านวิทยาศาสตร์ข้อมูลเพื่อขับเคลื่อน AI เชิงคาดการณ์ในเซ็กเมนต์การตลาดของคุณ ฉันมีข่าวดีสำหรับคุณ

สถาปัตยกรรมแบบรวมเป็นวิธีการที่ราบรื่นในการใช้ CDP แบบ "แบบรวมได้" และทำให้การปรับปรุงด้านวิทยาศาสตร์ข้อมูลทั้งหมดเชื่อมต่อกับช่องทางการตลาดของคุณ สิ่งที่คุณต้องทำคือตรวจสอบให้แน่ใจว่าคะแนนเหล่านั้นได้รับการอัปเดตเป็นประจำ และ CDP ที่ประกอบได้ของคุณสามารถมองเห็นคะแนนได้ (อ่านเพิ่มเติมเกี่ยวกับข้อผิดพลาดอื่นๆ ที่นี่)

สถานการณ์ที่ 2: บริษัทของฉันไม่มีโมเดลหรือทรัพยากรด้านวิทยาศาสตร์ข้อมูลที่มีอยู่แล้ว

การสร้างแนวปฏิบัติด้านวิทยาศาสตร์ข้อมูลตั้งแต่เริ่มต้นนั้นเป็นงานที่หนักและมีราคาแพง การสร้างกรณีการใช้นักวิทยาศาสตร์ข้อมูลที่ได้รับมอบหมายให้แก้ไขปัญหาอื่นขององค์กรก็เป็นอีกประเด็นหนึ่ง

ตัวอย่างเช่น เรามีลูกค้า CPG ที่มีการปฏิบัติงานด้านวิทยาศาสตร์ข้อมูลที่ซับซ้อนในการทำนายราคาในอนาคตและความพร้อมของส่วนผสมในการผลิตผลิตภัณฑ์ อย่างไรก็ตาม นักวิทยาศาสตร์ข้อมูลเหล่านั้นไม่ได้มุ่งเน้นไปที่การกระตุ้นทางการตลาด

ฉันไม่มีประสบการณ์ในการซื้อผลิตผลหรือเคมีภัณฑ์มูลค่าหลายพันล้านดอลลาร์ ถึงกระนั้น ฉันก็ยังสงสัยว่าความแตกต่างในการทำนายราคามะเขือเทศล่วงหน้านั้นแตกต่างจากการทำนายว่าลูกค้าจะเลิกใช้ในอีก 90 วันข้างหน้าหรือไม่ แต่ละโมเดลจะมีคุณสมบัติเฉพาะของตัวเอง และประสบการณ์ของนักวิทยาศาสตร์ข้อมูลจะมีผลกระทบอย่างมากต่อความสำเร็จของแบบจำลอง

แล้วบริษัทจะเหลืออะไรให้ทำล่ะ? พวกเขาควรจ้างวิศวกรข้อมูล นักวิทยาศาสตร์ข้อมูล และนักวิเคราะห์ข้อมูลเพื่อสร้างฐานข้อมูล วิศวกรฟีเจอร์ สร้างแบบจำลอง ตีความ และอธิบายให้พวกเขาเข้าใจเพื่อผลักดันให้เกิดการยอมรับในทีมการตลาดที่มีงานยุ่งหรือไม่

องค์กรต่างๆ กำลังมองหา "เช่า" วิทยาศาสตร์ข้อมูลมากขึ้นเรื่อยๆ พวกเขาอาจตั้งค่าแพลตฟอร์ม AI เช่น Predictable หรือ Ocurate ด้วยโมเดลวิทยาศาสตร์ข้อมูลที่ให้ความคิดเห็นสำหรับกรณีการใช้งานทางการตลาดที่เฉพาะเจาะจง โซลูชันเหล่านี้มีเวลาต่อมูลค่าที่รวดเร็วมาก

หรือบริษัทอาจเลือกที่จะไปกำหนดเองมากขึ้น แพลตฟอร์มอย่างฟาราเดย์สัญญาว่าจะเพิ่มคุณค่าของข้อมูลและการกำหนดค่าโมเดลที่มีความยืดหยุ่นสูง แต่ผู้ใช้ยังคงต้องการความเฉียบแหลมทางเทคนิคเพื่อที่จะรู้ว่าจะคาดเดาอะไรและจะกำหนดค่าโมเดลอย่างไร แม้ว่าจะไม่จำเป็นต้องใช้ Python ที่เขียนโค้ดด้วยมือก็ตาม

สถานการณ์ที่ 3: บริษัทของฉันมีความปรารถนาที่จะสร้างโมเดลแบบกำหนดเอง

ก่อนที่คุณจะลงเส้นทางนี้ให้ประเมินต้นทุน การสร้างโมเดลที่ขยายตัวอย่างแท้จริงนั้นต้องอาศัยการมีส่วนร่วมจากพนักงานที่ได้รับค่าตอบแทนสูงหลายคน

เพื่อให้ถูกต้อง คุณจะต้อง:

• วิศวกรข้อมูล เพื่อรวบรวมและดูแลข้อมูล
• นักวิทยาศาสตร์ข้อมูล นำเสนอวิศวกรและจำลองข้อมูล
• นักวิเคราะห์ ตีความและทำให้กรณีการใช้ข้อมูล

คุณอาจพบพนักงานพร้อมของขวัญในสองด้านเหล่านี้ แต่คนที่เก่งในสองด้านนั้นหายาก โดยปกติแล้ว ผู้คนจะเก่งที่สุดในหนึ่งในสามด้านนั้น

หากคุณมุ่งมั่นที่จะสร้างวิทยาศาสตร์ข้อมูลทางการตลาด ให้คิดถึงเครื่องมือที่ช่วยคุณในการเริ่มต้น ตัวอย่างเช่น หากคุณใช้ Google Cloud Platform ลองพิจารณาข้อเสนอ Vertex และ “Model Garden”

หากคุณมีสิทธิ์เข้าถึงเพียงข้อมูล GA เท่านั้น ลองคิดถึงการเรียนรู้เพิ่มเติมเกี่ยวกับ iBQML ซึ่งช่วยให้คุณใช้ประโยชน์จากข้อมูลใน BigQuery เพื่อคาดการณ์ผลลัพธ์เฉพาะในสถานที่ที่เป็นส่วนเสริมสำหรับความพยายามทางการตลาดดิจิทัล

หากคุณมี BigQuery Buildout ที่มีประสิทธิภาพมากกว่า ให้ใช้ประโยชน์จาก BQML ซึ่งสามารถให้คะแนนข้อมูลนอกข้อมูล GA ดั้งเดิมได้ แนวคิด "เริ่มต้น" ในความสามารถเหล่านี้สามารถสร้างแรงผลักดันขององค์กรเพื่อลงทุนด้านวิทยาศาสตร์ข้อมูลเพิ่มเติมได้

ฉันจะใช้วิทยาศาสตร์ข้อมูลใน CDP ที่ประกอบได้ได้อย่างไร

หลังจากปรับใช้ CDP แล้ว คำถามทั่วไปก็เกิดขึ้น: เราจะเพิ่มประสิทธิภาพวิทยาการข้อมูลได้อย่างไร เมื่อ CDP และช่องทางการตลาดที่เชื่อมต่อแบ่งปันความสามารถที่ทับซ้อนกัน ซึ่งอาจรวมถึงผู้ชมที่ส่งออกไปยังช่องทางที่มีความสามารถในการคาดการณ์ เช่น Facebook, Google Ads, ESP ของแบรนด์ เป็นต้น

คำตอบที่ฉันให้ไว้นั้นเฉพาะเจาะจงกับกรณีการใช้งานของลูกค้า โดยทั่วไป เครื่องมือโฆษณาของคุณมีข้อมูลที่ CDP และคลังข้อมูลของคุณไม่มี ฉันแนะนำกลุ่มผู้ชมเริ่มต้นที่มีการกำหนดเป้าหมายสูงจากคลังข้อมูลหรือ CDP ของคุณ ในขณะเดียวกันก็ใช้ประโยชน์จากการเสนอราคาที่ดีที่สุดจากแพลตฟอร์มโฆษณาที่คุณใช้สำหรับกรณีการใช้งานการได้มาและรีมาร์เก็ตติ้ง

จากประสบการณ์ของผม ผู้ชมเริ่มต้นที่ขับเคลื่อนด้วย AI ที่ได้รับการคัดเลือกมาอย่างดีมีประสิทธิภาพเหนือกว่าผู้ชมที่คล้ายกันจากผู้ชมที่ขับเคลื่อนด้วยกฎเกณฑ์ ตัวอย่างเช่น เมื่อเร็วๆ นี้ ผู้ลงโฆษณาได้ทำการทดสอบแบบตัวต่อตัวบน Facebook ระหว่างกลุ่มผู้ชมที่คล้ายกันโดยใช้การคาดการณ์ตาม AI และกลุ่มลูกค้าที่มีลักษณะคล้ายคลึงกันตามกฎ อัตราคอนเวอร์ชันของกลุ่มเป้าหมายตั้งต้นที่ขับเคลื่อนด้วย AI มีประสิทธิภาพเหนือกว่ากลุ่มที่อิงตามกฎถึง 25%

ESP ของคุณอาจมีความรู้เกี่ยวกับการมีส่วนร่วมทางอีเมลที่คลังข้อมูลของคุณขาด หากเป็นเช่นนั้น ให้ใช้แนวทางของ Adtech ด้านบน หากคุณรวบรวมข้อมูลที่ ESP ของคุณมี ให้ใช้การแบ่งส่วนและการตัดสินใจที่ขับเคลื่อนโดยคลังข้อมูล CDP/ นอกจากนี้ยังทำให้คุณมีความยืดหยุ่นในการใช้ ESP หลายรายการได้ หากคุณมีความต้องการทางภูมิศาสตร์หรือเฉพาะแบรนด์ แต่ขอย้ำอีกครั้งว่าคำแนะนำเฉพาะนั้นขึ้นอยู่กับกรณีการใช้งานและข้อมูลเฉพาะ

ข้อควรพิจารณาที่สำคัญเมื่อขยายการใช้งาน AI ใน CDP ที่ประกอบได้

สมมติว่าคุณมั่นใจว่าคุณต้องการเริ่มหรือขยายการใช้งาน AI ใน CDP ที่ประกอบได้ของคุณ ต่อไปนี้คือรายการตรวจสอบคำถามที่ควรถามตัวเอง:

คุณมีข้อมูลการตลาดทั้งหมดอยู่ในคลังข้อมูลบนคลาวด์ของคุณหรือไม่?

ซึ่งอาจรวมถึงข้อมูลเว็บไซต์ เช่น GA4 ข้อมูลจากการมีส่วนร่วมกับช่องทางที่เป็นเจ้าของ เช่น อีเมล และประวัติการทำธุรกรรม/ความภักดีทั้งหมด

อาจรวมถึงโซลูชันการระบุตัวตนหรือการจับคู่ตามกฎเพื่อแก้ไขปัญหาของลูกค้าผ่านช่องทางต่างๆ ข้อมูลคำยินยอมมีความสำคัญอย่างยิ่งต่อการใช้ข้อมูลจากบุคคลที่หนึ่งทั้งหมด

คุณมีทักษะที่จำเป็นในทีมเพื่อใช้ประโยชน์จาก AI หรือไม่?

ซึ่งรวมถึงการเข้าถึงวิศวกรข้อมูล นักวิทยาศาสตร์ข้อมูล นักวิเคราะห์การตลาด และผู้ปฏิบัติงานด้านการตลาด

คุณมีแผนยุทธวิธีในการปรับใช้ผู้ชมที่ใช้ AI หรือไม่?  

มีองค์ประกอบด้านกลยุทธ์ในเรื่องนี้ แต่กลยุทธ์เฉพาะมักถูกมองข้ามไปในกรณีการใช้งาน Road Map ควรมีแผนปฏิบัติการทางการตลาดที่กำหนดความจำเป็นของข้อมูลบางอย่างในการสร้างผู้ชมและการประยุกต์ใช้ในทางปฏิบัติของผู้ชมในแต่ละช่องทาง

คุณมีแผนการวัดผลสำหรับผู้ชมที่ใช้ AI ใน CDP ของคุณหรือไม่?

แผนการวัดผลควรรวมกลุ่มเป้าหมายทดสอบที่เฉพาะเจาะจง และวิธีการวัดการเพิ่มและ ROI ตรวจสอบให้แน่ใจว่าเกณฑ์ความสำเร็จได้รับการระบุไว้ล่วงหน้า และผู้มีส่วนได้ส่วนเสียมีความสอดคล้องกับความหมายของการทดสอบที่ประสบความสำเร็จสำหรับการเปิดตัวในอนาคต

ขอให้โชคดีในการเปิดตัว AI ในความพยายามของ CDP ไม่ว่าจะประกอบได้หรือไม่ก็ตาม มีแนวโน้มว่าจะมีหนทางให้คุณนำความสามารถในขั้นตอนการทำงานของคุณมาใช้ในลักษณะที่คุ้มค่าและเพิ่ม ROI ของทีมการตลาดของคุณ