Yapay zeka odaklı segmentlerin şekillendirilebilir CDP'lerde çalışmasını sağlama

Yapay zeka odaklı segmentler, yakın zamanda yapılan bire bir testte standart segmentlerden %42'ye kadar daha iyi performans gösterdi. Bu sonuç, kural tabanlı yaklaşımdan yapay zeka odaklı segmentasyona geçiş yapan markalar için tipik bir sonuçtur. Daha önce hiçbir segmentasyon kullanılmamışsa, artış daha da büyük olma eğilimindedir.

Pek çok "paketlenmiş" CDP teklifi, nispeten minimum konfigürasyonla kritik tahmine dayalı yapay zeka gerçekleştiren veri bilimini bir araya getirmiştir. Bununla birlikte, CDP'niz için şekillendirilebilir bir yaklaşım benimserseniz, "şekillendirilebilir" bir CDP'nin veri ambarınızda bulunan verilere ve niteliklere bağlı olduğu göz önüne alındığında, yapay zeka tabanlı segmentlerin sayısız kanalda nasıl çalışmasını sağlayacağınızı sorgulayabilirsiniz.

Veri bilimi ile paketlenmiş CDP'ler ne sağlar?

Bu konu başlı başına bir makale olabilir ancak paketlenmiş CDP veri bilimi tekliflerini genel olarak üç kategoriye ayırırım:

• Davranışsal zenginleştirmeler
• Özel veri bilimi oluşturucuları.
• Kendininkini getir.

Davranışsal zenginleştirmeler

Birçok CDP, kullanıcı davranışını aşağıdakilere göre kategorize eden tekliflerle yenilik yaptı:

• İçerik yakınlığı.
• Kanal yakınlığı.
• Davranışsal puanlama.

Bu kategoriler, kurallara dayalı segmentasyon için tek başına veya özel modeller oluşturmak için değerli özellikler olarak yararlı olabilir.

Örnekler şunları içerir:

• Lytics'in JavaScript etiketiyle iyi çalışan davranışsal puanlaması ve içerik benzeşimi.
• BlueConic'in de benzer davranışsal puanları var.
• Simon Data'nın Simon Predict yeteneği, belirli pazarlama sonuçları için tahmine dayalı analizler sağlar.

Özel veri bilimi oluşturucuları

Çeşitli paketlenmiş CDP'ler, kullanıcı tanımlı parametreler aracılığıyla düzenli puanlama sağlayan makine öğrenimi modellerini yapılandırmak için veri bilimi oluşturucuları sunar.

Lytics, Blueshift, BlueConic ve diğerleri ilk benimseyenler oldu. Devler Adobe ve Salesforce'un tahmin yetenekleri var. mParticle ve Twilio Segment bile, yıllar süren veri kalitesinin iyileştirilmesinden sonra son 6-12 ay içinde yetenekler sunmaya başladı.

Bu "kendini oluştur" çözümleri güçlüdür, ancak genellikle teknik olmayan pazarlama kullanıcıları olan platformların kullanıcılarını birçok yarı teknik karar almaya zorlarlar. Teklif ile günlük son kullanıcı arasındaki uyumsuzluk, benimseme zorluklarına neden oluyor.

Kendininkini getir

Tüm CDP'ler belirli bir müşteriye ilişkin özellikleri ekleyebilir. Veri bilimi puanları bunlardan biri olabilir. Birlikte çalıştığım birçok müşteri, veri bilimine önemli yatırımlar yaptı ve veri bilimi çıktılarını pazarlama faaliyetlerine daha iyi bağlamanın yollarını aradı.

2023'te bile hala net bir pazarlama kullanım senaryosuna bağlı olmayan pazarlama veri bilimi uygulamalarının olması bana ilginç geldi. CDP, tahmine dayalı puanların ve müşteri bilgilerinin pazarlama kanallarına dahil edilmesi sorununu çözebilir, ancak öncelikle şirket içi veri biliminin var olması gerekir.

Paketlenmiş CDP'nin güzel yanı da bu. Veri bilimi aslında orada var. Yine de şekillendirilebilir olma argümanı güçlü. Teorik olarak daha hızlı değer elde etme süresi, daha basit uygulama, gelişmiş gizlilik ve daha düşük toplam sahip olma maliyeti sunar. Peki bir şirket ne yapmalı?

Şekillendirilebilir veri bilimini anlamaya yönelik bir çerçeve

Kuruluşunuzun mevcut veri bilimi olgunluğunda bulunduğu üç senaryoyu inceleyelim:

• Senaryo 1: Şirketimin önceden mevcut modelleri var.
• Senaryo 2: Şirketimin önceden mevcut modelleri veya veri bilimi kaynakları yok.
• Senaryo 3: Şirketimin özel modeller üretme isteği var.

Senaryo 1: Şirketimin önceden mevcut modelleri var

Pazarlama segmentasyonlarınızda tahmine dayalı yapay zekayı güçlendirmek için veri bilimine gerekli yatırımları yapmış, çok olgun veya "dijital doğmuş" bir kuruluşsanız, size iyi haberlerim var.

Şekillendirilebilir mimari, "şekillendirilebilir" bir CDP almanın ve tüm bu veri bilimi zenginleştirmelerini pazarlama kanallarınıza bağlamanın kusursuz bir yoludur. Yapmanız gereken tek şey, bu puanların düzenli olarak güncellendiğinden ve şekillendirilebilir CDP'nizin puanlara ilişkin görünürlüğe sahip olduğundan emin olmaktır. (Burada diğer tuzaklar hakkında daha fazla bilgi edinin.)

Senaryo 2: Şirketimin önceden mevcut modelleri veya veri bilimi kaynakları yok

Sıfırdan bir veri bilimi uygulaması oluşturmak zor ve pahalı bir iştir. Diğer organizasyonel problemlere atanan veri bilimcilerinin kullanılmasının gerekliliğini ortaya koymak başka bir konudur.

Örneğin, gelecek fiyatlarını ve ürünlerini üretmek için gereken bileşenlerin kullanılabilirliğini tahmin etmek için gelişmiş bir veri bilimi uygulamasına sahip bir CPG müşterimiz var. Ancak bu veri bilimcileri pazarlama aktivasyonlarına odaklanmıyor.

Milyarlarca dolarlık ürün veya kimyasal satın alma konusunda deneyimim yok. Yine de, domates vadeli işlem fiyatlarını tahmin etmenin nüanslarının, bir müşterinin önümüzdeki 90 gün içinde ayrılıp ayrılmayacağını tahmin etmekten farklı olduğundan şüpheleniyorum. Her modelin kendine özgü özellikleri olacak ve veri bilimcilerin deneyimi, modellerin başarısı üzerinde büyük bir etkiye sahip olacaktır.

Peki bir şirketin yapması gereken ne kaldı? Yoğun bir pazarlama ekibinin benimsenmesini sağlamak için veritabanları oluşturmak, özellikler tasarlamak, modeller oluşturmak, bunları yorumlamak ve ardından bunları açıklamak için veri mühendislerini, veri bilimcilerini ve veri analistlerini işe almalılar mı?

Giderek daha fazla kuruluş veri bilimini "kiralamak" istiyor. Belirli pazarlama kullanım durumları için öngörülü veri bilimi modellerine sahip Predictable veya Ocurate gibi bir yapay zeka platformu kurabilirler. Bu çözümlerin değere dönüşme süresi çok hızlıdır.

Alternatif olarak şirket daha özel bir yaklaşım tercih edebilir. Faraday gibi platformlar veri zenginleştirme ve son derece esnek model konfigürasyonları vaat ediyor. Ancak kullanıcının neyi tahmin edeceğini ve bir modeli nasıl yapılandıracağını bilmek için hala teknik zekaya ihtiyacı var - elle kodlanmış Python gerektirmese bile.

Senaryo 3: Şirketimin özel modeller oluşturma isteği var

Bu rotaya gitmeden önce maliyeti değerlendirin. Gerçekten ölçeği genişleyen modeller oluşturmak, yüksek maaşlı birkaç çalışanın katılımını gerektirir.

Doğru yapmak için ihtiyacınız olacak:

• Veri mühendisleri verileri toplayacak ve iyileştirecek.
• Veri bilimcileri verileri tasarlayacak ve modelleyecek.
• Analistler verileri yorumlayacak ve kullanılacak durumu ortaya koyacak.

Bu alanların ikisinde yetenekli çalışanlar bulabilirsiniz. Ancak bu alanların ikisinde başarılı olan insanlar nadirdir. Genellikle insanlar bu üç alandan birinde en iyisidir.

Pazarlama veri bilimi geliştirmeye kararlıysanız, başlamanıza yardımcı olacak araçları düşünün. Örneğin Google Cloud Platform kullanıyorsanız Vertex tekliflerini ve "Model Garden"ı göz önünde bulundurun.

Yalnızca GA verilerine erişiminiz varsa dijital pazarlama çabalarına katkı sağlayan belirli yerinde sonuçları tahmin etmek için BigQuery'deki verilerden yararlanmanıza olanak tanıyan iBQML hakkında daha fazla bilgi edinmeyi düşünün.

Daha sağlam bir BigQuery yapınız varsa yerel GA verilerinin dışındaki verileri puanlayabilen BQML'den yararlanın. Bu yeteneklerdeki "başlangıç" kavramları, daha fazla veri bilimi yatırımı yapmak için organizasyonel ivme oluşturabilir.

Şekillendirilebilir CDP'de veri bilimini nasıl kullanırım?

Bir CDP dağıttıktan sonra yaygın bir soru ortaya çıkıyor: CDP ve bağlantılı pazarlama kanalı örtüşen yetenekleri paylaştığında veri bilimini nasıl optimize ederiz? Bu, Facebook, Google Ads, markanın ESP'si vb. gibi tahmin yeteneklerine sahip kanallara aktarılan kitleleri içerebilir.

Verdiğim cevaplar müşterinin kullanım durumlarına özeldir. Reklam araçlarınız genellikle CDP'nin ve veri ambarınızın sahip olmadığı verilere sahiptir. Edinme ve yeniden pazarlama kullanım senaryoları için kullandığınız reklam platformlarından en iyi tekliflerden yararlanırken, veri ambarınızdan veya CDP'nizden yüksek hedefli başlangıç ​​kitleleri öneririm.

Deneyimlerime göre, iyi seçilmiş, yapay zeka destekli başlangıç ​​kitleleri, kurallara dayalı izleyicilerin benzerlerinden daha iyi performans gösteriyor. Örneğin, bir reklamveren kısa süre önce Facebook'ta yapay zeka tabanlı tahminler kullanan hedef kitlelerin benzerleri ile kurallara dayalı etkileşimli müşterilerin benzerleri arasında bire bir test gerçekleştirdi. Yapay zeka destekli başlangıç ​​kitlesinin dönüşüm oranı, kurallara dayalı segmenti %25 oranında geride bıraktı.

ESP'niz, veri ambarınızın eksik olduğu e-posta etkileşimi hakkında bilgiye sahip olabilir. Eğer öyleyse, yukarıdaki adtech yaklaşımını kullanın. ESP'nizin sahip olduğu verileri topladıysanız CDP/veri ambarı odaklı segmentasyon ve karar vermeyi kullanın. Bu aynı zamanda coğrafi veya markaya özel ihtiyaçlarınız varsa birden fazla ESP kullanma konusunda size esneklik sağlar. Ancak yine de spesifik öneriler, spesifik kullanım senaryolarına ve verilere bağlıdır.

Şekillendirilebilir CDP'lerde yapay zeka kullanımını genişletirken önemli noktalar

Şekillendirilebilir CDP'nizde yapay zeka kullanımını başlatmak veya genişletmek istediğinize ikna olduğunuzu varsayalım. İşte kendinize sormanız gereken soruların bir kontrol listesi:

Bulut veri ambarınızda tüm pazarlama verileriniz mevcut mu?

Bu, GA4 gibi web sitesi verilerini, e-posta gibi sahip olunan kanallarla etkileşimden elde edilen verileri ve tüm işlem/bağlılık geçmişini içerebilir.

Müşterinin kanallar arasında çözümlenmesi için kimlik çözümleri veya kurallara dayalı eşleştirme içerebilir. İzin verileri, birinci taraf verilerinin tüm kullanımı için kritik öneme sahiptir.

Ekibinizde yapay zekadan yararlanmak için gerekli becerilere sahip misiniz?

Buna veri mühendislerine, veri bilimcilerine, pazarlama analistlerine ve pazarlama operasyonları uygulayıcılarına erişim dahildir.

Yapay zeka tabanlı kitleleri dağıtmak için taktiksel bir planınız var mı?  

Bunun bir strateji bileşeni var. Ancak kullanım senaryosu yol haritalamasında belirli taktikler sıklıkla gözden kaçırılıyor. Hedef kitle oluşturmada belirli verilerin gerekliliğini ve o kitlenin her kanalda pratik olarak uygulanmasını belirleyen bir pazarlama operasyon planı bulunmalıdır.

CDP'nizde yapay zeka tabanlı kitlelere yönelik bir ölçüm planınız var mı?

Ölçüm planı, belirli test kitlelerini ve artış ile yatırım getirisini ölçmenin bir yolunu içermelidir. Başarı kriterlerinin önceden açıkça belirtildiğinden ve paydaşların başarılı bir testin gelecekteki kullanıma sunma açısından ne anlama geldiği konusunda aynı fikirde olduğundan emin olun.

Oluşturulabilir olsun ya da olmasın, CDP çalışmalarınıza yapay zekayı dahil etme konusunda iyi şanslar. Muhtemelen, iş akışlarınızda bu yeteneği uygun maliyetli ve pazarlama ekibinizin yatırım getirisine katkı sağlayacak şekilde benimsemeniz için bir yol vardır.