如何使人工智能驅動的細分在可組合的 CDP 中工作

在最近的一項正面測試中，人工智能驅動的細分市場的表現比標準細分市場高出 42%。 對於從基於規則的方法轉向人工智能驅動的細分的品牌來說，這一結果是典型的。 如果之前沒有使用分段，提升往往會更大。

許多“打包”CDP 產品都捆綁了數據科學，可以通過相對最少的配置執行關鍵的預測人工智能。 然而，如果您對 CDP 採用可組合的方法，您可能會質疑如何使基於人工智能的分段在無數渠道中工作——因為“可組合”的 CDP 依賴於數據倉庫中的數據和屬性。

與數據科學打包在一起的 CDP 能提供什麼？

這個主題本身可以是一篇文章，但我將打包的 CDP 數據科學產品大致分為三類：

• 行為豐富。
• 定制數據科學構建者。
• 帶上你自己的。

行為豐富

一些 CDP 已經通過對用戶行為進行分類的產品進行了創新：

• 內容親和力。
• 渠道親和力。
• 行為評分。

這些分類可能單獨用於基於規則的細分，或者作為構建自定義模型的有價值的功能。

示例包括：

• Lytics 的行為評分和內容親和力與其 JavaScript 標籤配合得很好。
• BlueConic 有一套類似的行為評分。
• Simon Data 的 Simon Predict 功能為特定營銷結果提供預測分析。

定制數據科學構建者

多個打包的 CDP 提供數據科學構建器，用於配置機器學習模型，通過用戶定義的參數提供定期評分。

Lytics、Blueshift、BlueConic 等都是早期採用者。 Adobe 和 Salesforce 等巨頭擁有預測能力。 經過多年的數據質量提升，mParticle 和 Twilio Segment 也在過去 6-12 個月內推出了功能。

這些“構建自己的”解決方案非常強大，但它們迫使平台用戶做出許多半技術性決策，而這些平台通常擁有非技術營銷用戶。 產品與日常最終用戶之間的不一致導致了採用方面的挑戰。

帶上你自己的

所有 CDP 都可以將屬性添加到給定客戶。 數據科學分數可能就是其中之一。 我合作過的許多客戶都在數據科學方面進行了大量投資，並尋求更好地將數據科學輸出與營銷活動聯繫起來。

讓我感興趣的是，即使到了 2023 年，仍然存在與明確的營銷用例無關的營銷數據科學練習。 CDP 可以解決將預測分數和客戶智能引入營銷渠道的問題，但首先需要存在內部數據科學。

這就是打包 CDP 的好處。 數據科學確實存在於此。 然而，支持可組合化的理由很充分。 理論上，它可以提供更快的價值實現時間、更簡單的實施、更好的隱私性和更低的總擁有成本。 那麼，企業該做什麼呢？

理解可組合數據科學的框架

讓我們回顧一下您的企業當前數據科學成熟度的三種場景：

• 場景 1：我的公司有已有的模型。
• 場景 2：我的公司沒有現有的模型或可用的數據科學資源。
• 場景 3：我的公司希望構建定制模型。

場景 1：我的公司已有模型

如果您是一個非常成熟或“天生數字化”的組織，並且已經在數據科學方面進行了必要的投資，以在您的營銷細分市場中支持預測性人工智能，那麼我有個好消息要告訴您。

可組合架構是一種採用“可組合”CDP 並使所有這些數據科學豐富內容連接到您的營銷渠道的無縫方式。 您所需要做的就是確保定期更新這些分數，並且您的可組合 CDP 可以查看這些分數。 （在此處閱讀有關其他陷阱的更多信息。）

場景 2：我的公司沒有現有的模型或可用的數據科學資源

從頭開始構建數據科學實踐是一項艱鉅且昂貴的工作。 另一個問題是如何利用數據科學家來解決其他組織問題。

例如，我們有一個 CPG 客戶，擁有復雜的數據科學實踐，可以預測期貨定價和製造其產品的原料的可用性。 然而，這些數據科學家並不關注營銷活動。

我沒有購買數十億美元的農產品或化學品的經驗。 儘管如此，我懷疑預測番茄期貨定價的細微差別與預測客戶是否會在未來 90 天內流失的細微差別有所不同。 每個模型都有其獨特的功能，數據科學家的經驗將對模型的成功產生重大影響。

那麼，公司還可以做什麼呢？ 他們是否應該聘請數據工程師、數據科學家和數據分析師來構建數據庫、設計功能、構建模型、解釋它們，然後向繁忙的營銷團隊解釋它們以推動採用？

越來越多的組織正在尋求“租用”數據科學。 他們可能會針對特定的營銷用例建立一個像 Predictable 或 Ocurate 這樣的人工智能平台，並使用固執己見的數據科學模型。 這些解決方案具有非常快的價值實現時間。

或者，該公司可能會選擇更多定制。 像法拉第這樣的平台承諾數據豐富和高度靈活的模型配置。 但用戶仍然需要技術頭腦來知道要預測什麼以及如何配置模型 - 即使不需要手動編寫 Python 代碼。

場景 3：我的公司希望構建定制模型

在走這條路之前，先評估一下成本。 真正構建可擴展的模型需要多名高薪員工的參與。

為了正確執行此操作，您需要：

• 數據工程師收集和整理數據。
• 數據科學家對數據進行特徵設計和建模。
• 分析師解釋並提出使用數據的案例。

您可能會發現員工在其中兩個領域具有天賦。 但在其中兩個領域表現出色的人很少見。 通常，人們最擅長這三個領域之一。

如果您致力於構建營銷數據科學，請考慮幫助您入門的工具。 例如，如果您使用的是 Google Cloud Platform，請考慮他們的 Vertex 產品及其“Model Garden”。

如果您只能訪問 GA 數據，請考慮詳細了解 iBQML，它可以讓您利用 BigQuery 中的數據來預測特定的現場結果，這些結果有助於數字營銷工作。

如果您有更強大的 BigQuery 構建，請利用 BQML，它可以對本機 GA 數據之外的數據進行評分。 這些功能中的“入門”概念可以增強組織動力，以進行進一步的數據科學投資。

如何在可組合 CDP 中使用數據科學？

部署 CDP 後，出現了一個常見問題：當 CDP 和互聯營銷渠道共享重疊功能時，我們如何優化數據科學？ 這可能包括導出到具有預測功能的渠道的受眾，例如 Facebook、Google Ads、品牌的 ESP 等。

我提供的答案特定於客戶的用例。 您的廣告工具通常擁有 CDP 和數據倉庫沒有的數據。 我建議您的數據倉庫或 CDP 中具有高度針對性的種子受眾，同時利用您用於獲取和再營銷用例的廣告平台的最佳出價。

根據我的經驗，精心挑選的、由人工智能驅動的種子受眾的表現優於規則驅動的受眾。 例如，一家廣告商最近在 Facebook 上對使用基於人工智能的預測的相似受眾和基於規則的參與客戶的相似受眾進行了頭對頭測試。 AI 驅動的種子受眾的轉化率比基於規則的受眾高出 25%。

您的 ESP 可能了解您的數據倉庫所缺乏的電子郵件參與度方面的知識。 如果是這樣，請使用上面的廣告技術方法。 如果您已經收集了 ESP 的數據，請使用 CDP/數據倉庫驅動的細分和決策。 如果您有地理或品牌特定的需求，這還使您可以靈活地使用多個 ESP。 但同樣，具體建議取決於具體用例和數據。

在可組合 CDP 中擴展 AI 使用時的關鍵考慮因素

假設您確信想要在可組合 CDP 中開始或擴展 AI 的使用。 以下是要問自己的問題清單：

您的雲數據倉庫中是否有所有可用的營銷數據？

這可能包括 GA4 等網站數據、電子郵件等自有渠道互動數據以及所有交易/忠誠度歷史記錄。

它可能包括身份解決方案或基於規則的匹配，用於跨渠道解決客戶問題。 同意數據對於第一方數據的所有使用都至關重要。

您的團隊具備利用人工智能的必要技能嗎？

這包括接觸數據工程師、數據科學家、營銷分析師和營銷運營從業者。

您有部署基於人工智能的受眾的戰術計劃嗎？  

這有一個戰略組成部分。 但在用例路線圖中，具體策略經常被忽視。 應該有一個營銷運營計劃，確定某些數據在受眾建設中的必要性以及該受眾在每個渠道中的實際應用。

您的 CDP 中是否有針對基於人工智能的受眾的衡量計劃？

測量計劃應包括特定的測試受眾以及測量提升和投資回報率的方法。 確保預先明確成功標準，並且利益相關者就成功的測試對未來的推出意味著什麼達成一致。

祝您在 CDP 工作中推出人工智能（無論是否可組合）好運。 您可能有一種途徑可以在工作流程中以經濟高效且可增加營銷團隊投資回報率的方式採用該功能。

獲取營銷技術！ 日常的。 自由的。 在您的收件箱中。

企業電子郵件地址

訂閱 加工...

查看條款。