Obchodníci a strojové učení: rychlejší, chytřejší a efektivnější

strojové učení

Marketingoví pracovníci po desetiletí používají A / B testování k určení efektivity nabídek v míře odezvy řízení. Obchodníci představují dvě verze (A a B), změří míru odezvy, určí vítěza poté tuto nabídku doručit všem.

Ale přiznejme si to. Tento přístup je ochromující pomalý, zdlouhavý a nepřijatelně nepřesný - zvláště když jej použijete v mobilních zařízeních. To, co mobilní marketingový pracovník skutečně potřebuje, je způsob, jak určit správnou nabídku pro každého zákazníka v daném kontextu.

Mobilní předplatitelé představují jedinečnou výzvu, pokud jde o identifikaci optimálního způsobu, jak je zapojit a podpořit akci. Kontexty mobilních uživatelů se neustále mění, takže je obtížné určit, kdy, kde a jak s nimi zacházet. Aby uživatelé zvýšili tuto výzvu, očekávají vysoký stupeň personalizace, pokud jde o interakci s nimi prostřednictvím jejich osobního zařízení. Takže tradiční A / B přístup - kde každý přijímá vítěz - zaostává jak pro obchodníky, tak pro spotřebitele.

V boji proti těmto výzvám - a realizaci plného potenciálu mobilních telefonů - se marketingoví pracovníci obracejí k velkým datovým technologiím schopným pokročit v analýze chování a automatizovaném rozhodování, aby určili správnou zprávu a správný kontext pro každého jednotlivého zákazníka.

Strojové učeníAby toho dosáhli ve velkém, využívají strojové učení. Strojové učení má schopnost přizpůsobit se novým datům - aniž by k tomu bylo výslovně naprogramováno - způsoby, na které se lidé nemohou přiblížit. Podobně jako v dolování dat, strojové učení prohledává obrovské množství dat při hledání vzorů. Namísto získávání poznatků o lidské akci však strojové učení využívá data ke zlepšení vlastního porozumění programu a podle toho automaticky upravuje akce. Je to v podstatě testování A / B na automatickém řízení rychlosti.

Důvodem změny hry pro dnešní mobilní obchodníky je to, že strojové učení automatizuje testování nekonečného množství zpráv, nabídek a kontextů a poté určuje, co pro koho, kdy a kde nejlépe funguje. Think nabízí A a B, ale také E, G, H, M a P spolu s libovolným počtem kontextů.

Díky schopnostem strojového učení se automaticky zaznamenává proces zaznamenávání prvků doručování zpráv (např. Kdy byly odeslány, komu, s jakými parametry nabídky atd.) A prvků reakce nabídky. Bez ohledu na to, zda jsou nebo nejsou nabídky přijímány, jsou odpovědi zachyceny jako zpětná vazba, která poté optimalizuje různé typy automatizovaného modelování. Tato zpětnovazební smyčka se používá k doladění následných aplikací stejných nabídek pro ostatní zákazníky a jiných nabídek pro stejné zákazníky, aby budoucí nabídky měly vyšší pravděpodobnost úspěchu.

Eliminováním dohadů mohou obchodníci strávit více času kreativním přemýšlením o tom, co zákazníkům přináší větší hodnotu oproti tomu, jak a kdy to mají dodat.

Tyto jedinečné funkce, umožněné pokrokem ve zpracování velkých dat, ukládání, dotazování a strojovém učení, jsou dnes v mobilním průmyslu špičkové. Mobilní operátoři v popředí je používají k formulování zajímavých poznatků o chování a také k vytváření poutavých marketingových kampaní, které v konečném důsledku ovlivňují chování zákazníků s cílem zlepšit loajalitu, snížit míru odlivu a dramaticky zvýšit příjmy.

2 Komentáře

  1. 1

    Je opravdu zajímavé číst o výzvách, které mobilní řešení přináší, a o tom, jak jsou obchodníci schopni využít výpočetní výkon k rychlému představení nejen jedné ze dvou možností, ale také jedné z mnoha možností. Získávání správných zpráv pro správné zákazníky. Takové myšlení a efektivní využívání technologií.

  2. 2

    S novými technologickými trendy je dobré být informován o tom, co se děje, a mít znalosti týkající se marketingu vašich produktů. Skvělé informace, váš článek se líbil!

Co si myslíte?

Tyto stránky používají Akismet k omezení spamu. Zjistěte, jak jsou vaše údaje komentářů zpracovávány.