Tržniki in strojno učenje: hitrejše, pametnejše in učinkovitejše

strojno učenje

Tržniki že desetletja uporabljajo A / B testiranje za ugotavljanje učinkovitosti ponudb glede stopnje odziva na vožnjo. Tržniki predstavijo dve različici (A in B), izmerijo odzivnost in določijo zmagovalec, nato pa ponudbo dostavite vsem.

Ampak, priznajmo si. Ta pristop je izredno počasen, dolgočasen in neopravičljivo netočen - še posebej, če ga uporabljate za mobilne naprave. Kar zares potrebuje prodajalec mobilnih naprav, je način, kako določiti pravo ponudbo za vsako stranko v določenem kontekstu.

Naročniki mobilne telefonije predstavljajo edinstven izziv, ko gre za določitev optimalnega načina njihovega sodelovanja in spodbujanja ukrepov. Konteksti mobilnih uporabnikov se nenehno spreminjajo, zato je težko določiti, kdaj, kje in kako z njimi sodelovati. Da bi povečali izziv, mobilni uporabniki pričakujejo visoko stopnjo personalizacije, ko gre za interakcijo z njimi prek njihove osebne naprave. Torej tradicionalni A / B pristop - kjer vsi prejmejo zmagovalec - ne ustreza tržnikom in potrošnikom.

Za boj proti tem izzivom - in uresničitev celotnega potenciala mobilne telefonije - se tržniki obračajo na tehnologije velikih podatkov, ki lahko napredujejo v vedenjski analizi in avtomatiziranem odločanju, da določijo pravo sporočilo in pravi kontekst za vsako posamezno stranko.

strojno učenjeDa bi to naredili v velikem obsegu, se izkoriščajo strojno učenje. Strojno učenje se lahko prilagodi novim podatkom - ne da bi bil za to izrecno programiran - na načine, na katere se ljudje ne morejo približati. Podobno kot pri rudarjenju podatkov tudi strojno učenje išče velike količine podatkov v iskanju vzorcev. Namesto da bi pridobivalo vpoglede za človeško delovanje, strojno učenje uporablja podatke za izboljšanje lastnega razumevanja programa in samodejno prilagajanje dejanj temu primerno. V bistvu gre za A / B testiranje samodejnega nadzora hitrosti.

Razlog, da gre za spreminjanje iger za današnje prodajalce mobilnih naprav, je v tem, da strojno učenje avtomatizira testiranje neskončnega števila sporočil, ponudb in kontekstov ter nato ugotovi, kaj komu najbolj ustreza, kdaj in kje. Think ponuja A in B, pa tudi E, G, H, M in P skupaj s poljubnim številom kontekstov.

Pri zmožnostih strojnega učenja se samodejno zabeleži postopek snemanja elementov dostave sporočil (npr. Kdaj so bila poslana, komu, s kakšnimi parametri ponudbe itd.) In elementi odziva na ponudbo. Ne glede na to, ali so ponudbe sprejete ali ne, se odgovori zajamejo kot povratne informacije, ki nato vodijo do različnih vrst avtomatiziranega modeliranja za optimizacijo. Ta povratna zanka se uporablja za natančno prilagajanje poznejših aplikacij istih ponudb drugim strankam in drugih ponudb istim strankam, tako da imajo prihodnje ponudbe večjo verjetnost uspeha.

Z odpravo ugibanj lahko tržniki porabijo več časa za kreativno razmišljanje o tem, kaj strankam prinese večjo vrednost, v primerjavi s tem, kako in kdaj jo dostaviti.

Te edinstvene zmogljivosti, ki jih omogoča napredek pri obdelavi velikih podatkov, shranjevanju, poizvedovanju in strojnem učenju, so danes vodilne v mobilni industriji. Mobilni operaterji, ki so v ospredju, jih uporabljajo za oblikovanje zanimivih vedenjskih vpogledov in trženjskih kampanj, ki na koncu vplivajo na vedenje kupcev, da bi izboljšali zvestobo, zmanjšali odtok in dramatično dvignili prihodke.

2 Komentarji

  1. 1

    Zanimivo je brati o izzivih, ki jih prinaša mobilni telefon, in o tem, kako lahko prodajalci izkoristijo računalniško moč, da na hitro predstavijo ne le eno od dveh možnosti, temveč eno izmed mnogih. Pridobivanje pravega sporočila pravim strankam. Tako premišljeno razmišljanje in učinkovita uporaba tehnologije.

  2. 2

    Z novimi tehnološkimi trendi je dobro biti na tekočem z dogajanjem in imeti znanje o trženju svojih izdelkov. Odlične informacije, všeč mi je bil vaš članek!

Kaj menite?

Ta stran uporablja Akismet za zmanjšanje nezaželene pošte. Preberite, kako se vaš komentar obravnava.