یادگیری تقویت: مقیاس بازاریابی شخصی

یادگیری تقویت: مقیاس بازاریابی شخصی

یادگیری تقویتی با پیشبرد مشتریان در راه خرید و تصمیم گیری های تأثیر گذار ، راهی را برای پیش بینی بهتر اقدامات مصرف کننده در آینده و بهبود گسترده نتایج هموار می کند.

بازاریابی شخصی شده برای مصرف کنندگان خرده فروشی و بازاریابی مبتنی بر حساب برای مشتریان B2B اکنون ارزش اثبات شده ای دارند. تعامل آنلاین با مشتریان ، حجم زیادی از داده ها را برای یادگیری دقیق درباره رفتار مصرف کننده برای سفارشی سازی توصیه ها ، پیام ها و مطالب محصول ایجاد می کند.

قطعه گم شده از یک مقیاس پذیر و فقط در زمان راه سنج ترجیحات مشتری و توصیه های محصول را در حالی است که بازدید کنندگان با وب سایت شرکت کنند. الگوریتم های یادگیری تقویت عمیق در سطح آستانه آموزش دیده می شوند که در آنجا شروع به دستیابی به نرخ تبدیل می کنند تا با هزینه های تجزیه و تحلیل داده ها مطابقت داشته باشند.

یادگیری تقویتی

سنگ بنای یادگیری تقویت (RL) این است که برای دستیابی به هدف دستیابی به مشتریان یا هر هدف دیگر ، با چندین مسیر آزمایش می کند. این امر باعث می شود تا با استفاده از بهترین قیمت ، قیمت ها ، توصیه های محصول ، تبلیغات و محتوا را به صفر برساند تا از بهترین روش هایی که باعث ایجاد انگیزه در هر فرد برای مشتری می شود ، استفاده شود. (همچنین بخوانید: یادگیری تقویت کننده در مقابل یادگیری عمیق تقویت: تفاوت چیست؟)

در مقابل ، یادگیری عمیق (DL) الگوهای موجود در داده ها را با الگوریتم های مشخص شده می یابد اما نه با اهداف نهایی از پیش تعیین شده در ذهن. برای اهداف بازاریابی ، RL طیف سفر مشتریانی را که با کسب آنها در بخشهای مختلف بازار نتیجه می گیرند ، ترسیم می کند. (همچنین بخوانید: تفاوت بین یادگیری عمیق و یادگیری ماشین چیست؟)

یادگیری برای تعامل با مشتریان برای خرید و فروش ، فروش متقابل و کسب درآمد بیشتر از هر مشتری در طول چرخه زندگی رابطه خود با فروشندگان ، اطلاع رسانی می کند.

بازاریابی شخصی

بدون شک ، بازاریابی شخصی باعث افزایش چشمگیر کارایی مشتری می شود. هزینه های تملک در 50 درصد کاهش می یابد ، درآمد 5 تا 15 درصد افزایش می یابد و اثربخشی بودجه بازاریابی 10 تا 30 درصد افزایش می یابد. داده های صوتی ، تصویری و عواطف باعث می شوند تا دیدگاههای واضح و شفافی از افراد ایجاد شود تا شخصی سازی شده با مشتریان را آگاه سازند.

به عنوان مثال ، اگر یک مشتری از حوله های پرشور ابراز ناامیدی کند ، یک موتور هوش مصنوعی تشخیص هیجان (AI) قادر به خواندن آن است و می تواند فوراً یک حوله جایگزین را که اخیراً در بازار راه اندازی شده است ، که به سرعت خشک می شود ، توصیه کند تا یک فروش را به فروش برساند.

بازاریابی مبتنی بر حساب (ABM) در فروش B2B بطور ظاهری باعث افزایش ارزش متوسط ​​قرارداد با توجه به مشکلات خاص مشتریان می شود ، فروش متقابل گسترده تر است و با ایجاد روابط عمیق تر. گزارش شده است که متوسط ​​ارزش قرارداد 171 درصد افزایش یافته است. ROI متوجه شده از ABM با 71٪ از نمونه مدیران مورد بررسی بالاتر از سایر طرحهای بازاریابی بود.

از نظر روابط ، 75٪ گزارش های قابل توجهی در روابط خود با چشم انداز بیش از 10٪ گزارش دادند.

مقیاس بازاریابی شخصی

نیکلاس کیرینوس ، بنیانگذار Fountech Ventures ، یک شرکت سرمایه گذاری در انکوباتور و سرمایه گذاری متخصص در هوش مصنوعی ، و بنیانگذار Prospex ، یک شرکت تولید سرب ، توضیح داد که چگونه یادگیری تقویت کننده به سطوح مقیاس پذیر نرخ تبدیل تبدیل می کند:

"یادگیری تقویت همانطور که از تعامل مشتریان در طول سفر خریدشان یاد می گیرد ، تکامل می یابد. این نظارت بر اینکه آیا قرار ملاقات انجام شده است ، به اشتراک گذاری محتوای وب سایت در سایت های رسانه های اجتماعی ، نظارت می کند یا رهبری در مورد ویژگی های محصول استعلام می کند. از داده های فعالیت در یک دامنه ، مانند فروش کتاب ، می توان برای پیش بینی رفتار در سایر حوزه های مرتبط مانند خرید فیلم به منظور ارائه توصیه استفاده کرد. "

مواد و روش ها

نمودارهای روابط پایه و اساس سازماندهی داده های مشتری برای تجزیه و تحلیل با RL و سایر اشکال هوش مصنوعی است. به عنوان مثال ، این نمودارها ، شبکه های اجتماعی افراد را ترسیم می کنند.

رفتار خرید و فروش مشتریان تحت تأثیر کلمات از زبان در شبکه اجتماعی آنها قرار می گیرد. این گروه های اجتماعی تحت تأثیر پیام هایی هستند که از طریق رسانه های جمعی و مکالمات در رسانه های اجتماعی ابلاغ می شود. محلات آنها از تأثیرات فرهنگی خود خبر می دهد و الگوهای اجتماعی شدن آنها مانند تعامل در گروه های حرفه ای علایق آنها را آشکار می کند. چندین لایه از داده ها روی نمودار رابطه پوشانده شده اند تا دلایل و اثرات آن را درک کنند.

ناگزیر ، حجم زیادی از داده ها ، در ابتدا ، سروصدای زیادی را توضیح نمی دهند. کیرینوس گفت: "هرچه حجم داده های شما بزرگتر باشد ، امکان برآورد میانگین های پایه برای دسته ها و زیر گروه ها از مشتریان با افزایش سطح دقت بیشتر محتمل است." وی اضافه کرد: "میزان سر و صدا بیشتر می شود زیرا در مورد رفتارهای فردی و علت و معلول فعالیت خرید هر فرد بیشتر می شود."

کیرینوس همچنین نظرات خود را در مورد شکاف در داده ها و اینکه چگونه هنوز می توان نتیجه گیری کرد که می تواند تصمیم گیری را آگاه سازد ، به اشتراک گذاشت. به عنوان مثال ، مصرف کنندگان بین ارائه محصول از رقبا انتخاب می کنند در حالی که فروشندگان فقط می توانند داده های وب سایت های خود و سایر داده های عمومی را تجزیه و تحلیل کنند.

وی گفت: "در بیشتر موارد ، ما اطلاعات رقیبی را کسب نمی کنیم که از نظر ضوابط اخلاقی برای حفظ حریم خصوصی محافظت می شود. ابزارهای هوش مصنوعی مانند داده های Prospex برای دسته هایی مانند الگوی رفتار در مناطق خاص ، صنایع و سن شامل کلیه مشتریان است. سودهای مربوط به مشتریهای خاص را می توان از وابستگی آنها به گروهها استنباط کرد. "

لمس انسان

با وجود استفاده گسترده از الگوریتم های پیشرفته ، شرکت های بازاریابی مارا همچنان برای تأیید و تقویت مجموعه های داده های بازاریابی ، که شامل اطلاعات مربوط به مشتریان هدف است ، قبل از استفاده از مشتری هایشان برای تصمیم گیری های تجاری ، به فعالیت خود ادامه می دهند.

شهیدا افضل ، بنیانگذار Trifle Solutions ، نظرات خود را در مورد یادگیری نحوه ارائه خدمات شرکت خود به علیرغم اتوماسیون جمع آوری داده ها ، برای مصرف کنندگان اطلاعات بازار ، همچنان ارزشمند دانست.

"مشتری ها به دنبال زیر مجموعه های اطلاعاتی هستند که به سؤالاتی که مدیرانشان می خواهند از آنها بپرسند پاسخ می دهد. بانکهای اطلاعاتی بزرگتر تجاری غالباً قادر به ارائه اطلاعات خاص ، غالباً گرانولی برای نیازهای دقیق خود که صحت آن تضمین شده است ، نیستند.

افضل توضیح داد: "برای درک نیازهای دقیق مشتری و ایجاد راهبردی برای پرس و جو از پاسخ دهندگان برای استخراج اطلاعات مورد نظر ، ارتباطات انسانی لازم است."

افضل افزود: "مجموعه داده ها با اطلاعات متنی افزوده می شوند ، و از پرسیدن سؤالاتی درباره زمینه که در آن ، زمان ، چه چیزی و چگونگی اتفاقی برای درک داده ها در چشم انداز رخ داده است ، به دست آمده است."

مردم معمولاً از به اشتراک گذاشتن اطلاعات داخلی شرکت محتاط هستند ، به خصوص اگر محرمانه باشد ، یا فقط محافظت شده محض است.

وی گفت: "ما با پاسخ دهندگان خود رابطه برقرار می کنیم ، مودبانه پایدار خواهیم ماند تا زمانی که آنها نگهبان خود را رها نکنند و احساس راحتی کنند در مورد شغلشان برای اطلاعات محرمانه ، ما در مورد داده های درهم تنیده سؤال می کنیم که به ما کمک می کند مقادیر داده های مورد نظر را استنباط کنیم. "

مهمتر از همه ، مشتریان دقت داده ها را معیار مهم برای انتخاب منبع داده خود می دانند. وی گفت: "ما در حضور آنها 50 تماس تلفنی برقرار می کنیم تا نشان دهیم که مجموعه داده های تجاری با خطا پر شده اند. سرانجام ، آنها در نهایت هشت بار از ده مورد خود را انتخاب می کنند. "

افکار نهایی

DL اغلب مورد انتقاد قرار گرفته است زیرا Blackbox به سختی قادر به توضیح علت و معلولی از انبوه داده هایی است که تجزیه و تحلیل می کند. RL با ترسیم مسیرهای مشتریان در مسیر خرید و تأثیرگذاری در انتخاب آنها ، راهی را برای پیش بینی اقدامات آینده خود بطور چشمگیر بهبود می بخشد.

با این وجود ، دخالت انسان برای پر کردن شکاف های باقی مانده از ماشین ها لازم است.