بهترین کاربردهای هوش مصنوعی در بازاریابی در سال ۲۰۱۸ چیست؟ در ۱۰ سال گذشته، هیچ زمینه‌ای وجود ندارد که هوش مصنوعی بیشتر از بازاریابی دیجیتال در آن کاربرد داشته باشد. این به این دلیل است که در مقایسه با سایر صنایع، شرکت های اینترنتی:
- مجموعه داده های بزرگتر، ساختارمندتر را جمع آوری کرد
- استخدام مهندسان داده بیشتر و داشتن یک
- فرهنگ بیشتر متمرکز بر فناوری
اما اگرچه غول‌های بزرگ فناوری (گوگل، فیس‌بوک، آمازون…) از یادگیری ماشینی برای بهینه‌سازی بازاریابی استفاده می‌کنند، بسیاری از سازمان‌ها هنوز تازه شروع به کار کرده‌اند. اگر نمی‌دانید چگونه می‌توانید از یادگیری ماشینی، هوش مصنوعی در بازاریابی استفاده کنید، در اینجا مروری بر برنامه‌های کاربردی برتر امروزی وجود دارد:
هدف گذاری پیش بینی کننده
چگونه مطمئن می شوید که پیام بازاریابی فقط به کاربران مناسب می رسد؟ هدف‌گیری پیش‌بینی‌کننده یک پیشرفت بزرگ در هدف‌یابی مبتنی بر بخش و حتی محرک است. این سلسله مراتب شخصی سازی در هدف گذاری است:
سطح ۰: بازاریابی غیر هدفمند
تراکت در خیابان
سطح ۱: هدف گذاری بخش
ویژگی های مشتری معمولی خود را شناسایی کنید و بازاریابی خود را به سمت آن شخصیت هدف قرار دهید.
سطح ۲: هدف گذاری
از رفتارهای کلیدی برای شناسایی زمانی که مشتریان شما آماده خرید هستند استفاده کنید. مانند درست پس از خرید ماشین و فقط آن مشتریان را هدف قرار دهید.
سطح ۳: هدف گذاری پیش بینی کننده
از تمام سرنخ‌های رفتاری و جمعیت‌شناختی که در مورد مشتری دارید استفاده کنید تا پیش‌بینی فردی در مورد احتمال خرید او در حال حاضر داشته باشید.
امتیازدهی
سرنخ ها دیگر فقط شماره تلفن و نام نیستند. اکنون می توانید به راحتی ۵۰ تا ۱۰۰ عامل دیگر را در یک لید ثبت کنید:
- کانال جذب؛
- تعامل با وب سایت
- اطلاعات مربوط به حساب
یادگیری ماشینی ابزار ایده‌آلی برای دقیقاً این نوع تحلیل است: الگوریتم الگوهایی را می‌آموزد که سرنخ خوبی ایجاد می‌کنند. از فروش گذشته و سپس از آنها برای پیش‌بینی احتمال تبدیل دقیق برای هر سرنخ در خط لوله شما استفاده می‌کند. سپس تیم فروش شما خیلی بهتر می داند که روی چه کسی تمرکز کند. برای اینکه الگوریتم بتواند الگوهای قابل اعتمادی را بیابد، به حداقل ۳۰۰ مشتری در CRM خود نیاز دارید که قبلاً خریداری کرده باشند و حداقل به همان تعداد که خریداری نکرده اند.
پیش بینی ارزش طول عمر مشتری
ارزش پایه مشتری شما چقدر است؟ و بهترین مشتریان شما چه کسانی خواهند بود؟ تخمین ارزش آینده یک پایگاه مشتری متنوع B2C SaaS کمی یک هنر سیاه بوده است. در بسیاری از مواقع، شما به سادگی یک مقدار متوسط را برای هر مشتری انتخاب می کنید. با این حال، مشابه هدف‌گذاری پیش‌بینی‌کننده و امتیازدهی سرنخ، می‌توانید از یادگیری ماشینی برای یادگیری ارتباط بین رفتار مشتری خود و ارزش کل طول عمر آنها استفاده کنید. اگر مشتریان کافی دارید، اطلاعات کافی در مورد آنها دارید و محصول شما به اندازه کافی در دسترس بوده است، پس این یک راه عالی است:
- تشخیص اینکه کدام نوع مشتریان برای به دست آوردن ارزش بیشتری دارند
- تصمیم گیری در مورد مشتریان فعلی برای تمرکز بیشتر
- برآورد ارزش کل پایگاه مشتری
توصیه
ما دیگر نمی‌خواهیم بی‌پایان دسته‌ها را مرور کنیم. ما انتظار داریم که ابتدا فیلم ها یا کتاب های مرتبط تر ظاهر شوند. الگوریتم‌های توصیه بهتر و بهتر می‌شوند. به قدری خوب که برای بسیاری از کاربران Spotify یا Netflix، توصیه‌های خودکار کاملاً جایگزین کشف دستی شده‌اند.
الگوریتم‌های توصیه اطمینان حاصل می‌کنند که مشتریان شما بیشتر از آنچه می‌خواهند می‌بینند و در نهایت این بدان معناست که آنها بیشتر خرید می‌کنند. اما الگوریتم‌های توصیه‌کننده مختلفی وجود دارد و اینکه کدام یک به شرایط شما نیاز دارد بستگی دارد. در اینجا سه دسته مهم ذکر شده است:
۱. مبتنی بر محتوا
الگوریتم‌های مبتنی بر محتوا چیزهایی را به کاربران شما توصیه می‌کنند که شبیه به آنچه قبلاً دوست داشتند.
۲. مشارکتی
الگوریتم‌های فیلتر مشارکتی کاربرانی را پیدا می‌کنند که سلیقه مشابهی دارند و سپس آنچه را که دیگری دوست دارند به هر یک توصیه می‌کنند. مانند این است که از همه دوستان با سلیقه خود درخواست توصیه کنید. به نوعی، این الگوریتم‌ها از تمام هوش کاربران شما استفاده می‌کنند و می‌توانند بدون دانستن چیزی در مورد آنچه توصیه می‌کنند، توصیه‌های دقیقی ارائه دهند.
۳. ترکیبی
توصیه‌کنندگان ترکیبی دو رویکرد اول را به یک شکل یا روش دیگر ترکیب می‌کنند. بسیاری از قدرتمندترین الگوریتم های مورد استفاده، توصیه کننده های ترکیبی هستند.
بهترین توصیه کننده برای مورد خاص شما نیز به موارد زیر بستگی دارد:
- چقدر در مورد کاربران خود می دانید
- چند کاربر جدید نسبت به کاربران بازگشتی دارید
- هر ماه چند محصول جدید اضافه می کنید
- نسبت محصولات به کاربران
هنگامی که الگوریتم توصیه گر خود را ساختید، می توانید آن را به روش های زیادی اعمال کنید:
- مرتب سازی نتایج جستجو
- یافتن محصولات مشابه
- ارائه توصیه های شخصی برای هر کاربر
پیش بینی ریزش
دانستن اینکه کدام یک از مشتریان به زودی عضویت خود را لغو می کنند، چرا قصد خروج از آن را دارند و سپس ایجاد تغییراتی برای حفظ آنها می تواند یک شرکت را نجات دهد. اما اغلب یک دلیل واضح برای ریزش وجود ندارد. درعوض، دلایل و ترکیب‌های مختلفی دارد. یک تجزیه و تحلیل ساده به شما پاسخ ساده ای می دهد و در نهایت به بسیاری از مشتریان خوشحال مشکوک خواهید شد که سرگردان هستند. بنابراین با دادن تخفیف به کاربران اشتباه درآمد خود را از دست می دهید.
باز هم، یادگیری ماشینی ابزار ایده آلی برای تمایز ظریف بین کاربرانی است که سرخورده می شوند و کسانی که نمی خواهند. بسیاری از الگوهای پنهان در رفتار کاربر را پیدا می کند. با یک مدل به خوبی تنظیم شده، می توانید کاربران را از بیشترین به کمترین احتمال انحراف مرتب کنید و روی کسانی تمرکز کنید که به بیشترین توجه نیاز دارند.
انتهای مطلب/ منبع