Bemarkers en masjienleer: vinniger, slimmer, effektiewer

A / B-toetsing word al dekades lank deur bemarkers gebruik om die doeltreffendheid van aanbiedinge in reaksiesyfers te bepaal. Bemarkers bied twee weergawes (A en B) aan, meet die responskoers, bepaal die wenner, en lewer dan die aanbod aan almal af.

Maar laat ons maar eerlik wees. Hierdie benadering is verlammend stadig, vervelig en onverskoonbaar onakkuraat - veral as u dit op mobiele toestelle toepas. Wat 'n mobiele bemarker regtig nodig het, is 'n manier om die regte aanbod vir elke klant in 'n gegewe konteks te bepaal.

Mobiele intekenare bied 'n unieke uitdaging as dit kom by die identifisering van die optimale manier om hulle te betrek en aksie te bewerkstellig. Die kontekste van mobiele gebruikers verander voortdurend, wat dit moeilik maak om vas te stel wanneer, waar en hoe om met hulle in gesprek te tree. Om die uitdaging te verhoog, verwag mobiele gebruikers 'n hoë mate van personalisering wanneer hulle via hul persoonlike toestel met hulle in verbinding moet tree. Dus die tradisionele A / B-benadering - waar almal ontvang die wenner - skiet tekort vir bemarkers en verbruikers.

Om hierdie uitdagings die hoof te bied - en die volle potensiaal van selfone te verwesenlik - wend bemarkers hulself tot big data-tegnologieë wat die gedragsanalise en outomatiese besluitneming kan bevorder om die regte boodskap en die regte konteks vir elke individu te bepaal.

Om dit op skaal te kan doen, maak hulle gebruik machine learning. Masjienleer het die vermoë om aan te pas by nuwe data - sonder om eksplisiet daarvoor geprogrammeer te word - op maniere wat mense nie kan nader nie. Soortgelyk aan data-ontginning, soek masjienleer deur groot hoeveelhede data op soek na patrone. In plaas daarvan om insigte vir menslike optrede te verkry, gebruik masjienleer die data om die program se eie begrip te verbeter en handelinge outomaties daarvolgens aan te pas. Dit is basies A / B-toetsing op outomatiese spoedbeheer.

Die rede waarom dit 'n spelwisselaar is vir vandag se mobiele bemarkers, is omdat masjienleer die toets van 'n oneindige aantal boodskappe, aanbiedinge en kontekste outomatiseer, en dan bepaal wat die beste werk vir wie, wanneer en waar. Think bied A en B, maar ook E, G, H, M en P, tesame met 'n aantal kontekste.

Met masjienleerfunksies word die proses om elemente van boodskapaflewering op te teken (bv. Wanneer dit gestuur is, aan wie, met watter aanbiedingsparameters, ens.) En die elemente van die aanbodreaksie outomaties aangeteken. Of aanbiedinge aanvaar word al dan nie, die antwoorde word vasgelê as terugvoer wat dan verskillende soorte outomatiese modellering vir optimalisering dryf. Hierdie terugvoerlus word gebruik om daaropvolgende toepassings van dieselfde aanbiedings op ander klante en ander aanbiedings op dieselfde klante te verfyn, sodat toekomstige aanbiedings 'n groter kans op sukses het.

Deur die raaiwerk uit die weg te ruim, kan bemarkers meer tyd spandeer om kreatief te dink oor wat meer waarde vir klante lewer, teenoor hoe of wanneer om dit te lewer.

Hierdie unieke vermoëns, wat moontlik gemaak word deur die vordering met die verwerking van groot data, berging, navraag en masjienleer, is die toonaangewende in die mobiele bedryf. Mobiele operateurs op die voorgrond gebruik dit om interessante gedragsinsigte te formuleer, sowel as bemarkingsveldtogte wat handwerk betrek, wat uiteindelik die gedrag van klante beïnvloed om die lojaliteit te verbeter, om dit te verminder en om inkomste dramaties te verhoog.