Tržnici i strojno učenje: brže, pametnije, učinkovitije

stroj za učenje

Trgovci se desetljećima koriste A / B testiranje kako bi utvrdili učinkovitost ponuda u brzini odgovora. Tržnici predstavljaju dvije verzije (A i B), mjere stopu odziva, određuju pobjednik, a zatim tu ponudu dostavite svima.

Ali, priznajmo. Ovaj je pristup sablasno spor, zamoran i neoprostivo netočan - pogotovo kada ga primijenite na mobitel. Ono što mobilnom marketingu doista treba jest način da utvrdi pravu ponudu za svakog kupca u određenom kontekstu.

Mobilni pretplatnici predstavljaju jedinstveni izazov kada je u pitanju utvrđivanje optimalnog načina njihovog angažiranja i poticanja na akciju. Konteksti korisnika mobilnih uređaja neprestano se mijenjaju, što otežava određivanje kada, gdje i kako stupiti u interakciju s njima. Da bi povećali izazov, korisnici mobilnih uređaja očekuju visok stupanj personalizacije što se tiče interakcije s njima putem njihovog osobnog uređaja. Dakle, tradicionalni A / B pristup - tamo gdje svi dobivaju pobjednik - manjka za trgovce i potrošače.

Kako bi se suočili s tim izazovima - i shvatili puni potencijal mobilnih uređaja - trgovci se okreću tehnologijama velikih podataka sposobnim za unapređivanje analize ponašanja i automatiziranog odlučivanja kako bi odredili pravu poruku i pravi kontekst za svakog pojedinog kupca.

Strojno učenjeDa bi to učinili u opsegu, koriste se stroj za učenje. Strojno učenje ima sposobnost prilagodbe novim podacima - a da za to nije izričito programirano - na načine kojima ljudi ne mogu pristupiti. Slično rudarstvu podataka, strojno učenje pretražuje velike količine podataka u potrazi za uzorcima. Međutim, umjesto izvlačenja uvida za ljudsko djelovanje, strojno učenje koristi podatke za poboljšanje vlastitog razumijevanja programa i automatski prilagođavanje radnji u skladu s tim. To je u osnovi A / B testiranje na automatskoj kontroli brzine.

Razlog za promjenu igre današnjih prodavača mobilnih uređaja je taj što strojno učenje automatizira testiranje beskonačnog broja poruka, ponuda i konteksta, a zatim utvrđuje što najbolje odgovara za koga, kada i gdje. Think nudi A i B, ali također i E, G, H, M i P zajedno s bilo kojim brojem konteksta.

S mogućnostima strojnog učenja automatski se bilježe postupak bilježenja elemenata isporuke poruka (npr. Kada su poslane, kome, s kojim parametrima ponude itd.) I elementi odgovora na ponudu. Bez obzira prihvaćaju li se ponude, odgovori se prikupljaju kao povratne informacije koje zatim pokreću različite vrste automatiziranog modeliranja za optimizaciju. Ova petlja povratnih informacija koristi se za fino podešavanje naknadnih primjena istih ponuda drugim kupcima i ostalih ponuda istim kupcima, tako da buduće ponude imaju veću vjerojatnost uspjeha.

Eliminirajući nagađanja, trgovci mogu potrošiti više vremena na kreativno razmišljanje o tome što kupcima donosi veću vrijednost u odnosu na to kako i kada ih isporučiti.

Ove jedinstvene mogućnosti, omogućene napretkom u obradi velikih podataka, pohrani, postavljanju upita i strojnom učenju, danas su vodeće u mobilnoj industriji. Mobilni operateri u prvom planu koriste ih za formuliranje zanimljivih uvida u ponašanje, kao i zanatske marketinške kampanje koje u konačnici utječu na ponašanje kupaca kako bi poboljšali lojalnost, smanjili odziv i dramatično podigli prihod.

2 Komentari

  1. 1

    It’s really interesting to read about the challenges that mobile brings and how marketers are able to utilise computing power to quickly present not just one of two options, but one of many options. Getting the right message to the right customers. Such a forward thinking and effective use of technology.

  2. 2

    With the new trends in technology it is good to be updated with what’s happening and have the knowledge with respect to marketing your products. Great information, loved your article!

Što vi mislite?

Ova web stranica koristi Akismet za smanjenje neželjene pošte. Saznajte kako se podaci vašeg komentara obrađuju.