Pazarlamacılar və maşın öyrənmə: daha sürətli, daha ağıllı, daha təsirli

maşın təlim

Onilliklərdir A / B testi, təklif təkliflərinin təsir dərəcələrini müəyyənləşdirmək üçün marketoloqlar tərəfindən istifadə olunur. Pazarlamacılar iki versiyanı təqdim edirlər (A və B), reaksiya nisbətini ölçürlər, müəyyənləşdirirlər qalibvə sonra bu təklifi hər kəsə çatdırın.

Ancaq gəlin etiraf edək. Bu yanaşma şikəst şəkildə yavaş, yorucu və bağışlanılmaz dərəcədə qeyri-dəqiqdir - xüsusən də mobil cihazlara tətbiq edərkən. Mobil marketoloqun həqiqətən ehtiyac duyduğu şey, müəyyən bir kontekstdə hər bir müştəri üçün doğru təklifi müəyyənləşdirmək üçün bir yoldur.

Mobil abunəçilərlə əlaqə qurmağın və hərəkətə gətirməyin ən yaxşı yolunu müəyyənləşdirmək məsələsində bənzərsiz bir problem yaradırlar. Mobil istifadəçilərin kontekstləri davamlı olaraq dəyişir və onlarla nə vaxt, harada və necə əlaqə qurmağı çətinləşdirir. Çətinliyi artırmaq üçün mobil istifadəçilər şəxsi cihazları ilə onlarla ünsiyyətə gəldikdə yüksək dərəcədə fərdiləşdirmə gözləyirlər. Beləliklə ənənəvi A / B yanaşması - hər kəsin aldığı yer qalib - həm marketoloqlar, həm də istehlakçılar üçün aşağı düşür.

Bu problemlərlə mübarizə aparmaq və mobil potensialını tam həyata keçirmək üçün marketoloqlar hər bir müştəri üçün düzgün mesajı və doğru konteksti təyin etmək üçün davranış təhlilini və avtomatlaşdırılmış qərarı inkişaf etdirməyə qadir olan böyük məlumat texnologiyalarına müraciət edirlər.

Machine LearningBunu miqyasda etmək üçün istifadə edirlər maşın təlim. Maşın təlimi, insanların yaxınlaşa bilməyəcəyi şəkildə yeni məlumatlara - açıq şəkildə proqramlaşdırılmadan uyğunlaşma qabiliyyətinə malikdir. Veri mədənçiliyinə bənzər, maşın öyrənmə nümunələri axtararkən çoxlu sayda məlumatları axtarır. Bununla birlikdə, insan fəaliyyətinə dair anlayışlar çıxarmaq əvəzinə, maşın öyrənmə, proqramın öz anlayışını yaxşılaşdırmaq və hərəkətləri avtomatik olaraq uyğunlaşdırmaq üçün məlumatları istifadə edir. Əsasən avtomatik sürət nəzarətində A / B testidir.

Günümüzün mobil marketoloqları üçün oyun dəyişdiricisinə çevrilməyinizin səbəbi, maşın öyrənməsinin sonsuz sayda mesaj, təklif və kontekstin sınanmasını avtomatlaşdırması və daha sonra kimin üçün, nə vaxt və harada daha yaxşı işlədiyini təyin etməsidir. Think, A və B, eyni zamanda E, G, H, M və P təkliflərini istənilən kontekstlə birlikdə təqdim edir.

Maşın öyrənmə imkanları ilə mesajların çatdırılması elementlərinin (məsələn göndərildiyi zaman, kimə, hansı təklif parametrləri ilə və s.) Və təklif cavab elementlərinin qeyd prosesi avtomatik olaraq qeyd olunur. Təkliflərin qəbul edilib edilməməsindən asılı olmayaraq cavablar əks əlaqə şəklində tutulur və bu da optimallaşdırma üçün müxtəlif tipli avtomatlaşdırma növlərini idarə edir. Bu geribildirim dövrü, eyni təkliflərin digər müştərilərə və digər təkliflərə eyni müştərilərə sonrakı tətbiqlərini tənzimləmək üçün istifadə olunur ki, gələcək təkliflər daha yüksək bir uğur qazanma ehtimalı əldə etsin.

Tahminləri ortadan qaldıraraq, marketoloqlar müştərilərə daha çox dəyər verənin nə vaxt və nə vaxt çatdırılması barədə yaradıcılıqla düşünməyə daha çox vaxt sərf edə bilərlər.

Böyük məlumat emalı, saxlama, sorğu və maşın öyrənmə sahəsindəki inkişaflarla təmin edilən bu unikal qabiliyyətlər bu gün mobil sənayedə liderdir. Ön planda olan mobil operatorlar bunlardan maraqlı davranış anlayışlarını formalaşdırmaqla yanaşı, son nəticədə sədaqəti yaxşılaşdırmaq, zəifləməyi azaltmaq və gəliri kəskin şəkildə qaldırmaq üçün müştəri davranışlarını təsir edən marketinq marketinq kampaniyalarını hazırlamaq üçün istifadə edirlər.

2 Şərhlər

  1. 1

    Cib telefonunun gətirdiyi çətinliklər və marketoloqların hesablama gücündən iki variantdan birini deyil, bir çox variantdan birini tez bir şəkildə təqdim etmək üçün necə istifadə edə bildiklərini oxumaq həqiqətən maraqlıdır. Müvafiq müştərilərə düzgün mesajın çatdırılması. Belə bir irəli düşüncə və texnologiyadan səmərəli istifadə.

  2. 2

    Texnologiyadakı yeni tendensiyalarla baş verənlər barədə məlumat almaq və məhsulların marketinqi ilə bağlı biliklərə sahib olmaq yaxşıdır. Böyük məlumat, məqalənizi sevdi!

Siz nə düşünürsünüz?

Bu sayt spam azaldılması üçün Akismet istifadə edir. Yorumunuzun necə işləndiyini öyrənin.