Machine Learning para Marketing

¿Cuáles son las mejores aplicaciones de AI en marketing en 2018?

En los últimos 10 años, no hay un campo en el que la IA se haya aplicado de manera más consistente que en marketing digital . Eso es porque, en comparación con otras industrias, las compañías de Internet:

• Recopilaron conjuntos de datos más grandes, más estructurados
• Emplearon más ingenieros de datos y tienen una
• Cultura más centrada en la tecnología.

Pero a pesar de que los grandes gigantes tecnológicos (Google, Facebook, Amazon …) utilizan mucho el machine learning para marketing para otpimizarlo, muchas organizaciones aún están por comenzar.

Si se está preguntando cuál es la mejor forma de usar Machine Learning para marketing a continuación presentamos una descripción general de las principales aplicaciones de hoy:

Orientación predictiva

¿Cómo se asegura que un mensaje de marketing va solo a los usuarios correctos?

La orientación predictiva es una gran mejora en el segmento, e incluso segmentación basada en disparadores. Esta es la jerarquía de personalización en la orientación:

Nivel 0 : Comercialización sin dirección.

• Volante en la calle. (¿Pero quién hace eso?)

Nivel 1 : Segmentación por segmentos.

• Identifique las características de su cliente típico y apunte su comercialización hacia esa persona.

Nivel 2: Activación del objetivo.

• Use comportamientos clave para identificar cuándo sus clientes están listos para comprar, como justo después de haber comprado un coche. Y apunte solo a esos clientes.

Nivel 3: Orientación predictiva.

• Use todas las pistas demográficas y de comportamiento que tenga sobre un cliente para obtener una predicción individual de la probabilidad exacta de que sean comprar en este momento.

En la orientación por desencadenamiento, manualmente selecciona los desencadenantes, mientras que en la orientación predictiva utiliza algoritmos de aprendizaje automático para aprender automáticamente los desencadenadores correctos .

Aprendizaje automático los modelos pueden capturar mucha más complejidad de esta manera, y por lo tanto, mejorar el rendimiento significativamente porque son más exactos cuando se identifican clientes ideales.

He visto a clientes aumentar sus ingresos de marketing 200-300 % al cambiar del desencadenante a la orientación predictiva.

Puntaje de ventaja predictivo

Las pistas ya no son solo números de teléfono y nombres.

Ahora puede capturar fácilmente 50-100 otros factores en un cliente potencial:

• Canal de adquisición;
• Interacción con el sitio web (cada visita, lectura de artículo, descarga o webinar asistido);
• Información sobre la cuenta (tamaño , rondas de inversión, noticias, fluctuaciones de los empleados).

Cada bit de información incluye una pista sobre si ese plomo está listo o no para comprarse. Pero es extremadamente difícil usar esta información de manera eficiente, más allá de establecer algunos filtros obvios.

“¿Los prospectos que vieron un seminario web inmediatamente después descargaron un libro blanco más interesado que los prospectos que visitaron 10 páginas en el medio?”

Difícil de decir – y esa es solo una pregunta entre miles que podría formular.

El aprendizaje automático es la herramienta ideal para exactamente este tipo de análisis: El algoritmo aprende los patrones que hacen buena ventaja – de ventas pasadas – y luego las usa para predecir la probabilidad de conversión exacta para cada cliente potencial en su canalización. Y luego su equipo de ventas sabe mucho mejor en quién concentrarse.

Para que el algoritmo pueda encontrar patrones confiables, necesita al menos ~ 300 clientes en su CRM que ya han comprado, y al menos tantos que no lo han logrado ‘t.

Previsión de valor de vida del cliente

¿Cuánto vale su base de clientes? ¿Y quiénes serán sus mejores clientes?

Estimar el valor futuro de una diversa base de clientes B2C SaaS ha sido un poco de arte negro – muchas veces, simplemente selecciona un promedio valor para cada cliente.

Sin embargo, de manera similar a la orientación predictiva y la calificación del cliente potencial, puede utilizar el aprendizaje automático para conocer la conexión entre el comportamiento de su cliente (qué y cuánto compraron, inicios de sesión, etc.) y su valor total de por vida.

Si tiene suficientes clientes, suficientes datos sobre ellos, y su producto ha existido lo suficiente, entonces esta es una gran manera de:

• Descubrir qué tipos de clientes son más valiosos para adquirir;
• Decidiendo a qué clientes prestar más atención;
• Estimando el valor total de la base de clientes (un usuario a la vez).

Recomendación

No solo queremos examinar sin fin las categorías Más. Esperamos que las películas o libros más relevantes aparezcan primero. Los algoritmos de recomendación han ido mejorando cada vez más, tan bueno que, para muchos usuarios de Spotify o Netflix, las recomendaciones automáticas han reemplazado completamente el descubrimiento manual.

Los algoritmos de recomendación aseguran que sus clientes vean más de lo que desean, y al final eso significa que compran más . Pero hay muchos algoritmos de recomendación diferentes, y cuál de ellos depende de su situación. Estas son las tres categorías más importantes:

1. Contenido

Los algoritmos basados ​​en contenido recomiendan a los usuarios cosas que son similares a las que les gustaban antes. Piense en películas del mismo género o en hoteles de la misma categoría de precios.

2. Colaborativo

Los algoritmos de filtrado colaborativo encuentran usuarios que tienen gustos similares y luego recomiendan a cada uno lo que le gustó al otro. Es como pedir una recomendación de todos tus amigos que tienen gustos similares . En cierto modo, estos algoritmos aprovechan la inteligencia de todos los usuarios y pueden hacer recomendaciones precisas sin saber nada sobre lo que recomiendan.

3. Híbridos

Los recomendadores híbridos combinan los dos primeros enfoques de una forma u otra. Muchos de los algoritmos más potentes en uso son recomendadores híbridos (como Netflix).

El mejor recomendador para su caso específico también depende de:

• Cuánto sabe sobre sus usuarios;
• ¿Cuántos nuevos vs. usuarios que tiene;
• ¿Cuántos productos nuevos (como películas o libros) agrega cada mes;
• La relación de productos a usuarios.

Una vez que haya construido su algoritmo de recomendación, puede aplicarlo en lotes? de formas:

• Ordenando resultados de búsqueda;
• Encontrar productos similares (películas, hoteles, libros);
• Hacer recomendaciones personales para cada usuario (como Spotify Weekly).

Predicción de Churn

Churn es un asesino. Saber qué clientes cancelarán pronto sus membresías, por qué están planeando irse, y luego realizar cambios para conservarlos puede salvar a una empresa .

Pero a menudo no hay una razón clara para el abandono. En cambio, hay muchas razones y combinaciones diferentes.

Un análisis simple le dará solo una respuesta simple, y acabará sospechando que muchos clientes satisfechos estarán agitados. Por lo tanto, usted pierde ingresos al otorgar descuentos a los usuarios equivocados.

De nuevo, el aprendizaje automático es la herramienta ideal para diferenciar sutilmente entre los usuarios que mantendrán y los que no lo harán . Encuentra la gran cantidad de patrones ocultos en el comportamiento del usuario.

Con un modelo bien ajustado, puede ordenar a los usuarios de mayor a menor probabilidad de deserción, y centrarse en aquellos que necesitan la mayor atención.

Los modelos de abandono también pueden ayudarle a comprender los factores que conducen a la deserción, y ajustar su producto cuando sea necesario.