Iedereen haast zich om machine learning (ML) in hun marketingprocessen in te zetten in de hoop dat het een ongekende kracht zal brengen om de concurrentie te overtreffen. Marketing is immers sterk afhankelijk van data en communicatie, en het evolueert zo snel dat veel programma’s verouderd zijn tegen de tijd dat ze klaar zijn voor implementatie.
ML verhoogt zowel de snelheid als de flexibiliteit van veel marketingprocessen, maar het is geen pasklare oplossing. Sommige functies hebben enorm veel baat bij een flinke dosis ML; anderen slechts marginaal. Om het meeste profijt te halen uit een investering in ML, helpt het om te weten wat welke is en hoe verschillende soorten analyses van toepassing zijn op een bepaalde situatie.
Wat u wel en niet moet doen bij het bijscholen en opschalen van burgerontwikkelaars in uw hele organisatie – Low-Code/No-Code Summit
Voor de meeste marketingtoepassingen gebruiken gegevensanalisten doorgaans drie basisbenaderingen:
Beschrijvend — toegepast op gegevens van gebeurtenissen uit het verleden
Voorspellend – gebruikt voor prognoses en planning;
Prescriptief – gebruikt om optimale handelwijzen te bepalen.
Van de drie worden voorspellende en prescriptieve het meest gebruikt om ML-algoritmen te bouwen, terwijl beschrijvende analyses vooral van toepassing zijn op rapporten en dashboards. Afhankelijk van de omvang van de gegevensstromen en de totale verzameling gegevens, kunnen sommige bedrijven tot wel twee jaar besteden aan het verzamelen van gegevens om consumentengedrag correct te analyseren en klantrelaties te personaliseren.
Zelfs dan zou ML strategisch moeten worden toegepast binnen elk marketingproces, en de ervaring heeft geleerd dat het de meeste voordelen biedt voor zes belangrijke functies.
Productaanbeveling
Wanneer ze worden opgenomen in een receptanalyse- en personalisatiemodel, zijn productaanbevelingen bedoeld om de conversieratio’s, de gemiddelde bestelwaarde en andere belangrijke statistieken te verhogen. De ervaring heeft geleerd dat wanneer gerichte aanbiedingen worden gedaan op basis van gegevens uit eerdere ervaringen, de inkomsten met 25 procent kunnen stijgen vanwege de grotere relevantie van het product of de dienst voor de behoeften van de consument.
Als we nog een stap verder gaan, kunnen organisaties collaboratieve filtering en andere tools gebruiken om overeenkomsten tussen gebruikers te identificeren, en deze gegevens kunnen worden gebruikt om relevante productaanbevelingen te doen voor meerdere digitale eigendommen. ML, in combinatie met een uniform klantprofiel, kan rekening houden met klantvoorkeuren, zowel online als offline, inclusief gekochte producten en productinteracties zoals verlanglijstjes en weergaven. Dit kan vervolgens worden gebruikt om aanbevelingen te doen zonder afhankelijk te zijn van specifieke gebruikersgeschiedenissen. Op deze manier kunnen marketeers direct aanbevelingen doen aan nieuwe gebruikers, zelfs voordat hun profielen zijn opgesteld. Organisaties kunnen ook collaboratieve filtering gebruiken om gebruikersvoorkeuren te voorspellen op basis van sociaal-demografische variabelen, zoals leeftijd, locatie en voorkeuren.
Voorspelling van het verlooppercentage
Hoewel de meeste churn-modellen heel goed werken zonder ML, is een dosis intelligentie een grote stap in de richting van het perfectioneren van het vermogen om betrouwbare informatie over klanten te benutten, die vervolgens kan worden gebruikt om klantbehoud en marketingstrategieën, zoals churn-percentages en aanbiedingstiming, te versterken. Om dit effectief te doen, heeft het ML-model echter toegang nodig tot een aantal zeer specifieke voorspellende gegevens, zoals de recente aankoopgeschiedenis of de gemiddelde bestelwaarde. Met dit in de hand kan het model klanten analyseren en classificeren op basis van hun neiging om betrokken te blijven.
Verheffen
ML is ook zeer bedreven in het meten van het incrementele effect van een marketingcampagne op gebruikersniveau, evenals inkomsten, verkopen en andere gegevens, en vervolgens voorspellingen te doen over hoe deze verbetering zich in de toekomst zal voordoen. Algoritmen kunnen worden gebruikt om reacties van consumenten op speciale aanbiedingen en andere elementen te simuleren, wat niet alleen helpt om hen naar voltooide verkopen te leiden, maar ook de kosten van deze inspanningen kan verlagen door ze nauwkeuriger op de juiste gebruikers te richten, of door de slechtst presterende helemaal te stoppen .
Terugkerende aankopen
Terugkerende klanten zijn een van de kenmerken van succesvolle marketing, en ML kan hier zeker een rol spelen, vooral bij organisaties die een dramatische schaal doormaken. Een goed getraind model kan bedrijven helpen het exacte moment te bepalen om bestaande klanten te betrekken om de kansen op een aankoop te maximaliseren. Het weet niet alleen wanneer een bepaald product is geweest
herhaaldelijk door andere klanten gekocht, kan het aanvullende artikelen identificeren en aanbevelen op basis van eerdere consumentengegevens. Dit vereist echter een zorgvuldige analyse van meerdere gegevenspunten, zoals het aantal bestellingen dat in het verleden is gedaan, de gemiddelde bestelwaarde, de frequentie van aankopen of andere factoren.
Er is ook vaak een smal venster waarin een vervolgmail resulteert in een extra aankoop. Het is aangetoond dat het consequent behalen van dit cijfer de klikfrequenties aanzienlijk verhoogt.
Klant analyse
Klantanalyse is essentieel voor een breed scala aan marketingfuncties. Met behulp van beschrijvende analyses kunnen organisaties deze segmentaties op een gedetailleerder niveau definiëren, zelfs tot in de nuances van klantgedrag. Tegelijkertijd kunnen prescriptieve analyses deze inzichten gebruiken om het maken van nieuwe modellen te versnellen en te vereenvoudigen en A/B-tests te starten om te helpen bij churn rate of zelfs levenslange waarde (LTV) analyses.
ML voegt even krachtige tools toe aan de populaire RFM-analyses (Recency, Frequency, Monetary Value) die tegenwoordig veel marketingstrategieën aansturen. Op zowel snelheid als schaal verbetert ML enorm het vermogen om klanten kwantitatief te rangschikken en te groeperen om gerichte marketingcampagnes te ontwikkelen. Dit is met name effectief voor op e-mail gebaseerde outreach-campagnes, waarbij organisaties de mogelijkheid krijgen om e-mails te timen om maximaal siteverkeer te genereren en aanbiedingen te beperken tot degenen die ze het meest waarschijnlijk zullen aanspreken.