Menggunakan analitik prediktif bertenaga AI untuk menentukan waktu langkah Anda selanjutnya

Bahkan di saat-saat yang tidak pasti, analitik prediktif yang digerakkan oleh AI dapat membantu pemasar melihat peluang apa yang akan datang. Jadi mengapa teknologi ini tidak digunakan oleh lebih banyak CMO? Pada ceramahnya di konferensi MarTech bulan ini, Kepala Ilmuwan Data TrustInsights.ai Christopher Penn menunjukkan beberapa cara tim pemasaran dapat memanfaatkan data mereka secara prediktif. Dan dia juga berbagi beberapa garuk-garuk kepala.

“Sekitar dua pertiga CMO mengatakan bahwa mereka mengelola saat ini, mereka memadamkan api sekarang, dan hanya sekitar sepertiga yang melihat ke masa depan, bahkan dalam periode waktu di mana perencanaan dan kontinjensi sangat penting, selama pandemi global,” kata Penn, mengutip angka dari survei CMO terbaru Duke University. “Orang-orang tidak melakukannya, dan alasannya adalah banyak alat yang Anda gunakan untuk analitik prediktif ada di kotak alat pemasaran, tetapi perusahaan belum benar-benar mengadopsinya.”

Dia menambahkan, “Kenapa? Karena orang-orang belum menemukan cara untuk memanfaatkan hal-hal ini, bagaimana menggunakannya untuk menghemat waktu dan merencanakan ke depan.”

Mulailah dengan peramalan deret waktu

Sebagian besar cara pemasar menggunakan analitik prediktif berfokus pada pelanggan. Mereka ingin mencari pelanggan yang lebih mungkin untuk membeli. Dan dalam upaya untuk menjadi lebih efisien, pemasar akan mengerahkan upaya dan anggaran mereka untuk melibatkan pelanggan yang memiliki niat lebih.

Metode penghematan waktu lainnya, bagaimanapun, berfokus pada waktu peristiwa atau peluang yang dapat dimanfaatkan oleh pemasar. Strategi ini, yang disebut peramalan deret waktu, juga dapat membantu pemasar menghindari hambatan dan menyelamatkan diri dari sakit kepala.

Dengan memanfaatkan sumber daya data perusahaan Anda saat ini, algoritme dapat mengatur data ke dalam pola, dan AI membuat wawasan menjadi lebih dapat ditindaklanjuti. Dua pola atau tema utama yang ditentukan oleh analisis prediktif adalah musiman dan siklus. Mereka adalah fenomena berulang yang dapat dilihat oleh pemasar datang dari cakrawala, dan bertindak berdasarkan itu.

“Kemusiman mencakup hal-hal yang terjadi selama periode waktu tertentu yang bersifat musiman,” kata Penn. Kemudian, ada pengaruh sesuai dengan apa yang terjadi dalam waktu, dan siklus adalah siklus itu, ritme itu. Data kami umumnya harus musiman dan, umumnya, bersifat siklus.”

Beberapa dari siklus ini sudah diketahui oleh pemasar dari pengalaman dan data menegaskannya. Misalnya, jika Anda berada dalam pemasaran B2B, Anda tidak akan mendapatkan banyak daya tarik dari kampanye di akhir pekan.

"Jika Anda berada di B2C," kata Penn, "Anda tahu waktu antara awal November dan 1 Januari, Anda akan bekerja dua shift. Ada musim untuk itu ... Tapi, tergantung pada produknya, kebalikannya mungkin terjadi. BENAR. Itulah siklus. Jadi, Anda memiliki musim dan siklus dalam data Anda.”

• Selamat pagi: Saat-saat menarik membutuhkan pemasar yang gesit
• Ketika berbicara tentang teknologi pemasaran, tujuan diutamakan sebelum sarana
• Menguraikan transformasi digital dari perjalanan pelanggan saat ini

Selengkapnya dari Konferensi MarTech >>

Data AI yang cukup dalam kue

Anda juga perlu memiliki sejumlah data untuk mengajarkan algoritme apa yang telah terjadi di masa lalu, dan cukup sehingga Anda dapat menguji asumsi Anda tentang data tersebut.

“Uji untuk memastikan bahwa prediksi Anda akurat, dan kemudian Anda dapat membangun perkiraan Anda,” kata Penn. “Jika Anda tidak memiliki cukup data, analitik prediktif cenderung tidak berfungsi. Mengapa demikian? Nah, pikirkanlah seperti ini. ”

Dia menambahkan, “Jika Anda membuat kue dengan benar dan Anda hanya membuat kue sekali, Anda tidak akan tahu apa yang salah. Dan mungkin tidak ada kejanggalan pada hari itu ketika Anda membuat kue itu, jadi Anda hanya memiliki sedikit contoh untuk mengatakan, OK, saya cukup yakin saya tahu cara memanggang kue itu.”

Namun, mengumpulkan data melalui banyak siklus, seperti memanggang banyak kue, memungkinkan tim pemasaran, serta algoritme yang mereka gunakan, untuk mengidentifikasi saat ada yang salah dengan kue.

"Anda akan tahu setelah jangka waktu tertentu apa yang salah," kata Penn. "Itulah yang Anda perlukan dengan data analitik prediktif. Anda harus memiliki cukup data untuk mengetahui saat-saat ketika ada yang tidak beres dan memperhitungkannya."

Peramalan perilaku dengan Predictive Analytics

Untuk mendapatkan gambaran tentang bagaimana pola musiman dan siklus dapat membantu memperkirakan peluang bagi perusahaan Anda, lihat beberapa wawasan yang dapat diambil dari istilah penelusuran di Google.

Di bidang teknologi pemasaran, misalnya, Anda mungkin tertarik dengan pasang surut istilah pencarian "otomatisasi pemasaran".

"Seberapa sering ini akan terjadi selama sisa tahun ini, dan sudah berapa banyak yang terjadi?" tanya Pen. “Sekali lagi, Anda bisa melihat pola jigsaw naik turun itu, itulah siklus kami. Minggu demi minggu, Anda melihat beberapa minggu tinggi, beberapa minggu rendah. Dan data ini memungkinkan kami untuk memperkirakan ke depan.”

Dia menambahkan, “Jika Anda melakukan pemasaran pencarian atau bahkan melakukan pemasaran konten, Anda akan [menentukan] minggu mana dalam lima atau enam minggu ke depan di sini atau 10 atau 12 minggu ke depan, minggu apa saya ingin mengeluarkan lebih banyak konten tentang otomatisasi pemasaran?”

Dengan melihat pola sebelumnya, Anda dapat menggunakan perkiraan untuk memilih waktu saat Anda ingin mengoptimalkan halaman atau menjalankan kampanye.

Semuanya didasarkan pada probabilitas matematika, banyak matematika yang dihitung dalam volume tinggi, dan tidak pernah 100% pasti karena hanya dapat memprediksi hal-hal yang telah terjadi sebelumnya atau datang dalam siklus.

Tetapi perkiraan yang menggunakan analitik prediktif menunjukkan peluang yang akan diperhatikan oleh pemasar, bahkan jika mereka bekerja untuk pesaing Anda.

Tonton presentasi lengkap dari konferensi MarTech kami di sini (perlu pendaftaran gratis).