AI 기반 예측 분석을 사용하여 다음 단계로 이동

불확실한 시기에도 AI 기반 예측 분석은 마케터가 어떤 기회가 닥쳐올지 알 수 있도록 도와줍니다. 그렇다면 더 많은 CMO가 이 기술을 사용하지 않는 이유는 무엇입니까? 이번 달 MarTech 컨퍼런스에서 TrustInsights.ai의 수석 데이터 과학자인 Christopher Penn은 모든 마케팅 팀이 데이터를 예측적으로 활용할 수 있는 몇 가지 방법을 보여주었습니다. 그리고 그는 머리를 긁적이기도 했습니다.

“CMO의 약 3분의 2는 현재를 관리하고 있고, 지금 불을 끄고 있으며, 계획과 비상 상황이 매우 중요한 기간에도 약 3분의 1만이 미래를 내다보고 있습니다. Penn은 Duke University의 가장 최근 CMO 설문 조사에서 나온 수치를 인용하여 말했습니다. "사람들이 그렇게 하지 않고 있을 뿐입니다. 그 이유는 예측 분석에 사용하는 많은 도구가 마케팅 도구 상자에 있지만 회사에서 실제로 이를 채택하지 않았기 때문입니다."

이어 "왜? 사람들이 이러한 것들을 활용하는 방법, 시간을 절약하고 미리 계획하는 데 사용하는 방법을 알지 못했기 때문입니다.”

시계열 예측으로 시작

마케터가 예측 분석을 사용하는 대부분의 방법은 고객 중심입니다. 그들은 구매할 가능성이 더 높은 고객을 찾고 싶어합니다. 그리고 더 효율적이기 위한 노력의 일환으로 마케터는 더 많은 의도를 가진 고객을 참여시키기 위해 노력과 예산을 투입할 것입니다.

그러나 또 다른 시간 절약 방법은 마케터가 뛰어들 수 있는 이벤트 또는 기회의 타이밍에 초점을 맞추는 것입니다. 시계열 예측이라고 하는 이 전략은 마케터가 장애물을 피하고 두통에서 벗어날 수 있도록 도와줍니다.

회사의 현재 데이터 리소스를 활용하여 알고리즘은 데이터를 패턴으로 정렬할 수 있으며 AI는 통찰력을 훨씬 더 실행 가능하게 만듭니다. 예측 분석이 결정하는 두 가지 주요 패턴 또는 주제는 계절성과 주기성입니다. 이는 마케터가 지평선 너머로 다가오는 것을 보고 그에 따라 행동할 수 있는 반복 가능한 현상입니다.

Penn은 "계절성은 주어진 기간 동안 계절에 따라 발생하는 일을 포함합니다."라고 말했습니다. 그러면 시간에 어떤 일이 일어나는가에 따라 영향이 있고, 순환성은 그 주기, 그 리듬입니다. 우리의 데이터는 일반적으로 계절적이어야 하고 일반적으로 주기적이어야 합니다.”

이러한 주기 중 일부는 마케터가 이미 경험을 통해 알고 있으며 데이터가 이를 확인합니다. 예를 들어, B2B 마케팅을 하고 있다면 주말 캠페인에서 큰 관심을 끌지 못할 것입니다.

Penn은 "B2C에 있다면 11월 초와 1월 1일 사이의 시간을 알고 있을 것입니다. 이중 교대 근무를 하게 될 것입니다. 거기에는 계절성이 있습니다. 그러나 제품에 따라 그 반대가 될 수 있습니다. 진실. 그것이 주기성입니다. 따라서 데이터에 계절성과 주기성이 있습니다."

• 좋은 아침: 흥미로운 시대에는 민첩한 마케터가 필요합니다
• 마케팅 기술의 경우 수단보다 목적이 우선합니다.
• 오늘날 고객 여정의 디지털 혁신 분석

MarTech 컨퍼런스에서 더 많은 정보 >>

케이크에 충분한 AI 데이터

또한 과거에 있었던 일을 알고리즘에 가르치기 위해 일정량의 데이터가 필요하고 데이터에 대한 가정을 테스트할 수 있을 만큼 충분해야 합니다.

Penn은 "예측이 정확한지 테스트하고 예측을 구축할 수 있습니다."라고 말했습니다. “데이터가 충분하지 않으면 예측 분석이 작동하지 않는 경향이 있습니다. 그 이유는 무엇입니까? 자, 이렇게 생각해보세요.”

그는 “케이크를 제대로 굽고 있고 케이크를 한 번만 구웠다면 무엇이 잘못될지 전혀 모른다. 그리고 그날 당신이 그 케이크를 만들었을 때 어떤 변칙성이 없었을 수도 있습니다. 그래서 당신이 말할 수 있는 예는 매우 제한적일 것입니다. OK, 나는 케이크를 굽는 방법을 알고 있다고 확신합니다.”

그러나 많은 케이크를 굽는 것과 같이 여러 주기에 걸쳐 데이터를 수집하면 마케팅 팀과 그들이 사용하는 알고리즘이 케이크에 문제가 있을 때 식별할 수 있습니다.

Penn은 “시간이 지나면 무엇이 잘못되었는지 알게 될 것입니다. "바로 이것이 예측 분석 데이터에 필요한 것입니다. 문제가 발생했을 때 이를 파악하고 설명할 수 있는 충분한 데이터가 있어야 합니다."

Predictive Analytics로 행동 예측

계절 및 주기 패턴이 회사의 기회를 예측하는 데 어떻게 도움이 되는지 알아보려면 Google의 검색어에서 얻을 수 있는 몇 가지 통찰력을 살펴보세요.

예를 들어 마케팅 기술 분야에서 "마케팅 자동화"라는 검색어의 밀물과 썰물에 관심이 있을 수 있습니다.

"올해 남은 기간 동안 이런 일이 얼마나 자주 일어날 것이며, 이미 얼마나 많이 일어나고 있습니까?" 펜이 물었다. “다시 말하지만, 위아래로 직소 패턴을 볼 수 있습니다. 이것이 우리의 주기입니다. 매주, 몇 주는 높게, 몇 주는 낮게 보고 있습니다. 그리고 이 데이터를 통해 앞으로 예측할 수 있습니다.”

이어 그는 “검색 마케팅을 하거나 콘텐츠 마케팅을 하고 있다면 여기서 앞으로 5~6주 안에 몇 주를 보낼 것인지, 아니면 앞으로 10~12주 동안 몇 주에 더 많은 콘텐츠를 내놓을 것인지 정할 것”이라고 덧붙였다. 마케팅 자동화?”

과거 패턴을 보고 예측을 사용하여 페이지를 최적화하거나 캠페인을 실행하려는 시간을 선택할 수 있습니다.

그것은 모두 수학적 확률, 대량으로 계산된 많은 수학을 기반으로 하며 이전에 발생했거나 주기적으로 발생하는 일만 예측할 수 있기 때문에 100% 확실하지 않습니다.

그러나 예측 분석을 사용하는 예측은 마케팅 담당자가 경쟁업체를 위해 일하더라도 주의를 기울일 기회를 나타냅니다.

여기에서 MarTech 컨퍼런스의 전체 프레젠테이션을 시청하십시오(무료 등록 필요).