Korzystanie z analizy predykcyjnej opartej na sztucznej inteligencji do określania czasu następnego ruchu

Nawet w niepewnych czasach analityka predykcyjna oparta na sztucznej inteligencji może pomóc marketerom zobaczyć, jakie możliwości pojawiają się na horyzoncie. Dlaczego więc ta technologia nie jest wykorzystywana przez więcej CMO? W swoim wystąpieniu na konferencji MarTech w tym miesiącu, główny analityk danych TrustInsights.ai, Christopher Penn, pokazał kilka sposobów, w jakie każdy zespół marketingowy może predykcyjnie wykorzystać swoje dane. A także dzielił się drapaniem po głowie.

„Około dwie trzecie CMO powiedziało, że zarządzają teraźniejszością, gaszą pożary właśnie teraz, a tylko około jedna trzecia patrzy w przyszłość, nawet w okresie, w którym planowanie i nieprzewidziane okoliczności są tak ważne, podczas globalnej pandemii”, powiedział Penn, powołując się na dane z ostatniego badania CMO przeprowadzonego przez Duke University. „Ludzie po prostu tego nie robią, a powodem tego jest to, że wiele narzędzi używanych do analizy predykcyjnej znajduje się w zestawie narzędzi marketingowych, ale firmy tak naprawdę ich nie przyjęły”.

Dodał: „Dlaczego? Ponieważ ludzie nie zorientowali się, jak korzystać z tych rzeczy, jak z nich korzystać, aby zaoszczędzić czas i planować z wyprzedzeniem”.

Zacznij od prognozowania szeregów czasowych

Marketerzy wykorzystują analizy predykcyjne w dużej mierze skoncentrowane na kliencie. Chcą znaleźć klientów, którzy są bardziej skłonni do zakupu. Aby być bardziej wydajnym, marketerzy będą wkładać swoje wysiłki i budżet w zaangażowanie tych klientów, którzy mają większe zamiary.

Inna metoda oszczędzająca czas skupia się jednak na czasie wydarzenia lub możliwości, do której marketerzy mogą skorzystać. Ta strategia, zwana prognozowaniem szeregów czasowych, może również pomóc marketerom uniknąć wybojów na drodze i uchronić się przed bólem głowy.

Opierając się na bieżących zasobach danych Twojej firmy, algorytmy mogą uporządkować dane we wzorce, a sztuczna inteligencja sprawia, że ​​wnioski są jeszcze bardziej przydatne. Dwa główne wzorce lub motywy, które określa analityka predykcyjna, to sezonowość i cykliczność. Są to powtarzalne zjawiska, które marketerzy widzą na horyzoncie i działają zgodnie z nimi.

„Sezonowość obejmuje rzeczy dziejące się w określonych okresach czasu, które są sezonowe” – powiedział Penn. Potem są wpływy zależne od tego, co dzieje się w czasie, a cykliczność to ten cykl, ten rytm. Nasze dane powinny być generalnie sezonowe i generalnie cykliczne”.

Niektóre z tych cykli znają już marketerzy z doświadczenia i dane to potwierdzają. Na przykład, jeśli zajmujesz się marketingiem B2B, weekendowe kampanie nie będą Cię interesować.

„Jeśli pracujesz w B2C”, powiedział Penn, „znasz czas między początkiem listopada a 1 stycznia, będziesz pracować na dwie zmiany. Jest w tym sezonowość… Ale w zależności od produktu może być odwrotnie PRAWDA. To jest cykliczność. Więc masz sezonowość i cykliczność w swoich danych.”

• Dzień dobry: ciekawe czasy wymagają zwinnych marketerów
• Jeśli chodzi o technologię marketingową, cele są ważniejsze od środków
• Przełamywanie cyfrowej transformacji dzisiejszych podróży klientów

Więcej z konferencji MarTech >>

Wystarczająca ilość danych AI w torcie

Potrzebujesz również pewnej ilości danych, aby nauczyć algorytmy, co wydarzyło się w przeszłości, i wystarczającej, aby przetestować swoje założenia dotyczące danych.

„Przetestuj, aby upewnić się, że twoje prognozy są dokładne, a następnie możesz zbudować swoją prognozę” – powiedział Penn. „Jeśli nie masz wystarczającej ilości danych, analityka predykcyjna zwykle nie działa. Dlaczego tak jest? Pomyśl o tym w ten sposób.

Dodał: „Jeśli dobrze pieczesz ciasta i upiekłeś ciasto tylko raz, tak naprawdę nie wiesz, co może się nie udać. I może nie było żadnych anomalii tego dnia, kiedy robiłeś to ciasto, więc masz bardzo ograniczoną liczbę przykładów do powiedzenia: OK, jestem prawie pewien, że wiem, jak upiec ciasto.

Jednak zbieranie danych w wielu cyklach, takich jak pieczenie dużej ilości ciast, pozwala zespołowi marketingowemu, a także używanym przez nich algorytmom, zidentyfikować, kiedy coś pójdzie nie tak z ciastem.

„Po pewnym czasie będziesz wiedział, co się dzieje” — powiedział Penn. „Tego właśnie potrzebujesz w przypadku danych z analiz predykcyjnych. Musisz mieć wystarczającą ilość danych, aby wykryć sytuacje, w których coś poszło nie tak i uwzględnić to”.

Prognozowanie zachowań za pomocą Predictive Analytics

Aby dowiedzieć się, w jaki sposób sezonowe i cykliczne wzorce mogą pomóc w prognozowaniu możliwości dla Twojej firmy, spójrz na niektóre spostrzeżenia, które można uzyskać na podstawie wyszukiwanych haseł w Google.

Na przykład w obszarze technologii marketingowej możesz być zainteresowany przypływami i odpływami wyszukiwanego hasła „automatyzacja marketingu”.

„Jak często będzie się to działo przez resztę tego roku i jak często już się to dzieje?” - zapytał Penn. „Ponownie możesz zobaczyć ten wzór układanki w górę iw dół, to jest nasza cykliczność. Z tygodnia na tydzień widzisz kilka tygodni maksimum, kilka tygodni minimum. A te dane pozwalają nam prognozować przyszłość”.

Dodał: „Gdybyś zajmował się marketingiem w wyszukiwarkach, a nawet marketingiem treści, [określiłbyś], które tygodnie w ciągu najbliższych pięciu lub sześciu tygodni tutaj lub w ciągu następnych 10 lub 12 tygodni, o których tygodniach chcę opublikować więcej treści marketing automatyzacji?”

Patrząc na przeszłe wzorce, możesz użyć prognozy, aby wybrać czasy, w których chcesz zoptymalizować strony lub przeprowadzić kampanię.

Wszystko opiera się na prawdopodobieństwach matematycznych, dużej ilości matematyki obliczonej w dużych ilościach i nigdy nie jest w 100% pewne, ponieważ może przewidzieć tylko rzeczy, które zdarzyły się wcześniej lub pojawiły się cyklicznie.

Jednak prognozowanie wykorzystujące analitykę predykcyjną wskazuje możliwości, na które marketerzy będą zwracać uwagę, nawet jeśli pracują dla Twojej konkurencji.

Zobacz pełną prezentację z naszej konferencji MarTech tutaj (wymagana bezpłatna rejestracja).