Bir sonraki hareketinizin zamanını belirlemek için yapay zeka destekli tahmine dayalı analitiği kullanma

Belirsiz zamanlarda bile, AI güdümlü tahmine dayalı analitik, pazarlamacıların zirveden hangi fırsatların geldiğini görmelerine yardımcı olabilir. Peki bu teknoloji neden daha fazla CMO tarafından kullanılmıyor? TrustInsights.ai Baş Veri Bilimcisi Christopher Penn, bu ayki MarTech konferansındaki konuşmasında, herhangi bir pazarlama ekibinin verilerini tahmine dayalı olarak kullanabileceği bazı yollar gösterdi. Ve ayrıca bazı kafa kaşımalarını paylaştı.

"CMO'ların yaklaşık üçte ikisi, şimdiyi yönettiklerini, şu anda yangınları söndürdüklerini ve planlamanın ve beklenmedik durumların çok önemli olduğu bir dönemde bile sadece yaklaşık üçte birinin geleceğe baktığını söyledi. küresel pandemi sırasında,” dedi Penn, Duke Üniversitesi'nin en son CMO anketinden alınan rakamlara atıfta bulundu. "İnsanlar bunu yapmıyor ve bunun nedeni, tahmine dayalı analitik için kullandığınız birçok aracın pazarlama araç kutusunda bulunması, ancak şirketlerin bunları gerçekten benimsememesi."

Ekledi, "Neden? Çünkü insanlar bu şeylerden nasıl yararlanacaklarını, zamandan tasarruf etmek ve önceden plan yapmak için nasıl kullanacaklarını henüz bilmiyorlar.”

Zaman serisi tahmini ile başlayın

Pazarlamacıların tahmine dayalı analitiği kullanma biçimlerinin çoğu müşteri odaklıdır. Satın alma olasılığı daha yüksek olan müşteriler bulmak istiyorlar. Ve daha verimli olma çabası içinde, pazarlamacılar çabalarını ve bütçelerini daha fazla niyete sahip bu müşterilerle etkileşim kurmaya harcayacaklar.

Ancak zaman kazandıran başka bir yöntem, pazarlamacıların atlayabileceği bir olay veya fırsatın zamanlamasına odaklanır. Zaman serisi tahmini olarak adlandırılan bu strateji aynı zamanda pazarlamacıların yoldaki tümseklerden kaçınmasına ve kendilerini baş ağrısından kurtarmasına yardımcı olabilir.

Şirketinizin mevcut veri kaynaklarından yararlanan algoritmalar, verileri kalıplar halinde düzenleyebilir ve AI, öngörüleri daha da eyleme geçirilebilir hale getirir. Tahmine dayalı analitiklerin belirlediği iki ana model veya tema, mevsimsellik ve döngüselliktir. Pazarlamacıların ufukta göründüğünü görebilecekleri ve onlara göre hareket edebilecekleri tekrarlanabilir fenomenlerdir.

Penn, "Mevsimsellik, belirli zaman dilimlerinde mevsimsel olan şeyleri içerir" dedi. Sonra, zamanda ne olduğuna göre etkiler vardır ve döngüsellik o döngüdür, o ritimdir. Verilerimiz genellikle mevsimlik ve genel olarak döngüsel olmalıdır.”

Bu döngülerden bazıları pazarlamacılar deneyimlerinden zaten biliyorlar ve veriler bunu doğruluyor. Örneğin, B2B pazarlamasındaysanız, hafta sonları kampanyalardan çok fazla ilgi görmeyeceksiniz.

"B2C'deyseniz," dedi Penn, "Kasım başı ile 1 Ocak arasındaki zamanı bilirsiniz, çift vardiya çalışacaksınız. Bunun mevsimselliği var... Ama ürüne bağlı olarak, tersi olabilir. doğru. Bu döngüsellik. Yani verilerinizde mevsimsellik ve döngüsellik var.”

• Günaydın: İlginç zamanlar çevik pazarlamacılar gerektirir
• Pazarlama teknolojisi söz konusu olduğunda, amaçlar araçlardan önce gelir.
• Günümüzün müşteri yolculuklarının dijital dönüşümünü yıkmak

MarTech Konferansı'ndan daha fazlası >>

Pastada yeterli AI verisi

Ayrıca, algoritmalara geçmişte neler olduğunu öğretmek için belirli miktarda ve verilerle ilgili varsayımlarınızı test edebilmeniz için yeterli miktarda veriye sahip olmanız gerekir.

Penn, "Tahminlerinizin doğru olduğundan emin olmak için test edin ve ardından tahmininizi oluşturabilirsiniz" dedi. “Yeterli veriye sahip değilseniz, tahmine dayalı analitik çalışmaz. Neden böyle? Pekala, şöyle bir düşünün."

“Eğer kekleri doğru yapıyorsanız ve sadece bir kez kek pişirdiyseniz, neyin yanlış gidebileceğini gerçekten bilemezsiniz. Ve o gün o pastayı yaptığında herhangi bir anormallik olmamış olabilir, bu yüzden diyebileceğin çok sınırlı sayıda örneğin var, tamam, eminim pastayı nasıl yapacağımı biliyorum.”

Bununla birlikte, çok sayıda kek pişirmek gibi birçok döngü üzerinden veri toplamak, pazarlama ekibinin yanı sıra kullandıkları algoritmaların pastada bir şeylerin ters gittiğini belirlemesine olanak tanır.

Penn, "Bir süre sonra neyin yanlış gittiğini anlayacaksın," dedi. "Tahmini analitik verilerde ihtiyacınız olan şey budur. Bir şeylerin ters gittiği zamanları tespit etmek ve bunun hesabını vermek için yeterli veriye sahip olmanız gerekir."

Predictive Analytics ile tahmin davranışı

Mevsimsel ve döngüsel kalıpların şirketiniz için fırsatları tahmin etmeye nasıl yardımcı olabileceği hakkında bir fikir edinmek için Google'daki arama terimlerinden çıkarılabilecek bazı analizlere bakın.

Örneğin, pazarlama teknolojisi alanında, "pazarlama otomasyonu" arama teriminin gelgitleri ile ilgilenebilirsiniz.

“Bu, bu yılın geri kalanında ne sıklıkla olacak ve şimdiden ne kadar oluyor?” diye sordu. “Yine, bu yukarı ve aşağı yapboz modelini görebilirsiniz, bu bizim döngüselliğimizdir. Haftadan haftaya, bazı haftaların yüksek, bazı haftaların düşük olduğunu görüyorsunuz. Ve bu veriler ileriye dönük tahmin yapmamızı sağlıyor.”

“Arama pazarlamacılığı yapıyor olsaydınız, hatta içerik pazarlaması yapıyor olsaydınız, önümüzdeki beş veya altı haftanın hangi haftalarında burada veya sonraki 10 veya 12 hafta içinde hangi haftalarda daha fazla içerik yayınlamak istediğimi [belirlersiniz]. pazarlama otomasyonu?”

Geçmiş kalıplara bakarak, sayfaları optimize etmek veya bir kampanya yürütmek istediğiniz zamanları seçmek için tahmini kullanabilirsiniz.

Her şey matematiksel olasılıklara dayanıyor, yüksek hacimde bir çok matematik hesaplanıyor ve hiçbir zaman %100 kesin değil çünkü sadece ya daha önce olmuş ya da döngüler halinde gelen şeyleri tahmin edebiliyor.

Ancak tahmine dayalı analitiği kullanan tahmin, rakibiniz için çalışsalar bile pazarlamacıların dikkat edeceği fırsatlara işaret eder.

MarTech konferansımızın tam sunumunu buradan izleyin (ücretsiz kayıt gereklidir).