Cómo hacer que los segmentos impulsados ​​por IA funcionen en CDP componibles

Los segmentos impulsados ​​por IA superaron a los segmentos estándar hasta en un 42 % en una prueba cara a cara reciente. Este resultado es típico de las marcas que cambian de un enfoque basado en reglas a una segmentación impulsada por IA. El aumento tiende a ser aún mayor si no se utilizó segmentación anteriormente.

Muchas ofertas de CDP "empaquetadas" incluyen ciencia de datos que realiza inteligencia artificial predictiva crítica con una configuración relativamente mínima. Sin embargo, si adopta un enfoque componible para su CDP, podría preguntarse cómo hacer que los segmentos basados ​​en IA funcionen en innumerables canales, dado que un CDP "componible" depende de los datos y atributos que residen en su almacén de datos.

¿Qué proporcionan los CDP empaquetados con ciencia de datos?

Este tema podría ser un artículo en sí mismo, pero clasificaría ampliamente las ofertas de ciencia de datos de CDP empaquetadas en tres categorías:

• Enriquecimientos conductuales.
• Constructores de ciencia de datos personalizados.
• Trae el tuyo.

Enriquecimientos conductuales

Varios CDP han innovado con ofertas que clasifican el comportamiento del usuario en torno a:

• Afinidad de contenido.
• Afinidad de canales.
• Puntuación conductual.

Estas categorizaciones pueden ser útiles de forma aislada para la segmentación basada en reglas o como características valiosas para crear modelos personalizados.

Ejemplos incluyen:

• La puntuación de comportamiento y la afinidad de contenido de Lytics, que funcionan muy bien con su etiqueta de JavaScript.
• BlueConic tiene un conjunto similar de puntajes de comportamiento.
• La capacidad Simon Predict de Simon Data proporciona análisis predictivos para resultados de marketing específicos.

Constructores de ciencia de datos personalizados

Varios CDP empaquetados ofrecen creadores de ciencia de datos para configurar modelos de aprendizaje automático que brindan puntuación regular a través de parámetros definidos por el usuario.

Lytics, Blueshift, BlueConic y otros han sido los primeros en adoptar. Los gigantes, Adobe y Salesforce, tienen capacidades predictivas. Incluso mParticle y Twilio Segment han introducido capacidades en los últimos 6 a 12 meses después de años de promover la calidad de los datos.

Estas soluciones de “construcción propia” son poderosas, pero obligan a tomar muchas decisiones semitécnicas a los usuarios de plataformas que a menudo tienen usuarios de marketing no técnicos. La disonancia entre la oferta y el usuario final del día a día genera desafíos de adopción.

Trae el tuyo

Todos los CDP pueden incorporar atributos a un cliente determinado. Las puntuaciones de ciencia de datos pueden ser una de ellas. Muchos clientes con los que he trabajado han realizado importantes inversiones en ciencia de datos y buscan conectar mejor los resultados de la ciencia de datos con las activaciones de marketing.

Ha sido interesante para mí que incluso en 2023, todavía hay ejercicios de ciencia de datos de marketing que no están vinculados a un caso de uso de marketing claro. El CDP puede solucionar la incorporación de puntuaciones predictivas e inteligencia del cliente a los canales de marketing, pero primero debe existir la ciencia de datos interna.

Eso es lo bueno del CDP empaquetado. La ciencia de datos realmente existe allí. Sin embargo, el argumento para volverse componible es fuerte. En teoría, ofrece un tiempo de obtención de valor más rápido, una implementación más sencilla, una privacidad mejorada y un costo total de propiedad más bajo. Entonces, ¿qué debe hacer una empresa?

Un marco para entender la ciencia de datos en componible

Revisemos tres escenarios para saber dónde se encuentra su empresa en su madurez actual de ciencia de datos:

• Escenario 1: Mi empresa tiene modelos preexistentes.
• Escenario 2: mi empresa no tiene modelos preexistentes ni recursos de ciencia de datos disponibles.
• Escenario 3: Mi empresa desea construir modelos personalizados.

Escenario 1: Mi empresa tiene modelos preexistentes

Si es una organización muy madura o "nacida digital" que ha realizado las inversiones necesarias en ciencia de datos para impulsar la IA predictiva en sus segmentaciones de marketing, tengo buenas noticias para usted.

La arquitectura componible es una forma perfecta de tomar un CDP "componible" y hacer que todos esos enriquecimientos de ciencia de datos se conecten a sus canales de marketing. Todo lo que necesita hacer es asegurarse de que esos puntajes se actualicen regularmente y que su CDP componible tenga visibilidad de los puntajes. (Lea más sobre otros errores aquí).

Escenario 2: mi empresa no tiene modelos preexistentes o recursos de ciencia de datos disponibles

Construir una práctica de ciencia de datos desde cero es un trabajo duro y costoso. Argumentar el uso de científicos de datos asignados a otros problemas organizacionales es otro problema.

Por ejemplo, tenemos un cliente de CPG con una práctica sofisticada de ciencia de datos para predecir precios futuros y la disponibilidad de ingredientes para fabricar sus productos. Sin embargo, esos científicos de datos no se centran en las activaciones de marketing.

No tengo experiencia en la compra de miles de millones de dólares en productos agrícolas o químicos. Aún así, sospecho que los matices de predecir los precios de futuros de tomate son diferentes a predecir si un cliente abandonará en los próximos 90 días. Cada modelo tendría sus propias características únicas y la experiencia de los científicos de datos tendría un gran impacto en el éxito de los modelos.

Entonces, ¿qué le queda por hacer a una empresa? ¿Deberían contratar ingenieros de datos, científicos de datos y analistas de datos para crear bases de datos, diseñar características, construir modelos, interpretarlos y luego explicarlos para impulsar la adopción a un equipo de marketing ocupado?

Cada vez más, las organizaciones buscan "alquilar" la ciencia de datos. Podrían configurar una plataforma de IA como Predictable u Ocurate con modelos de ciencia de datos obstinados para casos de uso de marketing específicos. Estas soluciones tienen un tiempo de obtención de valor muy rápido.

Alternativamente, la empresa puede optar por ser más personalizado. Plataformas como Faraday prometen enriquecimiento de datos y configuraciones de modelos altamente flexibles. Pero el usuario aún necesita la perspicacia técnica para saber qué predecir y cómo configurar un modelo, incluso si no requiere Python codificado a mano.

Escenario 3: Mi empresa desea crear modelos personalizados

Antes de seguir este camino, evalúe el costo. Realmente construir modelos escalables requiere la participación de varios empleados altamente remunerados.

Para hacerlo bien, necesitarás:

• Ingenieros de datos para recopilar y curar los datos.
• Los científicos de datos diseñarán y modelarán los datos.
• Analistas para interpretar y justificar el uso de los datos.

Es posible que encuentre empleados con un don en dos de estas áreas. Pero las personas que sobresalen en dos de esas áreas son raras. Por lo general, las personas se desempeñan mejor en una de esas tres áreas.

Si está comprometido a desarrollar la ciencia de datos de marketing, piense en herramientas que lo ayuden a comenzar. Si utiliza Google Cloud Platform, por ejemplo, considere su oferta Vertex y su "Model Garden".

Si solo tiene acceso a datos de GA, piense en obtener más información sobre iBQML, que le permite aprovechar los datos de BigQuery para predecir resultados específicos en el sitio que se suman a los esfuerzos de marketing digital.

Si tiene una compilación de BigQuery más sólida, aproveche BQML, que puede calificar datos fuera de los datos nativos de GA. Los conceptos “iniciales” de estas capacidades pueden generar impulso organizacional para realizar más inversiones en ciencia de datos.

¿Cómo uso la ciencia de datos en CDP componible?

Después de implementar un CDP, surge una pregunta común: ¿cómo optimizamos la ciencia de datos cuando el CDP y el canal de marketing conectado comparten capacidades superpuestas? Esto podría incluir audiencias exportadas a canales con capacidades predictivas como Facebook, Google Ads, ESP de la marca, etc.

Las respuestas que proporciono son específicas de los casos de uso de un cliente. Sus herramientas publicitarias generalmente tienen datos que el CDP y su almacén de datos no tienen. Recomiendo audiencias iniciales altamente específicas de su almacén de datos o CDP mientras aprovecha las mejores ofertas de las plataformas publicitarias que está utilizando para casos de uso de adquisición y remarketing.

En mi experiencia, las audiencias iniciales bien elegidas y basadas en inteligencia artificial superan a las audiencias similares basadas en reglas. Por ejemplo, un anunciante realizó recientemente una prueba cara a cara en Facebook entre personas parecidas a audiencias que utilizaban predicciones basadas en inteligencia artificial y personas parecidas a clientes comprometidos basados ​​en reglas. La tasa de conversión de la audiencia inicial impulsada por IA superó al segmento basado en reglas en un 25%.

Es posible que su ESP tenga conocimientos sobre la interacción con el correo electrónico de los que carece su almacén de datos. Si es así, utilice el enfoque de tecnología publicitaria anterior. Si ha recopilado los datos que tiene su ESP, utilice la segmentación y la toma de decisiones basadas en CDP/almacén de datos. Esto también le da flexibilidad para utilizar varios ESP si tiene necesidades geográficas o específicas de marca. Pero nuevamente, las recomendaciones específicas dependen de datos y casos de uso específicos.

Consideraciones clave al ampliar el uso de IA en CDP componibles

Supongamos que está convencido de que desea iniciar o ampliar el uso de IA en su CDP componible. Aquí hay una lista de verificación de preguntas que debe hacerse:

¿Tiene todos los datos de marketing disponibles en su almacén de datos en la nube?

Esto podría incluir datos del sitio web, como GA4, datos de interacción con canales propios, como el correo electrónico, y todo el historial de transacciones/fidelidad.

Puede incluir soluciones de identidad o coincidencias basadas en reglas para la resolución del cliente en todos los canales. Los datos de consentimiento son fundamentales para todo uso de datos propios.

¿Tiene las habilidades necesarias en su equipo para aprovechar la IA?

Esto incluye acceso a ingenieros de datos, científicos de datos, analistas de marketing y profesionales de operaciones de marketing.

¿Tiene un plan táctico para implementar las audiencias basadas en IA?  

Hay un componente estratégico en esto. Pero las tácticas específicas a menudo se pasan por alto en el mapeo de rutas de casos de uso. Debe existir un plan de operaciones de marketing que determine la necesidad de ciertos datos en la creación de audiencia y la aplicación práctica de esa audiencia en cada canal.

¿Tiene un plan de medición para audiencias basadas en IA en su CDP?

El plan de medición debe incluir audiencias de prueba específicas y una forma de medir el aumento y el ROI. Asegúrese de que los criterios de éxito estén claros por adelantado y que las partes interesadas estén alineadas con lo que significa una prueba exitosa para implementaciones futuras.

Buena suerte en su implementación de IA en sus esfuerzos de CDP, componible o no. Probablemente, existe un camino para que usted adopte la capacidad en sus flujos de trabajo de una manera que sea rentable y aditiva al ROI de su equipo de marketing.