Cara membuat segmen berbasis AI berfungsi dalam CDP yang dapat disusun

Segmen berbasis AI mengungguli segmen standar hingga 42% pada uji head-to-head baru-baru ini. Hasil ini khas untuk merek yang beralih dari pendekatan berbasis aturan ke segmentasi berbasis AI. Lift cenderung lebih besar jika tidak ada segmentasi yang digunakan sebelumnya.

Banyak penawaran CDP "paket" telah menggabungkan ilmu data yang melakukan AI prediktif kritis dengan konfigurasi yang relatif minimal. Namun, jika Anda mengadopsi pendekatan composable pada CDP Anda, Anda mungkin mempertanyakan bagaimana membuat segmen berbasis AI berfungsi di berbagai saluran — mengingat CDP “composable” bergantung pada data dan atribut yang berada di gudang data Anda.

Apa yang disediakan oleh CDP yang dikemas dengan ilmu data?

Topik ini bisa menjadi artikel tersendiri, tetapi saya secara luas mengkategorikan paket penawaran sains data CDP ke dalam tiga kategori:

• Pengayaan perilaku.
• Pembuat ilmu data khusus.
• Bawa sendiri.

Pengayaan perilaku

Beberapa CDP telah berinovasi dengan penawaran yang mengkategorikan perilaku pengguna di sekitar:

• Afinitas konten.
• Afinitas saluran.
• Penilaian perilaku.

Kategorisasi ini mungkin berguna secara terpisah untuk segmentasi berbasis aturan atau sebagai fitur berharga untuk membuat model kustom.

Contohnya meliputi:

• Penilaian perilaku dan afinitas konten Lytics, yang bekerja dengan baik dengan tag JavaScript-nya.
• BlueConic memiliki rangkaian skor perilaku yang serupa.
• Kemampuan Simon Predict dari Simon Data memberikan analitik prediktif untuk hasil pemasaran tertentu.

Pembuat ilmu data khusus

Beberapa CDP yang dikemas menawarkan pembuat ilmu data untuk mengonfigurasi model pembelajaran mesin yang memberikan penilaian reguler melalui parameter yang ditentukan pengguna.

Lytics, Blueshift, BlueConic, dan lainnya telah menjadi pengadopsi awal. Raksasa, Adobe dan Salesforce, memiliki kemampuan prediktif. Bahkan mParticle dan Twilio Segment telah memperkenalkan kemampuan dalam 6-12 bulan terakhir setelah bertahun-tahun mempromosikan kualitas data.

Solusi “bangun milik Anda sendiri” ini sangat ampuh, namun memaksakan banyak keputusan semi-teknis kepada pengguna platform yang sering kali memiliki pengguna pemasaran non-teknis. Disonansi antara penawaran dan pengguna akhir sehari-hari menghasilkan tantangan adopsi.

Bawa sendiri

Semua CDP dapat menambahkan atribut ke pelanggan tertentu. Skor ilmu data bisa menjadi salah satunya. Banyak klien yang pernah bekerja dengan saya telah melakukan investasi signifikan dalam ilmu data dan berupaya menghubungkan keluaran ilmu data dengan aktivasi pemasaran dengan lebih baik.

Sangat menarik bagi saya bahwa bahkan di tahun 2023, masih ada latihan ilmu data pemasaran yang tidak terkait dengan kasus penggunaan pemasaran yang jelas. CDP dapat menyelesaikan masalah dalam memasukkan skor prediktif dan kecerdasan pelanggan ke saluran pemasaran, tetapi ilmu data internal harus ada terlebih dahulu.

Itulah hal yang menyenangkan tentang CDP yang dikemas. Ilmu data sebenarnya ada di sana. Namun, argumen untuk menjadi composable sangat kuat. Ini menawarkan waktu-ke-nilai yang secara teoritis lebih cepat, implementasi yang lebih sederhana, privasi yang lebih baik, dan total biaya kepemilikan yang lebih rendah. Jadi, apa yang harus dilakukan perusahaan?

Kerangka kerja untuk memahami ilmu data dalam komposisi

Mari tinjau tiga skenario di mana perusahaan Anda berada dalam kematangan ilmu data saat ini:

• Skenario 1: Perusahaan saya memiliki model yang sudah ada sebelumnya.
• Skenario 2: Perusahaan saya tidak memiliki model atau sumber daya ilmu data yang sudah ada sebelumnya.
• Skenario 3: Perusahaan saya memiliki keinginan untuk membuat model khusus.

Skenario 1: Perusahaan saya memiliki model yang sudah ada sebelumnya

Jika Anda adalah organisasi yang sangat matang atau “terlahir digital” yang telah melakukan investasi yang diperlukan dalam ilmu data untuk mendukung AI prediktif dalam segmentasi pemasaran Anda, saya punya kabar baik untuk Anda.

Arsitektur yang dapat dikomposisi adalah cara yang mudah untuk menggunakan CDP yang “dapat dikomposisi” dan membuat semua pengayaan ilmu data tersebut terhubung ke saluran pemasaran Anda. Yang perlu Anda lakukan adalah memastikan bahwa skor tersebut diperbarui secara berkala dan CDP Anda yang dapat disusun memiliki visibilitas ke dalam skor. (Baca selengkapnya tentang kendala lainnya di sini.)

Skenario 2: Perusahaan saya tidak memiliki model atau sumber daya ilmu data yang sudah ada sebelumnya

Membangun praktik ilmu data dari awal adalah pekerjaan yang sulit dan mahal. Membuat alasan untuk menggunakan ilmuwan data yang ditugaskan untuk masalah organisasi lainnya adalah masalah lain.

Misalnya, kami memiliki klien CPG dengan praktik ilmu data yang canggih untuk memprediksi harga di masa depan dan ketersediaan bahan untuk memproduksi produknya. Namun, para ilmuwan data tersebut tidak berfokus pada aktivasi pemasaran.

Saya tidak memiliki pengalaman dalam membeli produk atau bahan kimia bernilai miliaran dolar. Tetap saja, saya menduga nuansa memprediksi harga berjangka tomat berbeda dengan memprediksi apakah pelanggan akan berhenti dalam 90 hari ke depan. Setiap model akan memiliki fitur uniknya sendiri, dan pengalaman para data scientist akan berdampak besar pada keberhasilan model tersebut.

Jadi, apa yang harus dilakukan perusahaan? Haruskah mereka mempekerjakan insinyur data, ilmuwan data, dan analis data untuk membangun basis data, merekayasa fitur, membangun model, menafsirkannya, dan kemudian menjelaskannya untuk mendorong adopsi ke tim pemasaran yang sibuk?

Semakin banyak, organisasi mencari untuk "menyewa" ilmu data. Mereka mungkin menyiapkan platform AI seperti Predictable atau Ocurate dengan model ilmu data yang berpendirian untuk kasus penggunaan pemasaran tertentu. Solusi-solusi ini mempunyai nilai waktu yang sangat cepat.

Alternatifnya, perusahaan dapat memilih untuk melakukan lebih banyak penyesuaian. Platform seperti Faraday menjanjikan pengayaan data dan konfigurasi model yang sangat fleksibel. Namun pengguna tetap memerlukan kecerdasan teknis untuk mengetahui apa yang harus diprediksi dan cara mengonfigurasi model — meskipun model tersebut tidak memerlukan Python yang dikodekan secara manual.

Skenario 3: Perusahaan saya memiliki keinginan untuk membuat model khusus

Sebelum Anda menempuh rute ini, evaluasi biayanya. Membangun model yang benar-benar dapat diperluas memerlukan keterlibatan dari beberapa karyawan yang mendapat kompensasi tinggi.

Untuk melakukannya dengan benar, Anda memerlukan:

• Insinyur data untuk mengumpulkan dan mengatur data.
• Ilmuwan data akan menampilkan insinyur dan memodelkan data.
• Analis menafsirkan dan membuat alasan untuk menggunakan data.

Anda mungkin menemukan karyawan dengan hadiah di dua area ini. Namun jarang ada orang yang unggul dalam dua bidang tersebut. Biasanya, orang-orang terbaik dalam salah satu dari tiga bidang tersebut.

Jika Anda berkomitmen untuk membangun ilmu data pemasaran, pikirkan alat yang dapat membantu Anda memulai. Jika Anda menggunakan Google Cloud Platform, misalnya, pertimbangkan penawaran Vertex dan “Model Garden” mereka.

Jika Anda hanya memiliki akses ke data GA, pertimbangkan untuk mempelajari lebih lanjut tentang iBQML yang memungkinkan Anda memanfaatkan data di BigQuery untuk memprediksi hasil spesifik di situs yang merupakan tambahan bagi upaya pemasaran digital.

Jika Anda memiliki pengembangan BigQuery yang lebih tangguh, manfaatkan BQML, yang dapat menilai data di luar data GA asli. Konsep “permulaan” dalam kemampuan ini dapat membangun momentum organisasi untuk melakukan investasi ilmu data lebih lanjut.

Bagaimana cara menggunakan ilmu data dalam CDP yang dapat disusun?

Setelah menerapkan CDP, pertanyaan umum muncul: bagaimana kita mengoptimalkan ilmu data ketika CDP dan saluran pemasaran terhubung memiliki kemampuan yang sama? Ini mungkin mencakup pemirsa yang diekspor ke saluran dengan kemampuan prediktif seperti Facebook, Google Ads, ESP merek, dll.

Jawaban yang saya berikan khusus untuk kasus penggunaan klien. Alat iklan Anda umumnya memiliki data yang tidak dimiliki oleh CDP dan gudang data Anda. Saya merekomendasikan audiens awal yang sangat bertarget dari gudang data atau CDP Anda sambil memanfaatkan penawaran terbaik dari platform iklan yang Anda gunakan untuk kasus penggunaan akuisisi dan pemasaran ulang.

Menurut pengalaman saya, audiens unggulan yang dipilih dengan baik dan didukung AI memiliki performa yang lebih baik daripada audiens serupa yang didorong oleh aturan. Misalnya, seorang pengiklan baru-baru ini melakukan pengujian tatap muka di Facebook antara pemirsa serupa yang menggunakan prediksi berbasis AI dan pemirsa serupa yang berinteraksi berdasarkan aturan. Tingkat konversi audiens awal yang didukung AI mengungguli segmen berbasis aturan sebesar 25%.

ESP Anda mungkin memiliki pengetahuan tentang keterlibatan email yang tidak dimiliki gudang data Anda. Jika ya, gunakan pendekatan teknologi iklan di atas. Jika Anda telah mengumpulkan data yang dimiliki ESP Anda, gunakan segmentasi dan pengambilan keputusan berdasarkan CDP/gudang data. Hal ini juga membuat Anda fleksibel untuk menggunakan beberapa ESP jika Anda memiliki kebutuhan geografis atau spesifik merek. Namun sekali lagi, rekomendasi spesifik bergantung pada kasus penggunaan dan data tertentu.

Pertimbangan utama saat memperluas penggunaan AI pada CDP yang dapat disusun

Katakanlah Anda yakin ingin memulai atau memperluas penggunaan AI di CDP yang dapat disusun. Berikut daftar pertanyaan untuk ditanyakan pada diri Anda:

Apakah Anda memiliki semua data pemasaran yang tersedia di gudang data cloud Anda?

Ini mungkin termasuk data situs web seperti GA4, data dari interaksi dengan saluran yang dimiliki seperti email, dan semua riwayat transaksi/loyalitas.

Ini mungkin mencakup solusi identitas atau pencocokan berbasis aturan untuk penyelesaian pelanggan di seluruh saluran. Data izin sangat penting untuk semua penggunaan data pihak pertama.

Apakah Anda memiliki keterampilan yang diperlukan dalam tim Anda untuk memanfaatkan AI?

Hal ini mencakup akses ke insinyur data, ilmuwan data, analis pemasaran, dan praktisi operasi pemasaran.

Apakah Anda memiliki rencana taktis untuk menyebarkan audiens berbasis AI?  

Ada komponen strategi dalam hal ini. Namun taktik khusus sering diabaikan dalam pemetaan jalan kasus penggunaan. Harus ada rencana operasi pemasaran yang menentukan kebutuhan data tertentu dalam membangun pemirsa dan penerapan praktis pemirsa tersebut di setiap saluran.

Apakah Anda memiliki rencana pengukuran untuk audiens berbasis AI di CDP Anda?

Rencana pengukuran harus menyertakan audiens pengujian khusus dan cara untuk mengukur peningkatan dan ROI. Pastikan bahwa kriteria keberhasilan dibuat jelas di awal, dan para pemangku kepentingan diselaraskan tentang arti pengujian yang berhasil untuk peluncuran di masa mendatang.

Semoga berhasil dalam peluncuran AI Anda dalam upaya CDP Anda — dapat disusun atau tidak. Kemungkinan besar, ada jalan bagi Anda untuk mengadopsi kemampuan dalam alur kerja Anda dengan cara yang hemat biaya dan menambah ROI tim pemasaran Anda.