Come far funzionare i segmenti guidati dall'intelligenza artificiale in CDP componibili

In un recente test testa a testa, i segmenti guidati dall’intelligenza artificiale hanno sovraperformato i segmenti standard fino al 42%. Questo risultato è tipico dei brand che passano da un approccio basato su regole a una segmentazione basata sull’intelligenza artificiale. Il sollevamento tende ad essere ancora maggiore se in precedenza non è stata utilizzata la segmentazione.

Molte offerte CDP “confezionate” includono la scienza dei dati in bundle che esegue un’intelligenza artificiale predittiva critica con una configurazione relativamente minima. Tuttavia, se adotti un approccio componibile al tuo CDP, potresti chiederti come far funzionare i segmenti basati sull'intelligenza artificiale su una miriade di canali, dato che un CDP "componibile" dipende dai dati e dagli attributi che risiedono nel tuo data warehouse.

Cosa forniscono i CDP integrati con data science?

Questo argomento potrebbe costituire un articolo a sé stante, ma classificherei a grandi linee le offerte di data science CDP in pacchetto in tre categorie:

• Arricchimenti comportamentali.
• Costruttori di data science personalizzati.
• Porta il tuo.

Arricchimenti comportamentali

Diversi CDP hanno innovato con offerte che classificano il comportamento degli utenti in base a:

• Affinità di contenuto.
• Affinità di canale.
• Punteggio comportamentale.

Queste categorizzazioni possono essere utili da sole per la segmentazione basata su regole o come funzionalità preziose per la creazione di modelli personalizzati.

Esempi inclusi:

• Il punteggio comportamentale e l'affinità dei contenuti di Lytics, che funzionano bene con il suo tag JavaScript.
• BlueConic ha una suite simile di punteggi comportamentali.
• La funzionalità Simon Predict di Simon Data fornisce analisi predittive per risultati di marketing specifici.

Costruttori di data science personalizzati

Diversi CDP in pacchetto offrono builder di data science per la configurazione di modelli di machine learning che forniscono punteggi regolari tramite parametri definiti dall'utente.

Lytics, Blueshift, BlueConic e altri sono stati i primi ad adottarlo. I giganti, Adobe e Salesforce, hanno capacità predittive. Anche mParticle e Twilio Segment hanno introdotto funzionalità negli ultimi 6-12 mesi dopo anni di promozione della qualità dei dati.

Queste soluzioni “costruisci le tue” sono potenti, ma impongono molte decisioni semi-tecniche agli utenti di piattaforme che spesso hanno utenti di marketing non tecnici. La dissonanza tra l'offerta e l'utente finale quotidiano si traduce in sfide di adozione.

Porta il tuo

Tutti i CDP possono eseguire l'onboarding degli attributi per un determinato cliente. I punteggi di scienza dei dati possono essere uno di questi. Molti clienti con cui ho lavorato hanno fatto investimenti significativi nella scienza dei dati e cercano di collegare meglio i risultati della scienza dei dati alle attivazioni di marketing.

È stato interessante per me che anche nel 2023 ci siano ancora esercizi di data science di marketing che non sono legati a un chiaro caso d'uso di marketing. Il CDP può risolvere l'onboarding dei punteggi predittivi e della customer intelligence nei canali di marketing, ma è prima necessario che esista la scienza dei dati interna.

Questa è la cosa bella del CDP confezionato. La scienza dei dati esiste effettivamente lì. Tuttavia, l’argomentazione a favore di una soluzione componibile è forte. Offre un time-to-value teoricamente più rapido, un'implementazione più semplice, una migliore privacy e un costo totale di proprietà inferiore. Allora, cosa deve fare un’azienda?

Un framework per comprendere la scienza dei dati in componenti componibili

Esaminiamo tre scenari relativi al punto in cui si trova la tua azienda nella sua attuale maturità in ambito data science:

• Scenario 1: la mia azienda ha modelli preesistenti.
• Scenario 2: la mia azienda non dispone di modelli preesistenti o risorse di data science.
• Scenario 3: la mia azienda desidera creare modelli personalizzati.

Scenario 1: la mia azienda ha modelli preesistenti

Se sei un'organizzazione molto matura o “nata digitale” che ha effettuato gli investimenti necessari nella scienza dei dati per potenziare l'intelligenza artificiale predittiva nelle segmentazioni di marketing, ho buone notizie per te.

L'architettura componibile è un modo semplice per prendere una CDP "componibile" e collegare tutti questi arricchimenti di data science ai tuoi canali di marketing. Tutto quello che devi fare è assicurarti che tali punteggi vengano aggiornati regolarmente e che il tuo CDP componibile abbia visibilità dei punteggi. (Leggi di più su altre insidie ​​​​qui.)

Scenario 2: la mia azienda non dispone di modelli preesistenti o risorse di data science

Costruire una pratica di data science da zero è un lavoro duro e costoso. Un altro problema è sostenere l’utilizzo di data scientist assegnati ad altri problemi organizzativi.

Ad esempio, abbiamo un cliente di beni di largo consumo con una sofisticata pratica di data science per prevedere i prezzi futuri e la disponibilità degli ingredienti per fabbricare i suoi prodotti. Tuttavia, questi data scientist non si concentrano sulle attivazioni di marketing.

Non ho esperienza nell'acquisto di miliardi di dollari di prodotti o prodotti chimici. Tuttavia, sospetto che le sfumature della previsione dei prezzi dei futures sul pomodoro siano diverse dalla previsione se un cliente abbandonerà nei prossimi 90 giorni. Ogni modello avrebbe le sue caratteristiche uniche e l’esperienza dei data scientist avrebbe un grande impatto sul successo dei modelli.

Allora, cosa resta da fare a un’azienda? Dovrebbero assumere ingegneri, data scientist e analisti di dati per creare database, progettare funzionalità, creare modelli, interpretarli e quindi spiegarli per guidarne l'adozione a un team di marketing impegnato?

Sempre più spesso le organizzazioni cercano di “affittare” la scienza dei dati. Potrebbero creare una piattaforma di intelligenza artificiale come Predictable o Ocurate con modelli di data science supponenti per specifici casi d’uso di marketing. Queste soluzioni hanno un time-to-value molto rapido.

In alternativa, l’azienda può scegliere di procedere in modo più personalizzato. Piattaforme come Faraday promettono arricchimento dei dati e configurazioni di modelli altamente flessibili. Ma l'utente ha ancora bisogno dell'acume tecnico per sapere cosa prevedere e come configurare un modello, anche se non richiede Python codificato manualmente.

Scenario 3: la mia azienda desidera creare modelli personalizzati

Prima di intraprendere questa strada, valuta il costo. Costruire veramente modelli scalabili richiede il coinvolgimento di diversi dipendenti altamente retribuiti.

Per farlo bene, avrai bisogno di:

• Ingegneri dei dati per raccogliere e curare i dati.
• Data scientist per progettare e modellare i dati.
• Gli analisti interpretano e sostengono l'utilizzo dei dati.

Potresti trovare dipendenti con un dono in due di queste aree. Ma le persone che eccellono in due di queste aree sono rare. Di solito, le persone sono migliori in una di queste tre aree.

Se sei impegnato a sviluppare la scienza dei dati di marketing, pensa a strumenti che ti aiutino a iniziare. Se utilizzi Google Cloud Platform, ad esempio, considera la loro offerta Vertex e il suo "Model Garden".

Se hai accesso solo ai dati GA, pensa a saperne di più su iBQML che ti consente di sfruttare i dati in BigQuery per prevedere risultati specifici sul posto che si aggiungono alle attività di marketing digitale.

Se disponi di una build BigQuery più solida, sfrutta BQML, che può assegnare un punteggio ai dati al di fuori dei dati GA nativi. I concetti “iniziali” di queste funzionalità possono creare lo slancio organizzativo per effettuare ulteriori investimenti nella scienza dei dati.

Come si utilizza la scienza dei dati nella CDP componibile?

Dopo aver implementato una CDP, sorge una domanda comune: come possiamo ottimizzare la scienza dei dati quando la CDP e il canale di marketing connesso condividono capacità sovrapposte? Ciò potrebbe includere il pubblico esportato verso canali con capacità predittive come Facebook, Google Ads, l'ESP del marchio, ecc.

Le risposte che fornisco sono specifiche per i casi d'uso di un cliente. I tuoi strumenti pubblicitari generalmente contengono dati che il CDP e il tuo data warehouse non hanno. Ti consiglio di avviare segmenti di pubblico altamente mirati dal tuo data warehouse o CDP, sfruttando al contempo le migliori offerte dalle piattaforme pubblicitarie che utilizzi per i casi d'uso di acquisizione e remarketing.

Nella mia esperienza, il pubblico seed ben scelto e alimentato dall’intelligenza artificiale supera i sosia del pubblico basato sulle regole. Ad esempio, un inserzionista ha recentemente eseguito un test testa a testa su Facebook tra sosia di pubblico utilizzando previsioni basate sull'intelligenza artificiale e sosia di clienti coinvolti basati su regole. Il tasso di conversione del pubblico seed basato sull'intelligenza artificiale ha sovraperformato del 25% quello del segmento basato su regole.

Il tuo ESP potrebbe avere conoscenze sul coinvolgimento della posta elettronica che mancano al tuo data warehouse. In tal caso, utilizzare l’approccio adtech di cui sopra. Se hai raccolto i dati di cui dispone il tuo ESP, utilizza la segmentazione e la decisione basate su CDP/data warehouse. Ciò ti rende anche flessibile nell'utilizzare più ESP se hai esigenze geografiche o specifiche del marchio. Ma ancora una volta, le raccomandazioni specifiche dipendono da casi d’uso e dati specifici.

Considerazioni chiave sull'espansione dell'utilizzo dell'intelligenza artificiale nei CDP componibili

Supponiamo che tu sia convinto di voler avviare o espandere l'utilizzo dell'intelligenza artificiale nel tuo CDP componibile. Ecco una lista di domande da porsi:

Hai tutti i dati di marketing disponibili nel tuo data warehouse sul cloud?

Ciò potrebbe includere dati di siti Web come GA4, dati relativi al coinvolgimento con canali di proprietà come la posta elettronica e tutta la cronologia delle transazioni/fedeltà.

Può includere soluzioni di identità o corrispondenze basate su regole per la risoluzione del cliente attraverso i canali. I dati sul consenso sono fondamentali per qualsiasi utilizzo di dati proprietari.

Il tuo team dispone delle competenze necessarie per sfruttare l'intelligenza artificiale?

Ciò include l'accesso a ingegneri dei dati, scienziati dei dati, analisti di marketing e professionisti delle operazioni di marketing.

Hai un piano tattico per distribuire il pubblico basato sull'intelligenza artificiale?  

C’è una componente strategica in questo. Ma le tattiche specifiche spesso vengono trascurate nella mappatura dei casi d'uso. Dovrebbe esserci un piano delle operazioni di marketing che determini la necessità di determinati dati nella creazione del pubblico e l'applicazione pratica di tale pubblico in ciascun canale.

Hai un piano di misurazione per il pubblico basato sull'intelligenza artificiale nel tuo CDP?

Il piano di misurazione dovrebbe includere segmenti di pubblico di prova specifici e un modo per misurare l'incremento e il ROI. Garantire che i criteri di successo siano chiariti in anticipo e che le parti interessate siano allineate su cosa significhi un test di successo per le implementazioni future.

Buona fortuna per l'implementazione dell'intelligenza artificiale nei tuoi sforzi CDP, componibili o meno. Probabilmente esiste un percorso per adottare questa funzionalità nei tuoi flussi di lavoro in modo conveniente e additivo per il ROI del tuo team di marketing.