AI 駆動のセグメントをコンポーザブル CDP で機能させる方法

最近の直接テストでは、AI 主導のセグメントが標準セグメントを最大 42% 上回りました。 この結果は、ルールベースのアプローチから AI 主導のセグメンテーションに移行しているブランドに典型的なものです。 以前にセグメンテーションが使用されていなかった場合、リフトはさらに大きくなる傾向があります。

多くの「パッケージ化された」CDP 製品には、比較的最小限の構成で重要な予測 AI を実行するデータ サイエンスがバンドルされています。 ただし、CDP にコンポーザブルなアプローチを採用する場合、「コンポーザブル」 CDP がデータ ウェアハウスに存在するデータと属性に依存していることを考えると、AI ベースのセグメントを無数のチャネルにわたって機能させる方法に疑問が生じるかもしれません。

データ サイエンスとパッケージ化された CDP は何を提供しますか?

このトピックだけで 1 つの記事になる可能性がありますが、パッケージ化された CDP データ サイエンス製品を大きく 3 つのカテゴリに分類します。

• 行動の強化。
• カスタム データ サイエンス ビルダー。
• 自分のものを持参してください。

行動の強化

いくつかの CDP は、ユーザーの行動を次の点に基づいて分類する製品を革新してきました。

• コンテンツの親和性。
• チャネルのアフィニティ。
• 行動スコアリング。

これらの分類は、ルールベースのセグメンテーション用に単独で使用したり、カスタム モデルを構築するための貴重な機能として役立つ場合があります。

例としては次のものが挙げられます。

• Lytics の行動スコアリングとコンテンツ アフィニティは、JavaScript タグとうまく連携します。
• BlueConic には、同様の一連の行動スコアがあります。
• Simon Data の Simon Predict 機能は、特定のマーケティング成果に対する予測分析を提供します。

カスタム データ サイエンス ビルダー

いくつかのパッケージ化された CDP は、ユーザー定義のパラメーターを通じて定期的なスコアリングを提供する機械学習モデルを構成するためのデータ サイエンス ビルダーを提供します。

Lytics、Blueshift、BlueConic などが早期に採用されました。 巨人である Adob​​e と Salesforce には予測機能があります。 mParticle と Twilio Segment でさえ、長年にわたってデータ品質を推進してきた後、過去 6 ～ 12 か月以内に機能を導入しました。

これらの「独自の構築」ソリューションは強力ですが、多くの場合、非技術的なマーケティング ユーザーがいるプラットフォームのユーザーに、多くの準技術的な決定を強いることになります。 サービスと日常のエンドユーザーとの間に不協和音があり、導入に課題が生じます。

自分のものを持参してください

すべての CDP は、特定の顧客に属性をオンボードできます。 データ サイエンスのスコアもその 1 つです。 私がこれまで仕事をしてきたクライアントの多くは、データ サイエンスに多大な投資を行っており、データ サイエンスの成果をマーケティングの活性化にうまく結び付けることを目指しています。

私にとって興味深いのは、2023 年になっても、明確なマーケティングのユースケースに結び付けられていないマーケティング データ サイエンスの演習が依然として存在するということです。 CDP は、マーケティング チャネルへの予測スコアと顧客インテリジェンスのオンボーディングを解決できますが、まず社内のデータ サイエンスが存在する必要があります。

それがパッケージ化された CDP の良いところです。 データサイエンスは実際にそこに存在します。 それでも、コンポーザブル化を求める議論は根強いです。 これにより、理論的には価値実現までの時間が短縮され、実装が簡素化され、プライバシーが向上し、総所有コストが削減されます。 では、会社は何をすればよいのでしょうか？

コンポーザブルにおけるデータサイエンスを理解するためのフレームワーク

企業の現在のデータ サイエンスの成熟度を示す 3 つのシナリオを確認してみましょう。

• シナリオ 1: 私の会社には既存のモデルがあります。
• シナリオ 2: 私の会社には利用可能な既存のモデルやデータ サイエンス リソースがありません。
• シナリオ 3: 私の会社はカスタム モデルを構築したいと考えています。

シナリオ 1: 私の会社には既存のモデルがあります

あなたが非常に成熟した組織、またはマーケティング セグメンテーションで予測 AI を強化するためにデータ サイエンスに必要な投資を行っている「ボーン デジタル」組織の場合、朗報です。

コンポーザブル アーキテクチャは、「コンポーザブル」CDP を取得し、データ サイエンスの強化をすべてマーケティング チャネルに接続するシームレスな方法です。 必要なのは、これらのスコアが定期的に更新され、コンポーザブル CDP がスコアを認識できるようにすることだけです。 (その他の落とし穴について詳しくは、こちらをご覧ください。)

シナリオ 2: 私の会社には利用可能な既存のモデルやデータ サイエンス リソースがありません。

データ サイエンス プラクティスをゼロから構築するのは、困難で費用のかかる作業です。 他の組織の問題に割り当てられたデータ サイエンティストの使用を主張することは、別の問題です。

たとえば、当社には、製品を製造するための原材料の将来価格と入手可能性を予測するための高度なデータサイエンス手法を備えた CPG クライアントがいます。 ただし、これらのデータ サイエンティストはマーケティングの活性化に重点を置いているわけではありません。

私には何十億ドルもの農産物や化学薬品を購入した経験がありません。 それでも、トマトの先物価格を予測することと、顧客が今後 90 日間に離脱するかどうかを予測することのニュアンスは異なるのではないかと私は考えています。 各モデルには独自の機能があり、データ サイエンティストの経験がモデルの成功に大きな影響を与えます。

では、企業には何が残されているのでしょうか？ データ エンジニア、データ サイエンティスト、データ アナリストを雇って、データベースの構築、機能の設計、モデルの構築、解釈を行ってから、多忙なマーケティング チームへの導入を促進するために説明する必要があるでしょうか?

データサイエンスを「レンタル」しようとする組織がますます増えています。 特定のマーケティングのユースケース向けに、独自のデータ サイエンス モデルを備えた Predictable や Ocurate のような AI プラットフォームをセットアップする可能性があります。 これらのソリューションは価値実現までの時間が非常に短いです。

あるいは、企業はさらにカスタム化することを選択するかもしれません。 ファラデーのようなプラットフォームは、データの強化と非常に柔軟なモデル構成を約束します。 ただし、ユーザーは、たとえ手動でコーディングされた Python が必要ない場合でも、何を予測し、モデルをどのように構成するかを知るための技術的な洞察力を依然として必要とします。

シナリオ 3: 私の会社はカスタム モデルを構築したいと考えています。

このルートに進む前に、コストを評価してください。 スケールアウトするモデルを真に構築するには、高額な報酬を得る数人の従業員の関与が必要です。

これを正しく行うには、次のものが必要です。

• データを収集して整理するデータ エンジニア。
• データ サイエンティストはデータの特徴設計とモデル化を行います。
• アナリストはデータを解釈し、データを使用する根拠を示します。

これらの分野のうち 2 つでは、才能のある従業員が見つかるかもしれません。 しかし、そのうち 2 つの分野で優れている人は稀です。 通常、人々はこれら 3 つの分野のいずれかで最も優れています。

マーケティング データ サイエンスの構築に熱心に取り組んでいる場合は、その開始に役立つツールについて考えてください。 たとえば、Google Cloud Platform を使用している場合は、Vertex サービスとその「Model Garden」を検討してください。

GA データにしかアクセスできない場合は、BigQuery のデータを活用して、デジタル マーケティング活動に追加される特定のオンサイト結果を予測できる iBQML についてさらに学ぶことを検討してください。

より堅牢な BigQuery ビルドアウトがある場合は、ネイティブ GA データ以外のデータをスコアリングできる BQML を活用します。 これらの機能の「スターター」コンセプトは、さらなるデータ サイエンスへの投資を行うための組織の勢いを高めることができます。

コンポーザブル CDP でデータ サイエンスを使用するにはどうすればよいですか?

CDP を展開した後、よくある疑問が生じます。CDP と接続されたマーケティング チャネルが重複する機能を共有している場合、データ サイエンスをどのように最適化すればよいでしょうか? これには、Facebook、Google 広告、ブランドの ESP などの予測機能を備えたチャネルにエクスポートされたオーディエンスが含まれる場合があります。

私が提供する答えは、クライアントのユースケースに固有のものです。 通常、広告ツールには CDP やデータ ウェアハウスにはないデータが含まれています。 獲得やリマーケティングのユースケースに使用している広告プラットフォームからの最適な入札を活用しながら、データ ウェアハウスまたは CDP から高度にターゲットを絞ったシード オーディエンスを選択することをお勧めします。

私の経験では、適切に選ばれた AI を活用したシード オーディエンスは、ルールに基づいたオーディエンスの類似オーディエンスよりもパフォーマンスが優れています。 たとえば、ある広告主は最近、AI ベースの予測を使用したオーディエンスの類似者と、ルールベースのエンゲージメント顧客の類似者の間で Facebook 上で直接対決テストを実行しました。 AI を活用したシード オーディエンスのコンバージョン率は、ルールベースのセグメントを 25% 上回りました。

ESP は、データ ウェアハウスにはない電子メール エンゲージメントに関する知識を持っている可能性があります。 その場合は、上記のアドテク アプローチを使用してください。 ESP が保有するデータを収集した場合は、CDP/データ ウェアハウス主導のセグメンテーションと意思決定を使用します。 これにより、地理的またはブランド固有のニーズがある場合に、複数の ESP を柔軟に使用できるようになります。 ただし、繰り返しになりますが、具体的な推奨事項は、特定の使用例とデータによって異なります。

コンポーザブル CDP で AI の使用を拡大する際の重要な考慮事項

コンポーザブル CDP で AI の使用を開始または拡張したいと確信しているとします。 自問すべき質問のチェックリストは次のとおりです。

クラウド データ ウェアハウスで利用可能なすべてのマーケティング データはありますか?

これには、GA4 などの Web サイト データ、電子メールなどの所有チャネルとのエンゲージメントからのデータ、およびすべてのトランザクション/ロイヤルティ履歴が含まれる場合があります。

これには、チャネル全体で顧客を解決するための ID ソリューションやルールベースのマッチングが含まれる場合があります。 同意データは、ファーストパーティ データのすべての使用にとって重要です。

あなたのチームには AI を活用するために必要なスキルがありますか?

これには、データ エンジニア、データ サイエンティスト、マーケティング アナリスト、マーケティング運用担当者へのアクセスが含まれます。

AI ベースの視聴者を導入するための戦術的な計画はありますか?  

これには戦略的な要素があります。 しかし、ユースケースのロードマップでは、特定の戦術が見落とされることがよくあります。 オーディエンス構築における特定のデータの必要性と、各チャネルでのそのオーディエンスの実際の適用を決定するマーケティング運用計画が必要です。

CDP に AI ベースの視聴者向けの測定計画はありますか?

測定計画には、特定のテスト対象者と、上昇率と ROI を測定する方法を含める必要があります。 成功基準を事前に明確にし、テストの成功が将来のロールアウトにとって何を意味するかについて関係者が一致していることを確認します。

コンポーザブルであろうとなかろうと、CDP の取り組みにおける AI の展開がうまくいくよう頑張ってください。 おそらく、コスト効率が高く、マーケティング チームの ROI をさらに高める方法でこの機能をワークフローに導入する道があるでしょう。