Как заставить сегменты, управляемые ИИ, работать в составных CDP

В недавнем прямом тестировании сегменты, управляемые искусственным интеллектом, превзошли стандартные сегменты почти на 42%. Этот результат типичен для брендов, переходящих от подхода, основанного на правилах, к сегментации на основе искусственного интеллекта. Прирост, как правило, будет еще больше, если ранее не использовалась сегментация.

Многие «пакетные» предложения CDP включают в себя обработку данных, которая выполняет критически важные прогнозные задачи искусственного интеллекта с относительно минимальной конфигурацией. Однако, если вы примете компонуемый подход к своей CDP, у вас может возникнуть вопрос, как заставить сегменты на основе ИИ работать по множеству каналов, учитывая, что «компонуемая» CDP зависит от данных и атрибутов, которые находятся в вашем хранилище данных.

Что дают CDP в сочетании с наукой о данных?

Эта тема могла бы быть отдельной статьей, но я бы в общих чертах разделил пакетные предложения CDP по науке о данных на три категории:

• Поведенческие обогащения.
• Пользовательские конструкторы данных.
• Принести свои собственные.

Поведенческие обогащения

Несколько CDP внедрили инновации, предложив классифицировать поведение пользователей по следующим критериям:

• Близость контента.
• Привязка к каналу.
• Поведенческий рейтинг.

Эти категоризации могут быть полезны отдельно для сегментации на основе правил или в качестве ценных функций для построения пользовательских моделей.

Примеры включают:

• Поведенческая оценка и сходство контента Lytics, которые прекрасно работают с тегом JavaScript.
• BlueConic имеет аналогичный набор поведенческих оценок.
• Функция Simon Predict компании Simon Data обеспечивает прогнозную аналитику для конкретных маркетинговых результатов.

Пользовательские конструкторы данных

Несколько пакетных CDP предлагают сборщики данных для настройки моделей машинного обучения, которые обеспечивают регулярную оценку с помощью пользовательских параметров.

Lytics, Blueshift, BlueConic и другие стали первыми, кто внедрил эту технологию. Гиганты Adobe и Salesforce обладают возможностями прогнозирования. Даже mParticle и Twilio Segment представили свои возможности в течение последних 6–12 месяцев после многих лет повышения качества данных.

Эти «создайте свои собственные» решения являются мощными, но они навязывают множество полутехнических решений пользователям платформ, у которых часто есть пользователи, не являющиеся техническими специалистами по маркетингу. Диссонанс между предложением и повседневным конечным пользователем приводит к проблемам с внедрением.

Принести свои собственные

Все CDP могут добавлять атрибуты для конкретного клиента. Оценки в области науки о данных могут быть одними из них. Многие клиенты, с которыми я работал, вложили значительные средства в науку о данных и стремятся лучше связать результаты науки о данных с маркетинговой активацией.

Мне было интересно, что даже в 2023 году все еще существуют маркетинговые исследования данных, которые не привязаны к четкому сценарию использования в маркетинге. CDP может решить, как интегрировать прогностические оценки и информацию о клиентах в маркетинговые каналы, но сначала должна существовать внутренняя наука о данных.

Это хорошая особенность упакованного CDP. Наука о данных действительно существует. Тем не менее, аргумент в пользу того, чтобы стать компонуемым, веский. Он предлагает теоретически более быструю окупаемость, более простую реализацию, улучшенную конфиденциальность и более низкую совокупную стоимость владения. Итак, что же делать компании?

Фреймворк для понимания науки о данных в компонуемых

Давайте рассмотрим три сценария того, на каком этапе развития науки о данных находится ваше предприятие:

• Сценарий 1. В моей компании уже есть существующие модели.
• Сценарий 2. В моей компании нет доступных ранее моделей или ресурсов для обработки и анализа данных.
• Сценарий 3. У моей компании есть желание создавать модели на заказ.

Сценарий 1. В моей компании уже есть существующие модели.

Если вы очень зрелая или «прирожденная цифровая» организация, которая сделала необходимые инвестиции в науку о данных, чтобы усилить прогнозирующий ИИ в своих маркетинговых сегментах, у меня есть для вас хорошие новости.

Компонуемая архитектура — это простой способ взять «составную» CDP и подключить все эти обогащения науки о данных к вашим маркетинговым каналам. Все, что вам нужно сделать, это убедиться, что эти оценки регулярно обновляются, и что ваш компонуемый CDP имеет видимость оценок. (Подробнее о других подводных камнях читайте здесь.)

Сценарий 2. В моей компании нет доступных ранее моделей или ресурсов для обработки и анализа данных.

Создание практики обработки данных с нуля — тяжелая и дорогостоящая работа. Обоснование использования специалистов по данным, назначенных для решения других организационных проблем, — это еще одна проблема.

Например, у нас есть клиент CPG со сложной практикой обработки данных для прогнозирования фьючерсных цен и доступности ингредиентов для производства его продуктов. Однако эти специалисты по данным не сосредоточены на маркетинговых активациях.

У меня нет опыта в покупке продуктов или химикатов на миллиарды долларов. Тем не менее, я подозреваю, что нюансы прогнозирования цен на фьючерсы на помидоры отличаются от прогнозирования оттока клиентов в следующие 90 дней. Каждая модель будет иметь свои уникальные особенности, и опыт специалистов по данным окажет большое влияние на успех моделей.

Итак, что же остается делать компании? Должны ли они нанимать инженеров данных, специалистов по данным и аналитиков данных для создания баз данных, разработки функций, создания моделей, их интерпретации, а затем объяснять их, чтобы стимулировать внедрение для занятой маркетинговой команды?

Все больше и больше организаций стремятся «арендовать» науку о данных. Они могут создать платформу искусственного интеллекта, такую ​​​​как Predictable или Ocurate, с самоуверенными моделями обработки данных для конкретных случаев использования в маркетинге. Эти решения имеют очень быструю окупаемость.

В качестве альтернативы компания может выбрать более индивидуальный подход. Такие платформы, как Faraday, обещают обогащение данных и очень гибкие конфигурации моделей. Но пользователю по-прежнему нужна техническая хватка, чтобы знать, что предсказывать и как настраивать модель, даже если для этого не требуется написанный вручную Python.

Сценарий 3. У моей компании есть желание создавать модели на заказ.

Прежде чем идти по этому пути, оцените стоимость. По-настоящему масштабируемое построение моделей требует участия нескольких высокооплачиваемых сотрудников.

Чтобы сделать это правильно, вам понадобится:

• Инженеры по обработке данных для сбора и обработки данных.
• Специалисты по обработке и анализу данных , которые разрабатывают и моделируют данные.
• Аналитики интерпретируют и обосновывают использование данных.

Вы можете найти сотрудников с даром в двух из этих областей. Но люди, которые преуспевают в двух из этих областей, встречаются редко. Обычно люди лучше всего проявляют себя в одной из этих трех областей.

Если вы привержены созданию науки о маркетинговых данных, подумайте об инструментах, которые помогут вам начать работу. Например, если вы используете Google Cloud Platform, рассмотрите их предложение Vertex и его «Model Garden».

Если у вас есть доступ только к данным GA, подумайте о том, чтобы узнать больше об iBQML, который позволяет вам использовать данные в BigQuery для прогнозирования конкретных результатов на месте, которые дополняют усилия цифрового маркетинга.

Если у вас есть более надежная сборка BigQuery, используйте BQML, который может оценивать данные вне собственных данных GA. «Стартовые» концепции в этих возможностях могут создать организационный импульс для дальнейших инвестиций в науку о данных.

Как использовать науку о данных в составном CDP?

После развертывания CDP возникает распространенный вопрос: как нам оптимизировать науку о данных, когда возможности CDP и связанного маркетингового канала совпадают? Сюда могут входить аудитории, экспортированные в каналы с возможностями прогнозирования, такие как Facebook, Google Ads, ESP бренда и т. д.

Ответы, которые я даю, относятся к вариантам использования клиента. В ваших рекламных инструментах обычно есть данные, которых нет в CDP и вашем хранилище данных. Я рекомендую создать целевую исходную аудиторию из вашего хранилища данных или CDP, одновременно используя лучшие ставки с рекламных платформ, которые вы используете для случаев привлечения и ремаркетинга.

По моему опыту, хорошо подобранная исходная аудитория с искусственным интеллектом превосходит двойников из аудитории, управляемой правилами. Например, рекламодатель недавно провел прямое тестирование на Facebook между двойниками аудитории, используя прогнозы на основе ИИ, и двойниками вовлеченных клиентов, основанных на правилах. Коэффициент конверсии исходной аудитории с использованием ИИ превзошел сегмент, основанный на правилах, на 25%.

Ваш ESP может иметь знания о взаимодействии с электронной почтой, которых не хватает вашему хранилищу данных. Если да, используйте описанный выше подход к рекламным технологиям. Если вы собрали данные, которые есть у вашего ESP, используйте сегментацию и принятие решений на основе CDP/хранилища данных. Это также позволяет вам гибко использовать несколько ESP, если у вас есть географические или специфичные для бренда потребности. Но опять же, конкретные рекомендации зависят от конкретных вариантов использования и данных.

Ключевые соображения при расширении использования ИИ в составных CDP

Допустим, вы убеждены, что хотите начать или расширить использование ИИ в своей компонуемой CDP. Вот контрольный список вопросов, которые следует задать себе:

Все ли маркетинговые данные доступны в вашем облачном хранилище данных?

Это может включать данные веб-сайта, такие как GA4, данные о взаимодействии с собственными каналами, такими как электронная почта, и всю историю транзакций/лояльности.

Это может включать в себя решения для идентификации или сопоставление на основе правил для разрешения клиента по каналам. Данные о согласии имеют решающее значение для любого использования сторонних данных.

Есть ли в вашей команде необходимые навыки для использования ИИ?

Это включает в себя доступ к инженерам данных, специалистам по данным, маркетинговым аналитикам и специалистам по маркетинговым операциям.

Есть ли у вас тактический план развертывания аудитории на основе ИИ?  

В этом есть стратегическая составляющая. Но конкретная тактика часто упускается из виду при составлении дорожных карт. Должен быть план маркетинговых операций, определяющий необходимость определенных данных при формировании аудитории и практическое применение этой аудитории в каждом канале.

Есть ли у вас план измерения аудитории на основе ИИ в вашей CDP?

План измерения должен включать в себя конкретные тестовые аудитории и способ измерения подъема и рентабельности инвестиций. Убедитесь, что критерии успеха четко определены заранее, а заинтересованные стороны согласны с тем, что означает успешное тестирование для будущих развертываний.

Удачи вам в развертывании ИИ в ваших усилиях CDP — компонуемых или нет. Скорее всего, у вас есть способ внедрить эту возможность в свои рабочие процессы таким образом, чтобы это было рентабельно и дополняло рентабельность инвестиций вашей маркетинговой команды.