如何使人工智能驱动的细分在可组合的 CDP 中工作

在最近的一项正面测试中，人工智能驱动的细分市场的表现比标准细分市场高出 42%。 对于从基于规则的方法转向人工智能驱动的细分的品牌来说，这一结果是典型的。 如果之前没有使用分段，提升往往会更大。

许多“打包”CDP 产品都捆绑了数据科学，可以通过相对最少的配置执行关键的预测人工智能。 然而，如果您对 CDP 采用可组合的方法，您可能会质疑如何使基于人工智能的分段在无数渠道中工作——因为“可组合”的 CDP 依赖于数据仓库中的数据和属性。

与数据科学打包在一起的 CDP 能提供什么？

这个主题本身可以是一篇文章，但我将打包的 CDP 数据科学产品大致分为三类：

• 行为丰富。
• 定制数据科学构建者。
• 带上你自己的。

行为丰富

一些 CDP 已经通过对用户行为进行分类的产品进行了创新：

• 内容亲和力。
• 渠道亲和力。
• 行为评分。

这些分类可能单独用于基于规则的细分，或者作为构建自定义模型的有价值的功能。

示例包括：

• Lytics 的行为评分和内容亲和力与其 JavaScript 标签配合得很好。
• BlueConic 有一套类似的行为评分。
• Simon Data 的 Simon Predict 功能为特定营销结果提供预测分析。

定制数据科学构建者

多个打包的 CDP 提供数据科学构建器，用于配置机器学习模型，通过用户定义的参数提供定期评分。

Lytics、Blueshift、BlueConic 等都是早期采用者。 Adobe 和 Salesforce 等巨头拥有预测能力。 经过多年的数据质量提升，mParticle 和 Twilio Segment 也在过去 6-12 个月内推出了功能。

这些“构建自己的”解决方案非常强大，但它们迫使平台用户做出许多半技术性决策，而这些平台通常拥有非技术营销用户。 产品与日常最终用户之间的不一致导致了采用方面的挑战。

带上你自己的

所有 CDP 都可以将属性添加到给定客户。 数据科学分数可能就是其中之一。 我合作过的许多客户都在数据科学方面进行了大量投资，并寻求更好地将数据科学输出与营销活动联系起来。

让我感兴趣的是，即使到了 2023 年，仍然存在与明确的营销用例无关的营销数据科学练习。 CDP 可以解决将预测分数和客户智能引入营销渠道的问题，但首先需要存在内部数据科学。

这就是打包 CDP 的好处。 数据科学确实存在于此。 然而，支持可组合化的理由很充分。 理论上，它可以提供更快的价值实现时间、更简单的实施、更好的隐私性和更低的总拥有成本。 那么，企业该做什么呢？

理解可组合数据科学的框架

让我们回顾一下您的企业当前数据科学成熟度的三种场景：

• 场景 1：我的公司有已有的模型。
• 场景 2：我的公司没有现有的模型或可用的数据科学资源。
• 场景 3：我的公司希望构建定制模型。

场景 1：我的公司已有模型

如果您是一个非常成熟或“天生数字化”的组织，并且已经在数据科学方面进行了必要的投资，以在您的营销细分市场中支持预测性人工智能，那么我有个好消息要告诉您。

可组合架构是一种采用“可组合”CDP 并使所有这些数据科学丰富内容连接到您的营销渠道的无缝方式。 您所需要做的就是确保定期更新这些分数，并且您的可组合 CDP 可以查看这些分数。 （在此处阅读有关其他陷阱的更多信息。）

场景 2：我的公司没有现有的模型或可用的数据科学资源

从头开始构建数据科学实践是一项艰巨且昂贵的工作。 另一个问题是如何利用数据科学家来解决其他组织问题。

例如，我们有一个 CPG 客户，拥有复杂的数据科学实践，可以预测期货定价和制造其产品的原料的可用性。 然而，这些数据科学家并不关注营销活动。

我没有购买数十亿美元的农产品或化学品的经验。 尽管如此，我怀疑预测番茄期货定价的细微差别与预测客户是否会在未来 90 天内流失的细微差别有所不同。 每个模型都有其独特的功能，数据科学家的经验将对模型的成功产生重大影响。

那么，公司还可以做什么呢？ 他们是否应该聘请数据工程师、数据科学家和数据分析师来构建数据库、设计功能、构建模型、解释它们，然后向繁忙的营销团队解释它们以推动采用？

越来越多的组织正在寻求“租用”数据科学。 他们可能会针对特定的营销用例建立一个像 Predictable 或 Ocurate 这样的人工智能平台，并使用固执己见的数据科学模型。 这些解决方案具有非常快的价值实现时间。

或者，该公司可能会选择更多定制。 像法拉第这样的平台承诺数据丰富和高度灵活的模型配置。 但用户仍然需要技术头脑来知道要预测什么以及如何配置模型 - 即使不需要手动编写 Python 代码。

场景 3：我的公司希望构建定制模型

在走这条路之前，先评估一下成本。 真正构建可扩展的模型需要多名高薪员工的参与。

为了正确执行此操作，您需要：

• 数据工程师收集和整理数据。
• 数据科学家对数据进行特征设计和建模。
• 分析师解释并提出使用数据的案例。

您可能会发现员工在其中两个领域具有天赋。 但在其中两个领域表现出色的人很少见。 通常，人们最擅长这三个领域之一。

如果您致力于构建营销数据科学，请考虑帮助您入门的工具。 例如，如果您使用的是 Google Cloud Platform，请考虑他们的 Vertex 产品及其“Model Garden”。

如果您只能访问 GA 数据，请考虑详细了解 iBQML，它可以让您利用 BigQuery 中的数据来预测特定的现场结果，这些结果有助于数字营销工作。

如果您有更强大的 BigQuery 构建，请利用 BQML，它可以对本机 GA 数据之外的数据进行评分。 这些功能中的“入门”概念可以增强组织动力，以进行进一步的数据科学投资。

如何在可组合 CDP 中使用数据科学？

部署 CDP 后，出现了一个常见问题：当 CDP 和互联营销渠道共享重叠功能时，我们如何优化数据科学？ 这可能包括导出到具有预测功能的渠道的受众，例如 Facebook、Google Ads、品牌的 ESP 等。

我提供的答案特定于客户的用例。 您的广告工具通常拥有 CDP 和数据仓库没有的数据。 我建议您的数据仓库或 CDP 中具有高度针对性的种子受众，同时利用您用于获取和再营销用例的广告平台的最佳出价。

根据我的经验，精心挑选的、由人工智能驱动的种子受众的表现优于规则驱动的受众。 例如，一家广告商最近在 Facebook 上对使用基于人工智能的预测的相似受众和基于规则的参与客户的相似受众进行了头对头测试。 AI 驱动的种子受众的转化率比基于规则的受众高出 25%。

您的 ESP 可能了解您的数据仓库所缺乏的电子邮件参与度方面的知识。 如果是这样，请使用上面的广告技术方法。 如果您已经收集了 ESP 的数据，请使用 CDP/数据仓库驱动的细分和决策。 如果您有地理或品牌特定的需求，这还使您可以灵活地使用多个 ESP。 但同样，具体建议取决于具体用例和数据。

在可组合 CDP 中扩展 AI 使用时的关键考虑因素

假设您确信想要在可组合 CDP 中开始或扩展 AI 的使用。 以下是要问自己的问题清单：

您的云数据仓库中是否有所有可用的营销数据？

这可能包括 GA4 等网站数据、电子邮件等自有渠道互动数据以及所有交易/忠诚度历史记录。

它可能包括身份解决方案或基于规则的匹配，用于跨渠道解决客户问题。 同意数据对于第一方数据的所有使用都至关重要。

您的团队具备利用人工智能的必要技能吗？

这包括接触数据工程师、数据科学家、营销分析师和营销运营从业者。

您有部署基于人工智能的受众的战术计划吗？  

这有一个战略组成部分。 但在用例路线图中，具体策略经常被忽视。 应该有一个营销运营计划，确定某些数据在受众建设中的必要性以及该受众在每个渠道中的实际应用。

您的 CDP 中是否有针对基于人工智能的受众的衡量计划？

测量计划应包括特定的测试受众以及测量提升和投资回报率的方法。 确保预先明确成功标准，并且利益相关者就成功的测试对未来的推出意味着什么达成一致。

祝您在 CDP 工作中推出人工智能（无论是否可组合）好运。 您可能有一种途径可以在工作流程中以经济高效且可增加营销团队投资回报率的方式采用该功能。

获取营销技术！ 日常的。 自由的。 在您的收件箱中。

企业电子邮件地址

订阅 加工...

查看条款。