عصر اكتساب العملاء 3.0

إن ظهور الخوارزميات الجديدة والمعالجة الأسرع ومجموعات البيانات الضخمة المستندة إلى السحابة يجعل من الممكن لجميع مزودي الوسائط الرقمية الرئيسيين الذين يبيعون الإعلانات لتجربة الذكاء الاصطناعي (AI) للمساعدة في تحقيق أداء أفضل لمعلنيهم. وعلى الرغم من أن جميع مجالات التسويق جاهزة للتحول بشكل خاص ، فقد حان الوقت للتركيز على مجالات اكتساب عملاء جدد ونمو الإيرادات.

هذا هو المكان الذي تنفق فيه معظم الشركات عادةً الأموال الأكثر تقديراً. هذه المجالات - التي سنطلق عليها مجتمعة اسم اكتساب العملاء 3.0 - لها أكبر تأثير على توسيع نطاق عملك.

دعنا أولاً نحدد اكتساب العميل 1.0 بسرعة كمرحلة لبيانات العملاء المنعزلة التي تعيش في خوادم فعلية مختلفة. نتيجة لذلك ، كانت الشركات التي تدير جهود اكتساب مستخدم مدفوعة الأجر معوقة ببيانات رديئة ، ولديها ثقة تامة أقل في مدى جودة أداء حملاتهم.

اكتساب العملاء 2.0 هو القدرة على الاستفادة من إمكانيات معالجة البيانات المستندة إلى السحابة لدمج جميع بيانات العملاء من مصادر متعددة في نظام أساسي موحد لبيانات العملاء.

مع وجود البنية الأساسية لاكتساب العملاء 2.0 ، فأنت في حالة جيدة للاستفادة من إمكانات الذكاء الاصطناعي الفردية وأتمتة شركاء الإعلان الرئيسيين الذين يعملون في صوامع مثل Facebook و Google وغيرهما لمساعدتك على تحسين ميزانيتك بشكل أفضل لتحقيق أهداف الأداء الخاصة بك.

أبعاد جديدة للقياس والتعلم

يقودنا هذا إلى ما أسميه عالم اكتساب العملاء 3.0 ، حيث لم يعد النطاق يمثل فقط القيمة التقليدية لتحقيق الريادة في التكلفة وتحسين توفير عرض مستقر.

بدلاً من ذلك ، سيخلق المقياس قيمة بطرق جديدة عبر أبعاد متعددة: مقياس مقدار البيانات ذات الصلة التي يمكن للشركات إنشاؤها والوصول إليها ، وتوسيع كمية التعلم التي يمكن استخلاصها من هذه البيانات ، والتوسيع لتقليل مخاطر التجريب ، وتوسيع نطاق حجم وقيمة النظم البيئية التعاونية ، وحجم كمية الأفكار الجديدة التي يمكن أن تولدها نتيجة لهذه العوامل ، والتوسع في الحد من مخاطر الصدمات غير المتوقعة.

كان التعلم دائمًا مهمًا في الأعمال. كما لاحظ Bruce Henderson منذ أكثر من 50 عامًا ، يمكن للشركات عمومًا تقليل تكاليف الإنتاج الهامشية بمعدل يمكن التنبؤ به مع نمو خبرتها التراكمية.

ولكن في النماذج التقليدية للتعلم ، فإن المعرفة المهمة - تعلم كيفية صنع منتج واحد أو تنفيذ عملية واحدة بشكل أكثر كفاءة - ثابتة ودائمة.

للمضي قدمًا ، سيكون من الضروري بدلاً من ذلك بناء قدرات تنظيمية للتعلم الديناميكي - تعلم كيفية القيام بأشياء جديدة ، و "تعلم كيفية التعلم" بالاستفادة من التكنولوجيا الجديدة ومجموعات البيانات الضخمة.

اليوم ، زاد الذكاء الاصطناعي وأجهزة الاستشعار والمنصات الرقمية بالفعل من فرصة التعلم بشكل أكثر فاعلية - ولكن وفقًا لـ BCG ، سيصبح التنافس على معدل التعلم ضرورة بحلول عام 2020.

ستتطلب بيئة الأعمال الديناميكية وغير المؤكدة من الشركات التركيز أكثر على الاكتشاف والتكيف بدلاً من التركيز فقط على التنبؤ والتخطيط.

لذلك ستتبنى الشركات بشكل متزايد الذكاء الاصطناعي وتوسع استخدامه ، مما يرفع من مستوى المنافسة للتعلم. وسوف تولد الفوائد تأثير "الحدافة البيانات" - الشركات التي تتعلم بشكل أسرع سيكون لديها عروض أفضل ، وتجذب المزيد من العملاء والمزيد من البيانات ، مما يزيد من قدرتها على التعلم.

ومع ذلك ، هناك فجوة هائلة بين التحدي التقليدي المتمثل في التعلم لتحسين عملية ثابتة والضرورة الجديدة لتعلم أشياء جديدة باستمرار في جميع أنحاء المنظمة.

لذلك ، فإن التنافس الناجح على التعلم سيتطلب أكثر من مجرد توصيل الذكاء الاصطناعي بعمليات وهياكل اليوم. بدلاً من ذلك ، سوف تحتاج الشركات إلى:

• تابع أجندة رقمية تشمل جميع أنماط التكنولوجيا ذات الصلة بالتعلم - بما في ذلك أجهزة الاستشعار ، والأنظمة الأساسية ، والخوارزميات ، والبيانات ، واتخاذ القرار الآلي.
• قم بتوصيلهم معًا في بنى تعليمية متكاملة يمكنها التعلم بسرعة البيانات ، بدلاً من أن تكون محصورة عن طريق اتخاذ قرارات هرمية أبطأ.
• طوّر نماذج أعمال قادرة على إنشاء رؤى ديناميكية ومخصصة للعملاء والعمل وفقًا لها.

لم يسبق للمسوقين الوصول إلى المزيد من بيانات العملاء من قبل. يمكن لشركات بيانات الطرف الأول التي تجمعها مع ملفات تعريف المستخدمين أن تتجاوز الاسم الأساسي والبيانات الديموغرافية وقد تشمل نقاط البيانات الثرية النهائية حول المشاركة والاحتفاظ وتحقيق الدخل وغير ذلك الكثير ؛ يمكن للشركات استخدام هذا لبناء شرائح مستخدم رائعة لتشغيل حملات التنقيب وإعادة الاستهداف لفرق النمو.

إن استيعاب كل بيانات الطرف الأول هذه ومعالجتها من العلامات التجارية الموضوعة فوق بيانات المستخدم الغنية الموجودة تُمكِّن شركاء الوسائط هؤلاء من إجراء النمذجة والتحليل المتطور باستخدام التعلم الآلي الذي لم يكن ممكنًا حتى قبل بضع سنوات. يؤدي هذا إلى استهداف أفضل برؤى جديدة وتحليل البيانات.

إذا كنت لا تزال تقوم بتحسين الحملات يدويًا بنفس الطريقة التي تم بها ذلك قبل نصف عقد ، فقد تجد نفسك بين سلالة تختفي بسرعة في لعبة اكتساب العملاء. من المحتمل أن تكون أي عملية يدوية أقل فعالية بكثير وأكثر عرضة للخطأ البشري من الحلول الجديدة التي تظهر بسرعة لمهاجمة أوجه القصور.

الذكاء الاصطناعي واكتساب العملاء

يمثل الاعتماد السريع للذكاء الاصطناعي لاكتساب العملاء من خلال منصات الوسائط الرئيسية مثل Google و Facebook وشبكات الإعلانات الآلية والعديد من الشبكات الأخرى تحولًا أساسيًا ومحوريًا في الطريقة التي يتم بها استثمار أموال التسويق في حملات التسويق عبر الأجهزة المحمولة.

لم يعد بإمكان المسوقين النمو اختيار مكان وكيفية عرض إعلاناتهم للمستخدمين - وبدلاً من ذلك ، تقرر الخوارزميات هذه الخدمات اللوجستية ، مسترشدة بمدخلات قليلة ، مثل عروض الأسعار والميزانية.

في حين أن هذا قد يكون مفيدًا لمعظم فرق النمو ، فإن بعض المسوقين الأكثر ذكاءً في الصناعة يتطلعون إلى أبعد من الطرق الواضحة التي يمكن للذكاء الاصطناعي من خلالها تحسين النتائج للتركيز على الطرق "المبتكرة" التي يمكن للذكاء الاصطناعي أن يزيد بها اكتساب المستخدمين المدفوعين. أداء.

حان الوقت لتشغيل الآلات الذكية

في نهاية اليوم ، فإن أفضل طريقة لتقييم أي تقنية ناشئة هي معرفة استخدامها العملي في عملك أو صناعتك. تمامًا كما يتم تخصيص تجارب المستخدم الجيدة لاحتياجات الفرد ، فإن مستقبل توسيع نطاق اكتساب العملاء ستفوز به الشركات التي يمكنها تكييف حلول الذكاء الاصطناعي الجاهزة لكل منصة لتناسب احتياجاتهم وأهدافهم وأهدافهم.

لقد تعلمت الشركات الناجحة أهمية التركيز على المقاييس الصحيحة ومؤشرات الأداء الرئيسية (KPIs) ، وهي قيمة قابلة للقياس توضح مدى فعالية الشركة في تحقيق أهداف العمل المهمة.

أمثلة على مؤشرات الأداء الرئيسية هي تكاليف اكتساب العملاء (CAC) ، وعائد الإنفاق الإعلاني (ROAS) ، والمستخدمين النشطين يوميًا (DAU) ، والمستخدمين النشطين شهريًا (MAU) ، والاحتفاظ ، ومعدل الإزعاج ، وما إلى ذلك.

يمكن للآلات التي تعمل بالذكاء الاصطناعي أن تساعد في تنظيم حملات الاستحواذ التي تتحرك بشكل أكثر كفاءة نحو هذه الأهداف مقارنة بالعملية الهشة نسبيًا للتدخل اليدوي في الحملة.

يتطلب هذا نهجًا شاملاً عبر القنوات ، مما يزيد بشكل كبير من التعقيد التشغيلي - من الاستهداف المستند إلى البيانات إلى الانتشار الإبداعي للإسناد وتحسين الأداء. ومع التعقيد يأتي بالضبط ما لا تريده: المخاطرة وعدم اليقين.

عاجلاً وليس آجلاً ، ستعتمد جهود اكتساب العملاء على الذكاء الاصطناعي والتعلم الآلي والأتمتة لتكييف رحلات المستخدم عبر القنوات وتخصيصها وتخصيصها وتقديم أفضل النتائج بطرق قد تكون مستحيلة باستخدام الجيل الأخير من ذكاء الأعمال ولوحات المعلومات.

ستتطلب إدارة الحملات المعقدة عبر القنوات ذات الأهداف والتصميمات والتسلسلات المتعددة لتسريع معدل التعلم لديك طبقة تشغيل آلية ذكية أعلى من الحلول الجاهزة لتحقيق نتائج رائعة - أو قد تضطر إلى الاستقرار. يجري في المتوسط.

لوميت باتيل هو نائب رئيس قسم النمو في IMVU. قبل IMVU ، أدار Lomit النمو في الشركات الناشئة في المراحل المبكرة بما في ذلك Roku (IPO) و TrustedID (التي حصلت عليها Equifax) و Texture (التي حصلت عليها Apple) و EarthLink. Lomit هو متحدث عام ومؤلف ومستشار ومعترف به باعتباره Mobile Hero من Liftoff. كتاب Lean AI الجديد الذي أصدره Lomit ، والذي يعد جزءًا من سلسلة "The Lean Startup" الأكثر مبيعًا لـ Eric Ries ، متاح الآن في Amazon .