Usia akuisisi pelanggan 3.0

Munculnya algoritme baru, pemrosesan yang lebih cepat, dan kumpulan data berbasis cloud yang masif memungkinkan semua penyedia media digital utama yang menjual iklan untuk bereksperimen dengan kecerdasan buatan (AI) untuk membantu mendorong kinerja yang lebih baik bagi pengiklan mereka. Dan sementara semua bidang pemasaran sangat matang untuk transformasi, ini adalah waktu yang tepat untuk fokus pada bidang akuisisi pelanggan baru dan pertumbuhan pendapatan.

Di situlah sebagian besar perusahaan biasanya menghabiskan uang paling bijaksana. Area-area ini—yang secara bersama-sama akan kami sebut sebagai Akuisisi Pelanggan 3.0—memiliki dampak terbesar pada penskalaan bisnis Anda.

Pertama-tama mari kita definisikan dengan cepat Akuisisi Pelanggan 1.0 sebagai fase data pelanggan yang disimpan di server fisik yang berbeda. Akibatnya, perusahaan yang menjalankan upaya akuisisi pengguna berbayar dilumpuhkan dengan data yang buruk, dan kurang percaya diri tentang seberapa baik kinerja kampanye mereka.

Akuisisi Pelanggan 2.0 adalah kemampuan untuk memanfaatkan kemampuan pemrosesan data berbasis cloud untuk mengintegrasikan semua data pelanggan Anda dari berbagai sumber ke dalam satu platform data pelanggan terpadu.

Dengan infrastruktur Akuisisi Pelanggan 2.0, Anda berada dalam kondisi yang baik untuk memanfaatkan kemampuan AI individual dan otomatisasi mitra periklanan utama yang berjalan dalam silo seperti Facebook, Google, dan lainnya untuk membantu Anda mengoptimalkan anggaran dengan lebih baik untuk mencapai sasaran kinerja Anda.

Dimensi baru untuk skala dan pembelajaran

Ini membawa kita ke apa yang saya sebut dunia Akuisisi Pelanggan 3.0, di mana skala tidak lagi hanya mewakili nilai tradisional dalam mencapai keunggulan biaya dan mengoptimalkan penyediaan penawaran yang stabil.

Sebaliknya, skala akan menciptakan nilai dengan cara baru di berbagai dimensi: skala dalam jumlah data relevan yang dapat dihasilkan dan diakses oleh perusahaan, skala dalam kuantitas pembelajaran yang dapat diambil dari data ini, skala untuk mengurangi risiko eksperimen, skala dalam ukuran dan nilai ekosistem kolaboratif, skala dalam kuantitas ide-ide baru yang dapat mereka hasilkan sebagai akibat dari faktor-faktor ini, dan skala dalam menyangga risiko guncangan yang tidak terduga.

Belajar selalu penting dalam bisnis. Seperti yang diamati Bruce Henderson lebih dari 50 tahun yang lalu, perusahaan umumnya dapat mengurangi biaya produksi marjinal mereka pada tingkat yang dapat diprediksi seiring dengan bertambahnya pengalaman kumulatif mereka.

Namun dalam model pembelajaran tradisional, pengetahuan yang penting—belajar bagaimana membuat satu produk atau menjalankan satu proses dengan lebih efisien—adalah statis dan bertahan lama.

Ke depannya, akan diperlukan untuk membangun kemampuan organisasi untuk pembelajaran yang dinamis—belajar bagaimana melakukan hal-hal baru, dan “belajar bagaimana belajar” dengan memanfaatkan teknologi baru dan kumpulan data yang luas.

Saat ini, AI, sensor, dan platform digital telah meningkatkan peluang untuk belajar secara lebih efektif—tetapi menurut BCG, bersaing dalam kecepatan pembelajaran akan menjadi kebutuhan pada tahun 2020-an.

Lingkungan bisnis yang dinamis dan tidak pasti akan menuntut perusahaan untuk lebih fokus pada penemuan dan adaptasi daripada hanya pada peramalan dan perencanaan.

Oleh karena itu, perusahaan akan semakin mengadopsi dan memperluas penggunaan AI mereka, meningkatkan standar kompetitif untuk pembelajaran. Dan manfaatnya akan menghasilkan efek “roda gila data”—perusahaan yang belajar lebih cepat akan memiliki penawaran yang lebih baik, menarik lebih banyak pelanggan dan lebih banyak data, serta semakin meningkatkan kemampuan mereka untuk belajar.

Namun, ada kesenjangan besar antara tantangan tradisional belajar untuk meningkatkan proses statis dan keharusan baru untuk terus mempelajari hal-hal baru di seluruh organisasi.

Oleh karena itu, persaingan yang berhasil dalam pembelajaran akan membutuhkan lebih dari sekadar memasukkan AI ke dalam proses dan struktur saat ini. Sebaliknya, perusahaan perlu:

• Mengejar agenda digital yang mencakup semua mode teknologi yang relevan dengan pembelajaran — termasuk sensor, platform, algoritme, data, dan pengambilan keputusan otomatis.
• Hubungkan mereka bersama dalam arsitektur pembelajaran terintegrasi yang dapat belajar dengan kecepatan data, daripada dibatasi oleh pengambilan keputusan hierarkis yang lebih lambat.
• Kembangkan model bisnis yang mampu menciptakan dan bertindak berdasarkan wawasan pelanggan yang dinamis dan dipersonalisasi.

Belum pernah pemasar memiliki akses ke lebih banyak data pelanggan. Perusahaan data pihak pertama yang dikumpulkan dengan profil pengguna dapat melampaui nama dasar dan data demografis dan mungkin menyertakan titik data yang kaya hilir tentang keterlibatan, retensi, monetisasi, dan banyak lagi; perusahaan dapat menggunakan ini untuk membangun segmen pengguna yang hebat untuk menjalankan kampanye pencarian calon pelanggan dan penargetan ulang untuk tim pertumbuhan.

Menyerap dan memproses semua data pihak pertama ini dari merek berlapis di atas data pengguna kaya yang ada memungkinkan mitra media ini melakukan pemodelan dan analisis canggih dengan pembelajaran mesin yang tidak mungkin dilakukan bahkan beberapa tahun yang lalu. Ini menghasilkan penargetan yang lebih baik dengan wawasan dan analisis data baru.

Jika Anda masih mengoptimalkan kampanye secara manual dengan cara yang sama seperti yang dilakukan setengah dekade lalu, Anda mungkin menemukan diri Anda di antara jenis yang menghilang dengan cepat dalam permainan akuisisi pelanggan. Setiap proses manual kemungkinan besar kurang efektif dan jauh lebih rentan terhadap kesalahan manusia daripada solusi baru yang dengan cepat muncul untuk menyerang inefisiensi.

AI dan akuisisi pelanggan

Adopsi AI yang dipercepat untuk akuisisi pelanggan oleh platform media utama seperti Google, Facebook, jaringan iklan terprogram, dan banyak lainnya mewakili transisi mendasar dan penting dalam cara dolar pemasaran diinvestasikan dalam kampanye pemasaran seluler.

Pemasar pertumbuhan tidak lagi memiliki kemampuan untuk memilih di mana atau bagaimana iklan mereka ditampilkan kepada pengguna—sebaliknya, algoritme memutuskan logistik ini, dipandu oleh beberapa masukan, seperti tawaran dan anggaran.

Meskipun itu mungkin bagus untuk sebagian besar tim pertumbuhan, beberapa pemasar pertumbuhan paling cerdas di industri mencari di luar cara yang jelas AI dapat meningkatkan hasil untuk fokus pada cara "out of the box" mutakhir AI dapat meningkatkan akuisisi pengguna berbayar mereka pertunjukan.

Saatnya menyalakan mesin cerdas

Pada akhirnya, cara terbaik untuk mengevaluasi setiap teknologi yang muncul adalah dengan mengetahui kegunaan praktisnya dalam bisnis atau industri Anda. Sama seperti pengalaman pengguna yang baik yang dipersonalisasi untuk kebutuhan individu, masa depan skala akuisisi pelanggan akan dimenangkan oleh perusahaan yang dapat mengadaptasi solusi kecerdasan buatan out-of-the-box setiap platform agar sesuai dengan kebutuhan, tujuan, dan sasaran mereka.

Perusahaan yang sukses telah mempelajari pentingnya fokus pada metrik yang tepat dan indikator kinerja utama (KPI), yang merupakan nilai terukur yang menunjukkan seberapa efektif perusahaan mencapai tujuan bisnis penting.

Contoh KPI adalah biaya akuisisi pelanggan (CAC), laba atas belanja iklan (ROAS), pengguna aktif harian (DAU), pengguna aktif bulanan (MAU), retensi, rasio churn, dan sebagainya.

Mesin yang diberdayakan AI dapat membantu mengatur kampanye akuisisi yang bergerak lebih efisien menuju sasaran ini dibandingkan dengan proses intervensi kampanye manual yang relatif rapuh.

Hal ini memerlukan pendekatan lintas saluran holistik, yang secara besar-besaran meningkatkan kompleksitas operasional—dari penargetan berdasarkan data hingga proliferasi materi iklan hingga atribusi dan pengoptimalan performa. Dan dengan kompleksitas datang apa yang tidak Anda inginkan: risiko dan ketidakpastian.

Lebih cepat daripada nanti, upaya akuisisi pelanggan Anda akan bergantung pada kecerdasan buatan, pembelajaran mesin, dan otomatisasi untuk beradaptasi, menyesuaikan, dan mempersonalisasi perjalanan pengguna lintas saluran dan memberikan hasil optimal dengan cara yang tidak mungkin dilakukan menggunakan kecerdasan bisnis dan dasbor generasi terakhir.

Mengelola kampanye lintas-saluran yang kompleks dengan beberapa target, materi iklan, dan urutan untuk mempercepat laju pembelajaran Anda akan memerlukan lapisan operasional mesin yang cerdas di atas solusi out-of-the-box untuk memberikan hasil yang bagus—atau Anda mungkin harus puas menjadi rata-rata.

Lomit Patel adalah Wakil Presiden Pertumbuhan di IMVU. Sebelum IMVU, Lomit mengelola pertumbuhan di startup tahap awal termasuk Roku (IPO), TrustedID (diakuisisi oleh Equifax), Tekstur (diakuisisi oleh Apple) dan EarthLink. Lomit adalah pembicara publik, penulis, penasihat, dan diakui sebagai Pahlawan Seluler oleh Liftoff. Buku baru Lomit, Lean AI , yang merupakan bagian dari seri terlaris Eric Ries "The Lean Startup", sekarang tersedia di Amazon .