Wiek pozyskiwania klientów 3,0

Pojawienie się nowych algorytmów, szybsze przetwarzanie i ogromne zbiory danych w chmurze umożliwiają wszystkim głównym dostawcom mediów cyfrowych, którzy sprzedają reklamy, eksperymentowanie ze sztuczną inteligencją (AI), aby zwiększyć wydajność swoich reklamodawców. I chociaż wszystkie obszary marketingu są szczególnie dojrzałe do transformacji, to doskonały czas, aby skupić się na obszarach pozyskiwania nowych klientów i wzrostu przychodów.

To tam większość firm zwykle wydaje najwięcej uznaniowych pieniędzy. Te obszary — które wspólnie nazwiemy Customer Acquisition 3.0 — mają największy wpływ na skalowanie Twojego biznesu.

Najpierw zdefiniujmy szybko Customer Acquisition 1.0 jako fazę silosowanych danych klientów żyjących na różnych serwerach fizycznych. W rezultacie firmy prowadzące płatne starania o pozyskiwanie użytkowników były sparaliżowane słabymi danymi i nie miały pełnego zaufania do skuteczności ich kampanii.

Customer Acquisition 2.0 to możliwość wykorzystania możliwości przetwarzania danych w chmurze w celu zintegrowania wszystkich danych klientów z wielu źródeł w jedną ujednoliconą platformę danych klientów.

Dzięki wdrożonej infrastrukturze Customer Acquisition 2.0 jesteś w dobrej formie, aby wykorzystać indywidualne możliwości sztucznej inteligencji i automatyzację głównych partnerów reklamowych działających w silosach, takich jak Facebook, Google i inne, aby pomóc Ci lepiej zoptymalizować budżet, aby osiągnąć cele wydajności.

Nowe wymiary skali i uczenia się

To prowadzi nas do tego, co nazywam światem Customer Acquisition 3.0, gdzie skalowanie nie będzie już reprezentowało jedynie tradycyjnej wartości osiągnięcia przywództwa kosztowego i optymalizacji dostarczania stabilnej oferty.

Zamiast tego, skala będzie tworzyć wartość na nowe sposoby w wielu wymiarach: skala w ilości odpowiednich danych, które firmy mogą wygenerować i do których mają dostęp, skala w ilości uczenia się, którą można wydobyć z tych danych, skala w celu zmniejszenia ryzyka eksperymentowania, skala w wielkość i wartość ekosystemów współpracujących, skala w ilości nowych pomysłów, jakie mogą wygenerować w wyniku tych czynników, oraz skala w buforowaniu ryzyka nieprzewidzianych wstrząsów.

Nauka zawsze była ważna w biznesie. Jak Bruce Henderson zaobserwował ponad 50 lat temu, firmy mogą generalnie zmniejszać swoje krańcowe koszty produkcji w przewidywalnym tempie w miarę wzrostu ich skumulowanego doświadczenia.

Jednak w tradycyjnych modelach uczenia się wiedza, która ma znaczenie — nauka tworzenia jednego produktu lub bardziej wydajnego wykonywania jednego procesu — jest statyczna i trwała.

W przyszłości zamiast tego konieczne będzie zbudowanie zdolności organizacyjnych do dynamicznego uczenia się – uczenia się, jak robić nowe rzeczy i „uczenia się, jak się uczyć”, wykorzystującego nową technologię i ogromne zbiory danych.

Dzisiaj sztuczna inteligencja, czujniki i platformy cyfrowe już zwiększyły możliwość skuteczniejszego uczenia się — ale według BCG konkurowanie w tempie uczenia się stanie się koniecznością do lat dwudziestych.

Dynamiczne, niepewne środowisko biznesowe będzie wymagało od firm większego skupienia się na odkrywaniu i adaptacji, a nie tylko na prognozowaniu i planowaniu.

W związku z tym firmy będą coraz częściej wdrażać i rozszerzać wykorzystanie sztucznej inteligencji, podnosząc konkurencyjną poprzeczkę w nauce. A korzyści wygenerują efekt „koła zamachowego danych” — firmy, które uczą się szybciej, będą miały lepszą ofertę, przyciągając więcej klientów i więcej danych, co dodatkowo zwiększa ich zdolność uczenia się.

Istnieje jednak ogromna przepaść między tradycyjnym wyzwaniem uczenia się, jakim jest ulepszenie statycznego procesu, a nowym imperatywem ciągłego uczenia się nowych rzeczy w całej organizacji.

Dlatego skuteczne konkurowanie w nauce będzie wymagało czegoś więcej niż tylko włączenia sztucznej inteligencji do dzisiejszych procesów i struktur. Zamiast tego firmy będą musiały:

• Realizuj agendę cyfrową, która obejmuje wszystkie tryby technologii związane z uczeniem się — w tym czujniki, platformy, algorytmy, dane i zautomatyzowane podejmowanie decyzji.
• Połącz je ze sobą w zintegrowane architektury uczenia się, które mogą uczyć się z prędkością danych, zamiast być ograniczanym przez wolniejsze hierarchiczne podejmowanie decyzji.
• Opracuj modele biznesowe, które są w stanie tworzyć i działać na podstawie dynamicznych, spersonalizowanych informacji o klientach.

Nigdy wcześniej marketerzy nie mieli dostępu do większej ilości danych klientów. Własne firmy zbierające dane za pomocą profili użytkowników mogą wykraczać poza podstawowe dane i dane demograficzne i mogą zawierać bogate punkty danych na temat zaangażowania, retencji, zarabiania i wiele więcej; firmy mogą wykorzystać to do budowania świetnych segmentów użytkowników do prowadzenia kampanii rekrutacyjnych i retargetingowych dla zespołów rozwijających się.

Pozyskiwanie i przetwarzanie wszystkich tych własnych danych od marek nałożonych na istniejące zaawansowane dane użytkowników umożliwia tym partnerom medialnym przeprowadzanie zaawansowanego modelowania i analizy z wykorzystaniem uczenia maszynowego, co nie było możliwe nawet kilka lat temu. Skutkuje to lepszym kierowaniem dzięki nowym wglądom i analizie danych.

Jeśli nadal ręcznie optymalizujesz kampanie w taki sam sposób, jak pół dekady temu, możesz znaleźć się wśród szybko znikającej rasy w grze w pozyskiwanie klientów. Każdy proces ręczny jest prawdopodobnie znacznie mniej skuteczny i znacznie bardziej podatny na błędy ludzkie niż nowe rozwiązania, które szybko pojawiają się w celu atakowania nieefektywności.

AI i pozyskiwanie klientów

Przyspieszone przyjęcie sztucznej inteligencji do pozyskiwania klientów przez główne platformy medialne, takie jak Google, Facebook, zautomatyzowane sieci reklamowe i wiele innych, stanowi fundamentalną i kluczową zmianę w sposobie inwestowania środków marketingowych w kampanie marketingowe na telefony komórkowe.

Marketerzy rozwijający się nie mają już możliwości wyboru miejsca i sposobu wyświetlania swoich reklam użytkownikom — zamiast tego algorytmy decydują o logistyce, kierując się kilkoma danymi wejściowymi, takimi jak stawki i budżet.

Chociaż może to być dobre dla większości zespołów rozwojowych, niektórzy z najbardziej inteligentnych marketingowców rozwojowych w branży wykraczają poza oczywiste sposoby, w jakie sztuczna inteligencja może poprawić wyniki, aby skupić się na nowatorskich, „po wyjęciu z pudełka” sposobach, w których sztuczna inteligencja może przyspieszyć pozyskiwanie płatnych użytkowników wydajność.

Czas włączyć inteligentne maszyny

W ostatecznym rozrachunku najlepszym sposobem oceny każdej nowej technologii jest ustalenie jej praktycznego zastosowania w Twojej firmie lub branży. Podobnie jak dobre doświadczenia użytkowników są spersonalizowane pod kątem indywidualnych potrzeb, przyszłość skalowania pozyskiwania klientów zostanie wygrana przez firmy, które będą w stanie dostosować gotowe rozwiązania sztucznej inteligencji każdej platformy do swoich potrzeb, celów i celów.

Firmy odnoszące sukcesy nauczyły się, jak ważne jest skupienie się na właściwych metrykach i kluczowych wskaźnikach wydajności (KPI), które są mierzalną wartością pokazującą, jak skutecznie firma osiąga krytyczne cele biznesowe.

Przykładami kluczowych wskaźników wydajności są koszty pozyskania klientów (CAC), zwrot z nakładów na reklamę (ROAS), dzienni aktywni użytkownicy (DAU), miesięczni aktywni użytkownicy (MAU), utrzymanie, współczynnik rezygnacji itd.

Maszyny napędzane sztuczną inteligencją mogą pomóc w organizacji kampanii pozyskiwania, które skuteczniej dążą do tych celów w porównaniu ze stosunkowo kruchym procesem ręcznej interwencji w kampanię.

Wymaga to całościowego podejścia wielokanałowego, które znacznie zwiększa złożoność operacyjną — od kierowania opartego na danych, przez rozpowszechnianie kreacji, po atrybucję i optymalizację wydajności. A wraz ze złożonością pojawia się dokładnie to, czego nie chcesz: ryzyko i niepewność.

Prędzej niż później Twoje wysiłki w zakresie pozyskiwania klientów będą opierać się na sztucznej inteligencji, uczeniu maszynowym i automatyzacji w celu dostosowania, dostosowania i personalizacji ścieżek użytkowników w wielu kanałach oraz dostarczania optymalnych wyników w sposób, który byłby niemożliwy przy użyciu analizy biznesowej i pulpitów nawigacyjnych ostatniej generacji.

Zarządzanie złożonymi, wielokanałowymi kampaniami z wieloma celami, kreacjami i sekwencjami w celu przyspieszenia tempa uczenia się będzie wymagało inteligentnej warstwy operacyjnej maszyny ponad gotowe rozwiązania, aby zapewnić doskonałe wyniki — lub być może będziesz musiał zadowolić się bycie przeciętnym.

Lomit Patel jest wiceprezesem ds. wzrostu w IMVU. Przed IMVU Lomit zarządzał rozwojem we wczesnych fazach rozwoju, w tym Roku (IPO), TrustedID (przejęty przez Equifax), Texture (przejęty przez Apple) i EarthLink. Lomit jest mówcą publicznym, autorem, doradcą i uznanym przez Liftoff za mobilnego bohatera. Nowa książka Lomita Lean AI , która jest częścią bestsellerowej serii „The Lean Startup” Erica Riesa, jest już dostępna w Amazon .