Возраст привлечения клиентов 3.0

Появление новых алгоритмов, более быстрой обработки и массивных облачных наборов данных позволяет всем крупным поставщикам цифровых медиа, которые продают рекламу, экспериментировать с искусственным интеллектом (ИИ), чтобы повысить производительность своих рекламодателей. И хотя все области маркетинга особенно созрели для трансформации, сейчас самое время сосредоточиться на областях привлечения новых клиентов и роста доходов.

Именно на это большинство компаний обычно тратят самые дискреционные деньги. Эти области, которые вместе мы будем называть Customer Acquisition 3.0, оказывают наибольшее влияние на масштабирование вашего бизнеса.

Давайте сначала быстро определим Customer Acquisition 1.0 как фазу разрозненных данных о клиентах, хранящихся на разных физических серверах. В результате компании, проводившие усилия по привлечению платных пользователей, были ограничены некачественными данными и были менее чем полностью уверены в эффективности своих кампаний.

Customer Acquisition 2.0 - это возможность использовать возможности облачной обработки данных для интеграции всех ваших данных о клиентах из нескольких источников в единую платформу данных о клиентах.

Имея инфраструктуру Customer Acquisition 2.0, вы в хорошей форме, чтобы использовать индивидуальные возможности искусственного интеллекта и автоматизацию основных рекламных партнеров, работающих разрозненно, таких как Facebook, Google и другие, чтобы помочь вам лучше оптимизировать свой бюджет для достижения поставленных целей по производительности.

Новые измерения для масштабирования и обучения

Это подводит нас к тому, что я называю миром Customer Acquisition 3.0, где больше не будет масштабироваться, представляет собой только традиционную ценность достижения лидерства по затратам и оптимизации предоставления стабильного предложения.

Вместо этого масштабирование будет создавать ценность по-новому в нескольких измерениях: масштабирование количества релевантных данных, которые компании могут генерировать и к которым могут получить доступ, масштабирование количества обучения, которое может быть извлечено из этих данных, масштабирование для уменьшения рисков экспериментирования, масштабирование размер и ценность совместных экосистем, масштабирование количества новых идей, которые они могут генерировать в результате этих факторов, и масштабирование буферизации рисков непредвиденных потрясений.

В бизнесе всегда было важно учиться. Как заметил Брюс Хендерсон более 50 лет назад, компании обычно могут снижать свои предельные производственные затраты предсказуемыми темпами по мере роста их совокупного опыта.

Но в традиционных моделях обучения знания, которые имеют значение - изучение того, как производить один продукт или более эффективно выполнять один процесс, - статичны и долговечны.

В будущем вместо этого необходимо будет создать организационные возможности для динамического обучения - обучения тому, как делать новые вещи, и «обучения тому, как учиться», используя новые технологии и обширные наборы данных.

Сегодня искусственный интеллект, датчики и цифровые платформы уже увеличили возможности для более эффективного обучения, но, по мнению BCG, конкуренция в скорости обучения станет необходимостью к 2020-м годам.

Динамичная, неопределенная бизнес-среда потребует от компаний больше внимания уделять открытиям и адаптации, а не только прогнозированию и планированию.

Поэтому компании будут все больше внедрять и расширять использование ИИ, повышая конкурентоспособность обучения. А выгоды создадут эффект «маховика данных» - компании, которые учатся быстрее, будут иметь лучшие предложения, привлекая больше клиентов и больше данных, что еще больше повысит их способность учиться.

Однако существует огромный разрыв между традиционной задачей обучения для улучшения статического процесса и новым императивом непрерывного изучения нового в рамках всей организации.

Следовательно, для успешной конкуренции в области обучения потребуется нечто большее, чем просто включение ИИ в сегодняшние процессы и структуры. Вместо этого компаниям потребуется:

• Следуйте цифровой повестке дня, которая охватывает все виды технологий, имеющих отношение к обучению, включая датчики, платформы, алгоритмы, данные и автоматизированное принятие решений.
• Соедините их вместе в интегрированных обучающих архитектурах, которые могут обучаться со скоростью данных, а не ограничиваться более медленным иерархическим принятием решений.
• Разрабатывайте бизнес-модели, которые позволяют создавать динамические, персонализированные идеи клиентов и действовать на их основе.

Никогда раньше у маркетологов не было доступа к большему количеству данных о клиентах. Собственные данные, которые компании собирают с помощью профилей пользователей, могут выходить за рамки базовых данных об именах и демографических данных и могут включать дополнительные подробные данные о вовлеченности, удержании, монетизации и многом другом; компании могут использовать это для создания отличных пользовательских сегментов для проведения поисковых и ретаргетинговых кампаний для групп роста.

Получение и обработка всех этих собственных данных от брендов поверх существующих обширных пользовательских данных позволяет этим медиа-партнерам выполнять сложное моделирование и анализ с помощью машинного обучения, что было невозможно даже несколько лет назад. Это приводит к лучшему нацеливанию на новые идеи и анализ данных.

Если вы все еще вручную оптимизируете кампании так же, как это было сделано полдесятилетия назад, вы можете оказаться среди быстро исчезающей породы в игре по привлечению клиентов. Любой ручной процесс, вероятно, намного менее эффективен и гораздо более подвержен человеческим ошибкам, чем новые решения, быстро появляющиеся для борьбы с неэффективностью.

ИИ и привлечение клиентов

Ускоренное внедрение ИИ для привлечения клиентов основными медиа-платформами, такими как Google, Facebook, программными рекламными сетями и многими другими, представляет собой фундаментальный и поворотный переход в способах инвестирования маркетинговых долларов в кампании мобильного маркетинга.

У маркетологов больше нет возможности выбирать, где и как их объявления показывать пользователям - вместо этого алгоритмы решают эту логистику, руководствуясь небольшими входными данными, такими как ставки и бюджет.

Хотя это может быть хорошо для большинства групп роста, некоторые из самых умных маркетологов в отрасли смотрят за рамки очевидных способов, которыми ИИ может улучшить результаты, чтобы сосредоточиться на передовых "нестандартных" способах, которыми ИИ может стимулировать привлечение платных пользователей. представление.

Пора включить умные машины

В конце концов, лучший способ оценить любую появляющуюся технологию - это выяснить ее практическое применение в вашем бизнесе или отрасли. Подобно тому, как хороший пользовательский опыт персонализируется в соответствии с индивидуальными потребностями, будущее масштабного привлечения клиентов будет выиграно компаниями, которые смогут адаптировать готовые решения искусственного интеллекта каждой платформы в соответствии со своими потребностями, целями и задачами.

Успешные компании осознали важность сосредоточения внимания на правильных показателях и ключевых показателях эффективности (KPI), которые представляют собой измеримую ценность, демонстрирующую, насколько эффективно компания достигает важнейших бизнес-целей.

Примерами KPI являются затраты на привлечение клиентов (CAC), рентабельность затрат на рекламу (ROAS), ежедневные активные пользователи (DAU), ежемесячные активные пользователи (MAU), удержание, коэффициент оттока и т. Д.

Машины с искусственным интеллектом могут помочь в организации кампаний по привлечению клиентов, которые более эффективно продвигаются к этим целям по сравнению с относительно хрупким процессом ручного вмешательства в кампании.

Это требует целостного многоканального подхода, который значительно увеличивает операционную сложность - от таргетинга на основе данных до творческого распространения до атрибуции и оптимизации производительности. А со сложностью приходит именно то, чего вы не хотите: риск и неопределенность.

Рано или поздно ваши усилия по привлечению клиентов будут опираться на искусственный интеллект, машинное обучение и автоматизацию для адаптации, настройки и персонализации межканальных поездок пользователей и достижения оптимальных результатов способами, которые были бы невозможны при использовании бизнес-аналитики и информационных панелей последнего поколения.

Для управления сложными многоканальными кампаниями с несколькими целями, объявлениями и последовательностями для ускорения вашего обучения потребуется рабочий уровень интеллектуальной машины над готовыми решениями для достижения отличных результатов - или вам, возможно, придется довольствоваться средний.

Ломит Патель - вице-президент по развитию IMVU. До IMVU Ломит управлял ростом стартапов на ранних стадиях, включая Roku (IPO), TrustedID (приобретенный Equifax), Texture (приобретенный Apple) и EarthLink. Ломит - оратор, автор, советник и признанный Liftoff мобильным героем. Новая книга Ломита « Lean AI» , которая является частью бестселлера Эрика Райса «Экономичный стартап», теперь доступна на Amazon .