อายุของการได้มาซึ่งลูกค้า 3.0

การถือกำเนิดของอัลกอริธึมใหม่ การประมวลผลที่เร็วขึ้น และชุดข้อมูลขนาดใหญ่บนคลาวด์ทำให้ผู้ให้บริการสื่อดิจิทัลรายใหญ่ทุกรายที่ขายโฆษณาได้ทดลองใช้ปัญญาประดิษฐ์ (AI) จะช่วยขับเคลื่อนประสิทธิภาพที่ดีขึ้นสำหรับผู้ลงโฆษณาของตน และในขณะที่การตลาดทุกด้านพร้อมสำหรับการเปลี่ยนแปลงโดยเฉพาะ แต่ก็เป็นเวลาที่ดีที่จะมุ่งเน้นไปที่พื้นที่ของการได้มาซึ่งลูกค้าใหม่และการเติบโตของรายได้

นั่นคือสิ่งที่ บริษัท ส่วนใหญ่มักใช้จ่ายเงินอย่างรอบคอบที่สุด พื้นที่เหล่านี้ ซึ่งเราจะเรียกรวมกันว่า Customer Acquisition 3.0 มีผลกระทบมากที่สุดต่อการปรับขนาดธุรกิจของคุณ

อันดับแรก ให้กำหนด Customer Acquisition 1.0 อย่างรวดเร็วว่าเป็นเฟสของข้อมูลลูกค้าแบบแยกส่วนที่อาศัยอยู่ในเซิร์ฟเวอร์จริงที่แตกต่างกัน ด้วยเหตุนี้ บริษัทต่างๆ ที่ดำเนินการซื้อผู้ใช้ที่เสียค่าใช้จ่ายจึงถูกขัดขวางด้วยข้อมูลที่ไม่ดี และมีความมั่นใจน้อยกว่าเต็มที่ว่าแคมเปญของพวกเขาทำงานได้ดีเพียงใด

Customer Acquisition 2.0 คือความสามารถในการใช้ประโยชน์จากความสามารถในการประมวลผลข้อมูลบนระบบคลาวด์ เพื่อรวมข้อมูลลูกค้าทั้งหมดของคุณจากแหล่งที่มาต่างๆ ไว้ในแพลตฟอร์มข้อมูลลูกค้าที่รวมเป็นหนึ่งเดียว

ด้วยโครงสร้างพื้นฐาน Customer Acquisition 2.0 คุณจะอยู่ในเกณฑ์ที่ดีในการใช้ประโยชน์จากความสามารถ AI แต่ละรายการและระบบอัตโนมัติของพันธมิตรโฆษณารายใหญ่ที่ทำงานอยู่ในระบบไซโล เช่น Facebook, Google และอื่นๆ เพื่อช่วยให้คุณปรับงบประมาณของคุณให้เหมาะสมยิ่งขึ้นเพื่อให้บรรลุเป้าหมายด้านประสิทธิภาพของคุณ

มิติใหม่ของการปรับขนาดและการเรียนรู้

สิ่งนี้นำเราไปสู่สิ่งที่ผมเรียกว่าโลกแห่งการได้มาซึ่งลูกค้า 3.0 ซึ่งมาตราส่วนจะไม่แสดงเพียงคุณค่าดั้งเดิมของการเป็นผู้นำด้านต้นทุนและเพิ่มประสิทธิภาพการจัดหาข้อเสนอที่มั่นคงอีกต่อไป

ในทางกลับกัน สเกลจะสร้างมูลค่าด้วยวิธีใหม่ๆ ในหลายมิติ: สเกลในจำนวนข้อมูลที่เกี่ยวข้องที่บริษัทสามารถสร้างและเข้าถึงได้ ปรับขนาดปริมาณการเรียนรู้ที่สามารถดึงออกมาจากข้อมูลนี้ สเกลเพื่อลดความเสี่ยงของการทดลอง ขนาดและมูลค่าของระบบนิเวศการทำงานร่วมกัน ปรับขนาดของปริมาณความคิดใหม่ ๆ ที่พวกเขาสามารถสร้างได้อันเป็นผลมาจากปัจจัยเหล่านี้ และปรับขนาดในการบัฟเฟอร์ความเสี่ยงจากแรงกระแทกที่ไม่คาดคิด

การเรียนรู้มีความสำคัญในธุรกิจมาโดยตลอด ตามที่ Bruce Henderson สังเกตเมื่อ 50 ปีที่แล้ว โดยทั่วไปบริษัทต่างๆ สามารถลดต้นทุนการผลิตส่วนเพิ่มได้ในอัตราที่คาดการณ์ได้เมื่อประสบการณ์สะสมของพวกเขาเติบโตขึ้น

แต่ในรูปแบบการเรียนรู้แบบดั้งเดิม ความรู้ที่สำคัญ—การเรียนรู้วิธีสร้างผลิตภัณฑ์หรือดำเนินการตามกระบวนการอย่างมีประสิทธิภาพมากขึ้น—นั้นคงที่และยั่งยืน

ในอนาคตข้างหน้า จำเป็นต้องสร้างความสามารถขององค์กรสำหรับการเรียนรู้แบบไดนามิก—เรียนรู้วิธีการทำสิ่งใหม่ และ "เรียนรู้วิธีเรียนรู้" โดยใช้ประโยชน์จากเทคโนโลยีใหม่และชุดข้อมูลขนาดใหญ่

ทุกวันนี้ AI, เซ็นเซอร์ และแพลตฟอร์มดิจิทัลได้เพิ่มโอกาสในการเรียนรู้อย่างมีประสิทธิภาพมากขึ้นแล้ว—แต่ตาม BCG การแข่งขันด้านอัตราการเรียนรู้จะกลายเป็นสิ่งจำเป็นภายในปี 2020

สภาพแวดล้อมทางธุรกิจที่ไม่แน่นอนและไม่แน่นอนจะทำให้บริษัทต่างๆ ให้ความสำคัญกับการค้นพบและการปรับตัว มากกว่าที่จะเพียงแค่การคาดการณ์และการวางแผนเท่านั้น

ดังนั้นบริษัทต่างๆ จะปรับใช้และขยายการใช้ AI ของตนมากขึ้นเรื่อยๆ เป็นการยกระดับการแข่งขันเพื่อการเรียนรู้ และผลประโยชน์จะสร้างเอฟเฟกต์ "มู่เล่ข้อมูล" บริษัทต่างๆ ที่เรียนรู้เร็วขึ้นจะมีข้อเสนอที่ดีกว่า ดึงดูดลูกค้ามากขึ้น และข้อมูลมากขึ้น เพิ่มความสามารถในการเรียนรู้ของพวกเขาต่อไป

อย่างไรก็ตาม มีช่องว่างขนาดใหญ่ระหว่างความท้าทายแบบดั้งเดิมของการเรียนรู้เพื่อปรับปรุงกระบวนการแบบคงที่และความจำเป็นใหม่ ๆ ในการเรียนรู้สิ่งใหม่ ๆ อย่างต่อเนื่องทั่วทั้งองค์กร

ดังนั้น การแข่งขันที่ประสบความสำเร็จในการเรียนรู้จึงต้องการมากกว่าแค่การเสียบ AI เข้ากับกระบวนการและโครงสร้างในปัจจุบัน แต่บริษัทต่างๆ จะต้อง:

• ดำเนินการตามวาระดิจิทัลที่รวบรวมโหมดเทคโนโลยีทั้งหมดที่เกี่ยวข้องกับการเรียนรู้ รวมถึงเซ็นเซอร์ แพลตฟอร์ม อัลกอริธึม ข้อมูล และการตัดสินใจอัตโนมัติ
• เชื่อมต่อเข้าด้วยกันในสถาปัตยกรรมการเรียนรู้แบบบูรณาการที่สามารถเรียนรู้ด้วยความเร็วของข้อมูล แทนที่จะถูกปิดกั้นโดยการตัดสินใจแบบลำดับชั้นที่ช้ากว่า
• พัฒนาโมเดลธุรกิจที่สามารถสร้างและดำเนินการตามข้อมูลเชิงลึกของลูกค้าแบบไดนามิกและเป็นส่วนตัว

นักการตลาดไม่เคยเข้าถึงข้อมูลลูกค้าได้มากขึ้นมาก่อน บริษัทข้อมูลบุคคลที่หนึ่งรวบรวมด้วยโปรไฟล์ผู้ใช้สามารถทำได้มากกว่าชื่อพื้นฐานและข้อมูลประชากร และอาจรวมถึงจุดข้อมูลที่สมบูรณ์ของดาวน์สตรีมเกี่ยวกับการมีส่วนร่วม การเก็บรักษา การสร้างรายได้ และอื่นๆ อีกมากมาย บริษัทต่างๆ สามารถใช้สิ่งนี้เพื่อสร้างกลุ่มผู้ใช้ที่ยอดเยี่ยมสำหรับการเรียกใช้แคมเปญการค้นหาและกำหนดเป้าหมายใหม่สำหรับทีมที่เติบโต

การนำเข้าและประมวลผลข้อมูลจากบุคคลที่หนึ่งทั้งหมดนี้จากแบรนด์ที่ซ้อนทับกับข้อมูลผู้ใช้ที่มีอยู่มากมายช่วยให้พาร์ทเนอร์สื่อเหล่านี้สร้างแบบจำลองและวิเคราะห์ที่ซับซ้อนด้วยการเรียนรู้ของเครื่องซึ่งไม่สามารถทำได้แม้แต่เมื่อสองสามปีก่อน ส่งผลให้กำหนดเป้าหมายได้ดีขึ้นด้วยข้อมูลเชิงลึกและการวิเคราะห์ข้อมูลใหม่ๆ

หากคุณยังคงเพิ่มประสิทธิภาพแคมเปญด้วยตนเองแบบเดียวกับที่ทำเมื่อครึ่งทศวรรษที่แล้ว คุณอาจพบว่าตัวเองอยู่ท่ามกลางสายพันธุ์ที่หายไปอย่างรวดเร็วในเกมหาลูกค้าใหม่ กระบวนการแบบแมนนวลใดๆ มีแนวโน้มว่าจะมีประสิทธิภาพน้อยกว่าและมีแนวโน้มที่จะเกิดข้อผิดพลาดจากมนุษย์มากกว่าโซลูชันใหม่ที่เกิดขึ้นอย่างรวดเร็วเพื่อโจมตีความไร้ประสิทธิภาพ

AI และการได้มาซึ่งลูกค้า

การนำ AI มาใช้อย่างรวดเร็วในการได้มาซึ่งลูกค้าโดยแพลตฟอร์มสื่อหลักๆ เช่น Google, Facebook, เครือข่ายโฆษณาแบบเป็นโปรแกรม และอื่นๆ อีกมากมาย แสดงให้เห็นถึงการเปลี่ยนแปลงขั้นพื้นฐานและสำคัญยิ่งในการลงทุนในแคมเปญการตลาดบนมือถือ

นักการตลาดที่กำลังเติบโตไม่มีความสามารถในการเลือกว่าจะให้โฆษณาของตนแสดงต่อผู้ใช้ที่ใดหรืออย่างไร อัลกอริทึมจะตัดสินใจด้านลอจิสติกส์เหล่านี้ โดยได้รับคำแนะนำจากข้อมูลบางส่วน เช่น การเสนอราคาและงบประมาณ

แม้ว่านั่นอาจเป็นสิ่งที่ดีสำหรับทีมที่เติบโตส่วนใหญ่ แต่นักการตลาดที่เติบโตอย่างชาญฉลาดที่สุดในอุตสาหกรรมบางคนมองข้ามวิธีที่ AI สามารถปรับปรุงผลลัพธ์ได้อย่างชัดเจน โดยมุ่งเน้นที่วิธีการ "นอกกรอบ" ที่ล้ำสมัยที่ AI สามารถกระตุ้นการได้มาซึ่งผู้ใช้ที่ต้องชำระเงิน ประสิทธิภาพ.

ได้เวลาเปิดเครื่องอัจฉริยะแล้ว

ท้ายที่สุดแล้ว วิธีที่ดีที่สุดในการประเมินเทคโนโลยีเกิดใหม่ก็คือ การหาการใช้งานจริงในธุรกิจหรืออุตสาหกรรมของคุณ เช่นเดียวกับประสบการณ์ผู้ใช้ที่ดีที่ปรับให้เข้ากับความต้องการของแต่ละบุคคล อนาคตของการขยายฐานลูกค้าจะได้รับชัยชนะโดยบริษัทที่สามารถปรับโซลูชันปัญญาประดิษฐ์ที่พร้อมใช้งานทันทีของแต่ละแพลตฟอร์มให้เหมาะสมกับความต้องการ วัตถุประสงค์ และเป้าหมายของพวกเขา

บริษัทที่ประสบความสำเร็จได้เรียนรู้ถึงความสำคัญของการมุ่งเน้นไปที่ตัวชี้วัดที่เหมาะสมและตัวบ่งชี้ประสิทธิภาพหลัก (KPI) ซึ่งเป็นค่าที่วัดได้ซึ่งแสดงให้เห็นว่าบริษัทบรรลุวัตถุประสงค์ทางธุรกิจที่สำคัญได้อย่างมีประสิทธิภาพเพียงใด

ตัวอย่างของ KPI ได้แก่ ต้นทุนการได้มาซึ่งลูกค้า (CAC) ผลตอบแทนจากค่าโฆษณา (ROAS) ผู้ใช้ที่ใช้งานรายวัน (DAU) ผู้ใช้ที่ใช้งานอยู่รายเดือน (MAU) การรักษาอัตรา อัตราการเลิกใช้งาน และอื่นๆ

เครื่องจักรที่ขับเคลื่อนด้วย AI สามารถช่วยจัดการแคมเปญการได้มาซึ่งขับเคลื่อนไปสู่เป้าหมายเหล่านี้ได้อย่างมีประสิทธิภาพมากขึ้น เมื่อเทียบกับกระบวนการที่ค่อนข้างเปราะบางของการแทรกแซงแคมเปญด้วยตนเอง

สิ่งนี้ต้องการแนวทางแบบข้ามช่องทางแบบองค์รวม ซึ่งเพิ่มความซับซ้อนในการดำเนินงานอย่างมาก ตั้งแต่การกำหนดเป้าหมายจากข้อมูลไปจนถึงการเพิ่มจำนวนโฆษณาไปจนถึงการระบุแหล่งที่มาและการเพิ่มประสิทธิภาพ และความซับซ้อนก็มาพร้อมกับสิ่งที่คุณไม่ต้องการ นั่นคือความเสี่ยงและความไม่แน่นอน

ไม่ช้าก็เร็ว ความพยายามในการได้มาซึ่งลูกค้าของคุณจะขึ้นอยู่กับปัญญาประดิษฐ์ แมชชีนเลิร์นนิง และระบบอัตโนมัติในการปรับ ปรับแต่ง และปรับแต่งการเดินทางของผู้ใช้ข้ามช่องทางและให้ผลลัพธ์ที่ดีที่สุดในรูปแบบที่เป็นไปไม่ได้โดยใช้ข่าวกรองธุรกิจและแดชบอร์ดรุ่นล่าสุด

การจัดการแคมเปญข้ามแชแนลที่ซับซ้อนด้วยเป้าหมาย ครีเอทีฟโฆษณา และลำดับหลายรายการเพื่อเร่งอัตราการเรียนรู้ของคุณ จะต้องใช้เลเยอร์การทำงานของเครื่องอัจฉริยะที่อยู่เหนือโซลูชันที่พร้อมใช้งานทันทีเพื่อให้ได้ผลลัพธ์ที่ยอดเยี่ยม หรือคุณอาจต้องเลือก เป็นค่าเฉลี่ย

Lomit Patel เป็นรองประธานฝ่ายการเติบโตของ IMVU ก่อนหน้าที่จะเป็น IMVU นั้น Lomit สามารถจัดการการเติบโตในช่วงเริ่มต้นของสตาร์ทอัพรวมถึง Roku (IPO), TrustedID (ได้มาโดย Equifax), Texture (ได้มาโดย Apple) และ EarthLink Lomit เป็นวิทยากร นักเขียน ที่ปรึกษา และได้รับการยกย่องว่าเป็น Mobile Hero โดย Liftoff หนังสือเล่มใหม่ของ Lean Lomit AI ซึ่งเป็นส่วนหนึ่งของที่ขายดีที่สุดของเอริค Ries' ‘เริ่มต้นยัน’ ชุดนี้สามารถใช้ได้ที่ Amazon