獲客時代 3.0

新算法的出現、更快的處理速度以及基於雲的海量數據集的出現，使所有銷售廣告的主要數字媒體提供商都可以嘗試使用人工智能 (AI) 來幫助提高廣告商的績效。 雖然營銷的所有領域都特別適合轉型，但現在是專注於新客戶獲取和收入增長領域的好時機。

這是大多數公司通常花費最多可支配資金的地方。 這些領域（我們統稱為 Customer Acquisition 3.0）對擴展業務的影響最大。

讓我們首先快速將客戶獲取 1.0 定義為存在於不同物理服務器中的孤立客戶數據階段。 結果，開展付費用戶獲取工作的公司因數據不佳而束手無策，並且對其營銷活動的效果缺乏信心。

Customer Acquisition 2.0 能夠利用基於雲的數據處理功能將來自多個來源的所有客戶數據集成到一個統一的客戶數據平台中。

有了 Customer Acquisition 2.0 基礎架構，您就可以很好地利用 Facebook、Google 等孤島中運行的主要廣告合作夥伴的個人 AI 功能和自動化，幫助您更好地優化預算以實現績效目標。

規模和學習的新維度

這將我們帶到了我所說的客戶獲取 3.0 的世界，在這個世界中，規模不再僅代表實現成本領先和優化提供穩定產品的傳統價值。

相反，規模將以新的方式跨多個維度創造價值：擴大公司可以生成和訪問的相關數據量，擴大可以從這些數據中提取的學習量，擴大規模以減少實驗風險，擴大規模協作生態系統的規模和價值、由於這些因素而產生的新想法數量的規模，以及緩衝意外衝擊風險的規模。

學習在商業中一直很重要。 正如布魯斯·亨德森 (Bruce Henderson) 50 多年前所觀察到的那樣，隨著積累經驗的增長，公司通常可以以可預測的速度降低邊際生產成本。

但在傳統的學習模式中，重要的知識——學習如何更有效地製造一種產品或執行一個過程——是靜態和持久的。

展望未來，有必要建立動態學習的組織能力——學習如何做新事物，以及利用新技術和海量數據集“學習如何學習”。

今天，人工智能、傳感器和數字平台已經增加了更有效學習的機會——但據 BCG 稱，到 2020 年代，競爭學習速度將成為必要。

動態、不確定的商業環境將要求公司更多地關注發現和適應，而不僅僅是預測和規劃。

因此，公司將越來越多地採用和擴大人工智能的使用，提高學習的競爭門檻。 而這些好處將產生“數據飛輪”效應——學習速度更快的公司將擁有更好的產品，吸引更多的客戶和更多的數據，進一步提高他們的學習能力。

然而，學習改進靜態流程的傳統挑戰與在整個組織中不斷學習新事物的新要求之間存在巨大差距。

因此，要想在學習上取得成功，不僅需要簡單地將 AI 插入當今的流程和結構中。 相反，公司將需要：

• 追求包含與學習相關的所有技術模式的數字議程，包括傳感器、平台、算法、數據和自動決策。
• 將它們連接到可以以數據速度學習的集成學習架構中，而不是受到較慢的分層決策的限制。
• 開發能夠創建動態、個性化客戶洞察並採取行動的業務模型。

營銷人員以前從未有過更多的客戶數據。 公司通過用戶資料收集的第一方數據可以超越基本的姓名和人口統計數據，可能包括下游關於參與度、保留率、貨幣化等方面的豐富數據點； 公司可以使用它來建立偉大的用戶群，以便為增長團隊運行潛在客戶和重新定位活動。

在現有豐富的用戶數據之上，從品牌中提取和處理所有這些第一方數據，使這些媒體合作夥伴能夠使用機器學習進行複雜的建模和分析，這在幾年前是不可能的。 這樣可以通過新的見解和數據分析更好地定位。

如果您仍然像五年前那樣手動優化營銷活動，您可能會發現自己在客戶獲取遊戲中迅速消失。 與快速出現以解決低效問題的新解決方案相比，任何手動流程的效率都可能要低得多，而且更容易出現人為錯誤。

人工智能和客戶獲取

谷歌、Facebook、程序化廣告網絡等主要媒體平台加速採用人工智能來獲取客戶，這代表了營銷資金投資於移動營銷活動的方式的根本性和關鍵性轉變。

成長型營銷人員不再能夠選擇向用戶展示他們的廣告的位置或方式——相反，算法決定這些後勤，在很少的輸入（例如出價和預算）的指導下進行。

雖然這對大多數增長團隊來說可能是件好事，但業內一些最聰明的增長營銷人員正在超越人工智能改善結果的明顯方式，專注於人工智能可以加速其付費用戶獲取的前沿“開箱即用”方式表現。

是時候開啟智能機器了

歸根結底，評估任何新興技術的最佳方法是弄清楚其在您的業務或行業中的實際用途。 就像良好的用戶體驗是針對個人需求進行個性化定制的一樣，能夠調整每個平台的開箱即用人工智能解決方案以滿足他們的需求、目標和目標的公司將贏得擴大客戶獲取的未來。

成功的公司已經了解關注正確的指標和關鍵績效指標 (KPI) 的重要性，這些指標是可衡量的價值，表明公司實現關鍵業務目標的效率如何。

KPI 的示例包括客戶獲取成本 (CAC)、廣告支出回報率 (ROAS)、每日活躍用戶 (DAU)、每月活躍用戶 (MAU)、留存率、流失率等。

與相對脆弱的手動活動干預過程相比，人工智能驅動的機器可以幫助協調更有效地實現這些目標的採購活動。

這需要一種整體的跨渠道方法，這會大大增加運營複雜性——從數據驅動的定位到創意擴散，再到歸因和性能優化。 複雜性帶來的正是您不想要的：風險和不確定性。

遲早，您的客戶獲取工作將依賴人工智能、機器學習和自動化來適應、定制和個性化跨渠道用戶旅程，並以使用上一代商業智能和儀表板無法實現的方式提供最佳結果。

管理具有多個目標、創意和序列的複雜跨渠道營銷活動以加快學習速度將需要在開箱即用解決方案之上的智能機器操作層以提供出色的結果，否則您可能不得不接受平均。

Lomit Patel是 IMVU 的增長副總裁。 在加入 IMVU 之前，Lomit 管理早期初創公司的增長，包括 Roku（IPO）、TrustedID（被 Equifax 收購）、Texture（被 Apple 收購）和 EarthLink。 Lomit 是一位公共演說家、作家、顧問，並被 Liftoff 公認為移動英雄。 Lomit 的新書Lean AI是 Eric Ries 最暢銷的“The Lean Startup”系列的一部分，現已在亞馬遜上架。