التعلم الآلي وأتمتة التسويق - هل سيغير التعلم الآلي عملك؟

أتمتة التسويق هي توفير الوقت الذي لا يمكن إنكاره.

بعد كل شيء ، إذا كان بإمكانك أتمتة شيء ما ، فلماذا تفعل ذلك يدويًا؟

ولكن ماذا لو أخبرتك أنه في القريب العاجل قد لا تضطر حتى إلى أتمتة الأشياء ... لأن جهاز الكمبيوتر الخاص بك سيفعل ذلك من أجلك؟

بالطبع ، أنا لا أقول إنه لن تضطر إلى القيام بأي عمل تسويقي على الإطلاق. ومع ذلك ، نظرًا لأن أشياء مثل الذكاء الاصطناعي والتعلم الآلي أصبحت أكثر تقدمًا ، فإن قدرات أجهزة الكمبيوتر تجعل حياتك العملية أقل إرهاقًا.

الحقيقة هي أن الدمج بين التعلم الآلي وأتمتة التسويق يمكن أن يكون مجرد ثورة تسويقية مقبلة.

ولكن ، قبل أن ننتقل إلى التفاصيل - دعونا نلقي نظرة على ماهية الذكاء الاصطناعي والتعلم الآلي في الواقع.

ما هو الذكاء الاصطناعي والتعلم الآلي - نظرة عامة سريعة

إذا كنت قد شاهدت فيلم خيال علمي واحدًا على الأقل في حياتك ، فأنا متأكد من أنك على دراية بمصطلح الذكاء الاصطناعي (AI).

من الناحية الفنية ، هو علم صنع الآلات الذكية وبرامج الكمبيوتر. والآلات الذكية هي بالضبط ما يتخيله معظم الناس عندما يفكرون في الذكاء الاصطناعي.

يتعلق الأمر بالطريقة التي يتم بها تصوير الذكاء الاصطناعي في أفلام هوليوود الرائجة.

ولكن ، في حين أن معظم صور الشاشة الفضية لآلات الذكاء الاصطناعي تتراوح من أقل من متفائل إلى بائس ، في الواقع ، يتمتع الذكاء الاصطناعي بجانب أكثر إيجابية.

الفوائد الأساسية للذكاء الاصطناعي؟ يساعد في معالجة الوظائف المتكررة. بالإضافة إلى ذلك ، فهو يقلل من الخطأ البشري ويساعدنا على اتخاذ قرارات أفضل (وأسرع).

لكن كيف يعرف الذكاء الاصطناعي ما هو القرار الصحيح الذي يجب اتخاذه؟

وهنا يأتي دور التعلم الآلي.

التعلم الآلي هو فرع من فروع الذكاء الاصطناعي يركز على بناء الخوارزميات لمساعدة الآلات على التعلم.

باختصار ، يهدف إلى مساعدة أجهزة الكمبيوتر على استخدام البيانات لتحسين دقتها وتقليد طريقة تعلم البشر.

يكمن جمال التعلم الآلي (ML) في أنه يسمح لأجهزة الكمبيوتر بالتعلم دون أن تتم برمجتها بشكل فعال للقيام بذلك. هذا يعني أنه يمكنهم استخدام البيانات السابقة لتحسين العمليات ، وجمع بيانات جديدة (أفضل) ، وتحسين العمليات بشكل أكبر ، وجمع المزيد من البيانات ... هل تعرف إلى أين يتجه هذا ، أليس كذلك؟

هناك سبب جعل بيل جيتس يصف التعلم الآلي بأنه أحد أهم الإنجازات:

"إذا اخترعت اختراقًا في الذكاء الاصطناعي ، بحيث يمكن للآلات أن تتعلم ، فهذا يساوي 10 مايكروسوفت."

كما أنه ليس من المستغرب أن يُحدث الذكاء الاصطناعي بالفعل ثورة في عدد لا يحصى من الصناعات - بما في ذلك التسويق.

إذن ، كيف يفيد التعلم الآلي أتمتة التسويق؟

دعنا نقفز مباشرة إلى ذلك!

كيف يعمل التعلم الآلي وأتمتة التسويق معًا

أتمتة التسويق هي أداة قوية في حد ذاتها.

من خلال الإستراتيجية الصحيحة ، أو رسائل البريد الإلكتروني السلوكية ، أو نقاط العملاء المحتملين ، أو تقسيم المستخدمين ، يمكنك تحقيق مدخرات ضخمة ، وزيادة مبيعاتك ، والمساعدة في تحسين الاحتفاظ بالعملاء.

يمكن لفريقك أتمتة حتى أكثر المهام تعقيدًا وقضاء الوقت الموفر في أنشطة الأعمال الأخرى بفضل قواعد سير العمل الآلية.

باستخدام أتمتة التسويق التقليدية ، فأنت المسؤول عن جميع عمليات الإعداد والتحليل والترقيع.

وهنا يأتي دور التعلم الآلي:

تأخذ خوارزميات التعلم الآلي البيانات التي تجمعها في أتمتة التسويق الخاص بك وتستخدمها لزيادة تحسين عملياتك.

فيما يلي بعض الأمثلة لما يمكن أن تساعدك به بعض خوارزميات التعلم الآلي:

الاستفادة من نقاط الرصاص التنبؤية

تقييم العملاء المحتملين هو عملية "ترتيب" العملاء المتوقعين لتحديد أي منهم من المرجح أن يتحول إلى عملاء.

من خلال تخصيص درجات للإجراءات التي يؤدونها ، يمكنك فصل "البرد" عن "الدافئ". بهذه الطريقة ، يمكنك معرفة مدى احتمالية أن يقوم العميل المحتمل بإجراء تحويل ، بالإضافة إلى تقييم قيمته.

وهذا بدوره يسمح لك بتقسيم العملاء المحتملين بشكل أفضل وإرسال حملات بريد إلكتروني مختلفة إليهم ، بما يتناسب مع مرحلة رحلة المشتري التي يتواجدون فيها.

تكمن المشكلة ، في نظام تسجيل النقاط التقليدي ، في أنك مسؤول عن تطوير إطار عمل النتائج بالكامل بنفسك. نتيجة لذلك ، هناك خطر يتمثل في أنك ستفقد بعض العملاء المتوقعين بسبب تسجيلهم بشكل غير صحيح.

بالإضافة إلى ذلك ، يمكن أن تستغرق العملية برمتها وقتًا طويلاً - وهي ليست أمرًا محددًا وتنسى. لحساب نقاط العميل المتوقع ، تحتاج إلى:

1. تطوير شخصية المشتري
2. قسّم العملاء المحتملين
3. افحص سلوك العملاء المحتملين عبر الإنترنت
4. رتب وأولويات تصرفات العملاء المحتملين
5. تعيين قيم النتيجة
6. اضبط الظروف المناسبة في مهام سير عملك
7. تقييم وضبط بشكل دوري

يسمح لك تسجيل نقاط العميل المتوقع التنبؤي باستخدام الخوارزميات لتسجيل العملاء المتوقعين وتأهيلهم بناءً على البيانات السابقة. بينما لا تزال بحاجة إلى إنشاء إطار عمل لنظام تسجيل النقاط الرئيسي الخاص بك ، لا يتعين عليك الاستمرار في تعديل النظام بنفسك.

بدلاً من ذلك ، ستستخدم الأتمتة النمذجة التنبؤية لتحليل العملاء المتوقعين السابقين والبحث عن الأنماط. بعد ذلك ، ستستخدم هذه البيانات لمحاولة توقع السلوك المستقبلي. يمكنه بعد ذلك أن يأتي بملف تعريف العميل المثالي الخاص به ، مما يساعدك على تسجيل العملاء المحتملين بشكل أكثر دقة.

يكمن جمال تسجيل نقاط الرصاص التنبؤية في أنه يؤدي نصيب الأسد من العمل نيابةً عنك.

يمكن أن يساعدك التعلم الآلي في أتمتة التسويق في تحديد الأنماط التي من المحتمل أن تكون فاتتك ، مما يساعدك على تسجيل العملاء المحتملين وتأهيلهم بشكل أكثر دقة.

اكتساب رؤى أفضل للعملاء

أحد مفاتيح تحقيق نتائج أتمتة تسويقية رائعة هو فهم جمهورك. ومع ذلك ، فإن معظم الشركات ترتكب الخطأ الكلاسيكي المتمثل في فصل توقعاتها إلى ما لا يزيد عن مجموعتين:

• عملاء
• غير العملاء

يذهب البعض خطوة إلى الأمام ويفهم الفرق بين الخيوط "الدافئة" و "الباردة". ولكن ، حتى ذلك الحين ، يبدو جمهورهم شيئًا كالتالي:

• عملاء
• العملاء المرتقبون
• جمهور غير مندمج

ما سبق هو خطوة أولى جيدة. بعد كل شيء ، يعد تقسيم جمهورك أمرًا أساسيًا لتحسين المشاركة وزيادة عائد الاستثمار التسويقي.

لكن هذا لا يزال غير كاف.

بالتأكيد ، من الصعب إنشاء الشرائح الصحيحة.

هذا هو المكان الذي يمكن أن يساعدك فيه مزيج التعلم الآلي وأتمتة التسويق.

باستخدام الخوارزميات لتحليل سلوك جمهورك ، يمكن لـ ML رؤية الأشياء التي يسهل تفويتها بالعين البشرية.

ونتيجة لذلك ، يساعدك في إنشاء مقاطع أكثر دقة ، مما يلغي الحاجة إلى التخمينات غير الضرورية. والتجزئة الأفضل تعني نتائج تسويقية أفضل. يصبح هذا أكثر أهمية مع زيادة حجم قائمتك.

بعد كل شيء ، آخر شيء تريده هو إرسال بث غير مستهدف إلى آلاف الأشخاص:

حتى لعبة التخصيص الخاصة بك

التخصيص هو المفتاح لزيادة مشاركة العملاء وولائهم.

لكن جهود التخصيص الضعيفة يمكن أن تضر أكثر بكثير من عدم التخصيص على الإطلاق. في الواقع ، يتوقف 63٪ من المستهلكين عن الشراء من العلامات التجارية التي تنخرط في أساليب التخصيص السيئة.

مفتاح القيام بإضفاء الطابع الشخصي بالطريقة الصحيحة؟

فهم ليس فقط من هم عملاؤك ولكن أيضًا كيف يتصرفون.

إذن ، كيف يساعدك التعلم الآلي على أن تصبح أكثر كفاءة في التخصيص؟

تلبية التوقعات المتسلسلة .

تقليديا ، يتم بناء معظم تخصيص أتمتة التسويق على البيانات الديموغرافية أو بيانات التسوق الخاصة بالمستخدم.

للعثور على مشترين محتملين ، سيأخذ المسوقون العمر أو الجنس أو التعليم أو سجل الشراء ويبحثون عن الخصائص المشتركة مع العملاء السابقين. بعد ذلك ، سيستخدمون تلك البيانات للتوصية بالمنتجات التي يعتقدون أنه من المرجح أن يشتريها هؤلاء الأشخاص.

تكمن مشكلة هذا النهج في أنه ليست كل الخصائص المشتركة فعالة بنفس القدر في توقع عمليات الشراء المستقبلية.

بعد كل شيء ، نحن جميعًا بشر فريدون.

لذا ، حتى لو أتينا من خلفية مماثلة ، فلا يزال بإمكاننا التصرف بشكل مختلف. ويركز التنبؤ المتسلسل على تصرفات العملاء المحتملين.

باختصار ، ستنظر أداة أتمتة التسويق مع التنبؤ المتسلسل في تسلسل الإجراءات التي تقود جمهورك إلى شراء منتجك.

يمكن أن يبدو تسلسل العينة كما يلي:

1. قم بزيارة موقع الويب الخاص بك
2. قم بالتمرير لأسفل الصفحة الرئيسية للاطلاع على المنتجات المعلن عنها
3. انتقل إلى فئة المنتج X
4. تصفح من خلال أحدث الإضافات
5. افتح ثلاث علامات تبويب مع الاختيارات المفضلة
6. راجع كل منهم بعناية
7. حدد منتجًا واحدًا
8. انتقل مرة أخرى إلى فئة المنتج
9. فرز الفئة حسب السعر
10. قارن المنتج المحدد مع المنتجات المماثلة
11. اختر فائزًا
12. قم بالشراء

بالطبع ، هذا مجرد تسلسل عينة. إذا كنت تحصل على آلاف الزوار إلى موقع الويب الخاص بك ، فسيكون لديك آلاف التسلسلات لتحليلها.

سيكون من المستحيل القيام بذلك يدويًا.

يمكن أن يقوم التعلم الآلي بتحليل تلك التسلسلات نيابة عنك ومحاولة اكتشاف الأنماط التي تؤدي إلى الشراء. ثم يبحث عن المشتركين الذين من المرجح أن يتبعوا نفس التسلسل ، ويظهر بشكل فعال العملاء المحتملين.

زيادة المبيعات مع توصيات أفضل للمنتج

الاستمرار في التخصيص ، أحد المجالات التي يكون فيها التعلم الآلي فعالًا بشكل خاص هو توصيات المنتج.

وإذا كنت تعمل في مجال التجارة الإلكترونية ، فغالبًا ما تكون هي الشيء الأول الذي يجب أن تركز عليه جهود التخصيص الخاصة بك. لماذا ا؟

فكر في عملاق مثل أمازون. يُعتقد على نطاق واسع أن نظام التوصيات الخاص بهم هو أحد أكثر الأنظمة تقدمًا وفعالية.

أظهر بحث أجرته شركة McKinsey & Company أنه يمكن إرجاع ما يصل إلى 35٪ من مبيعات Amazon إلى التوصيات. هذا هو ما يزيد عن 1 من 3 مبيعات في شركة بمليارات الدولارات!

وفقًا لتقرير آخر صادر عن Accenture ، من المرجح أن يتسوق ما يصل إلى 91٪ من المستهلكين مع العلامات التجارية التي تتعرف وتتذكر وتقدم التوصيات ذات الصلة.

ناهيك عن أن تقديم فرصة للمشترين لشراء منتج آخر يهتمون به هو وسيلة مؤكدة لزيادة معدل التحويل الخاص بك.

بالطبع ، لا تحتاج إلى أحدث خوارزميات التعلم الآلي لبدء التوصية بالمنتجات. ولكن كلما زادت دقة التوصيات ، زادت فرصة البيع.

هذا يعني أن التعلم الآلي لا يمكن أن يساعدك فقط في أتمتة توصيات المنتج الخاصة بك - بل يمكن أن يجعلها أكثر فاعلية ، مما يؤدي إلى زيادة معدل التحويل.

وكما ترى في مثال Netflix ، فإن شركات البيع بالتجزئة ليست الوحيدة التي يمكنها الاستفادة من التوصيات الآلية التي تعمل بنظام ML.

إنشاء مواقع ويب ديناميكية ومسارات مبيعات

تسمح لك معظم أدوات أتمتة التسويق بتتبع سلوك جمهورك على موقع الويب الخاص بك.

تسمح لك بعض الأدوات بإنشاء قواعد تغير بعض عناصر موقع الويب بناءً على سلوك المشترك أو نقاط العميل المتوقع.

ما زلت بحاجة إلى القيام بكل الأعمال المتعلقة بإنشاء القواعد وتحرير موقع الويب. بالإضافة إلى ذلك ، فإن التغييرات المسموح لك بأتمتة هذه الطريقة عادة ما تكون طفيفة نسبيًا.

ولكن ماذا لو كان بإمكانك استخدام التعلم الآلي وأتمتة التسويق لتخصيص المحتوى الكامل لموقع الويب الذي يراه المستخدمون ... في الوقت الفعلي؟

قريبًا ، سيسمح لنا التعلم الآلي بإنشاء صفحات موقع ديناميكية خصيصًا لزائر معين.

فكر في محتوى مختلف ، والرسائل ، ونبرة الصوت ، وحتى الألوان - تم تعديلها جميعًا لخلق أفضل تجربة مستخدم ممكنة. وبالطبع ، لزيادة معدل التحويل الخاص بك.

على سبيل المثال ، بصفتك شركة SaaS ، يمكنك ضبط كل خطوة في مسار تحويل المبيعات بناءً على تقسيم المستخدم أو سلوكه.

جمال هذا الحل؟

كلما زاد عدد الأشخاص الذين يزورون موقع الويب الخاص بك ، زادت البيانات التي تحصل عليها خوارزميات التعلم الآلي الخاصة بك.

وهذا بدوره سيسمح لتلك الخوارزميات بإنشاء محتوى أفضل ، مما يجعل موقع الويب الخاص بك أكثر فاعلية في تحويل زواره.

اختبار A / B أسرع (والحصول على نتائج أفضل)

منافسيك لا ينامون أبدا.

لتنمية عملك ، تحتاج إلى الاستمرار في تحسين التسويق الخاص بك.

تحتاج إلى إيجاد طرق للتميز ، وجذب انتباه جمهورك ، وتحويل المزيد منهم إلى عملاء.

المفتاح لفعل ذلك؟

أ / ب اختبر حملاتك التسويقية.

يعد اختبار A / B هو الطريقة الأكثر شيوعًا لتحسين جهودك التسويقية. إنه أيضًا أبسط واحد موجود. ما عليك سوى أخذ تصميمين مختلفين واختبارهما مقابل بعضهما البعض ، ومقارنة النتائج خلال فترة زمنية معينة.

بالطبع ، إذا كان أحد الأشكال هو الفائز ، يجب أن يكون الآخر خاسرًا (duh ..) وهذا يعني أنك ، لبعض الوقت ، ترسل جزءًا من حركة المرور الخاصة بك إلى أحد الأشكال التي تخسر أموالك. أو ، هذا على الأقل يؤدي أداءً أسوأ من الفائز.

نتيجة لذلك ، فإن العائد الإجمالي يساوي متوسط ​​العائد لجميع المتغيرات في الاختبار ، على افتراض أنك تقوم بتشغيلها لفترة زمنية متساوية. وبالنظر إلى أن اختبار A / B النموذجي يحتاج إلى آلاف مرات الظهور ، فإن الخسائر في المتغيرات ذات الأداء السيئ تتراكم بسرعة.

تسمى هذه المشكلة في اختبار A / B بالندم.

ولكن هذا هو المكان الذي يمكن أن تساعدك فيه خوارزميات ماكينات الألعاب المتعددة (MAB) القائمة على التعلم الآلي.

ما هو ماب؟

تخيل أنك تمشي إلى كازينو في لاس فيجاس بهدف زيادة مدفوعاتك من ماكينات القمار.

هناك طريقتان يمكنك القيام بهما.

أولاً ، يمكنك اختبار جميع ماكينات القمار في الكازينو ، وجمع البيانات ، والعثور على الجهاز الذي يزيد أرباحك. سيعطيك هذا أدق البيانات على المدى الطويل ، لكنه سيكلفك أيضًا أكبر قدر من المال. هذه هي الطريقة التي يعمل بها اختبار A / B القياسي.

البديل هو التركيز على عدد قليل من ماكينات القمار التي تبدأ في إظهار الإمكانات في البداية. بعد ذلك ، قم بتقييم أرباحك ، وزد استثماراتك إلى أقصى حد حيث يكون عائد الاستثمار هو الأفضل. هذا ما يحدث أثناء اختبار ماكينات الألعاب المتعددة (MAB).

على عكس اختبار A / B النموذجي ، يمكن للتعلم الآلي في MAB اكتشاف وتقييم الاختبارات الفاشلة من تلقاء نفسه. بالإضافة إلى ذلك ، فإنها تفعل ذلك بطريقة أسرع مما تستطيع أنت أو أعضاء فريقك.

سيبدأ بعد ذلك في الحد من حجم حركة المرور التي تتلقاها تلك الاختبارات ، مما يقلل من الندم (وخسائرك).

وهذا بدوره يؤدي إلى متوسط ​​دفعات أعلى من الاختبار. كما يتيح لك العثور على الفائزين بشكل أسرع على المدى القصير.

العيب الوحيد هو أن اختبار MAB قد يفوتك الفرص التي يمكن أن تقدم مدفوعات أفضل على المدى الطويل.

ولكن عندما تصبح خوارزميات التعلم الآلي أكثر ذكاءً ، يمكن أن تصبح أفضل في التنبؤ بنتيجة الاختبار.

أفادت بعض الوكالات أن اختبارات MAB التي تعتمد على التعلم الآلي قد حققت زيادة طفيفة في معدل التحويل بنسبة 30٪.

حدد أسعارًا أكثر فعالية لمنتجاتك

أخيرًا ، يمكن أن يساعد التعلم الآلي عملك في إنشاء استراتيجية تسعير أكثر مرونة وتنفيذها.

يسمح لك تطبيق التسعير الديناميكي بالتفاعل بشكل أفضل مع طلب السوق أو العرض المتغير أو ببساطة أهداف مبيعاتك.

بالإضافة إلى ذلك ، نظرًا لأن السعر لا يزال هو العامل المهيمن في عملية اتخاذ قرار العميل لثلثي عملائك ، فإن تحديد الأسعار ديناميكيًا يمنحك ميزة تنافسية.

بطبيعة الحال ، لن يستفيد كل نوع من الأعمال من التسعير الديناميكي. أولاً ، للاستفادة من التعلم الآلي والتسعير الديناميكي ، تحتاج إلى نقاط مرجعية وثروة من البيانات.

تحتاج أيضًا إلى أن يكون لديك قاعدة عملاء يسعدهم دفع أسعار متقلبة.

إذا كانت أسعار منتجك أو خدمتك ثابتة ، فقد يؤدي تغييرها ديناميكيًا إلى إيقاف عملائك. سيشعرون بالغش. قد يؤدي هذا بدوره إلى الإضرار بعلامتك التجارية وتقليل ثقة عملائك بك.

بالطبع ، التسعير الديناميكي ليس مفهوماً جديداً. لقد كانت موجودة بالفعل منذ بعض الوقت ، وخاصة في صناعات السفر (الفنادق وتذاكر الطيران) والإعلان (إعلانات Google أو Facebook).

ولكن مع تزايد المنافسة في التجارة الإلكترونية ، فإن إيجاد طرق لأتمتة إدارة الأسعار ، على الأقل في بعض الصناعات ، سيصبح عنصرًا أساسيًا في إستراتيجيتك التسويقية الشاملة.

توفير الوقت في أتمتة إنشاء المحتوى

في عام 2021 ، شهدنا ظهور أدوات إنشاء المحتوى المدعومة بالذكاء الاصطناعي بناءً على واجهات برمجة التطبيقات مثل OpenAI. تستخدم OpenAI تقنية GPT-3 الشائعة ، ويمكن تطبيقها على أي مهمة أو عملية تتضمن فهم أو إنشاء لغة أو رمز طبيعي.

يرمز GPT-3 نفسه إلى Transformer 3 Generative مسبق التدريب (GPT-3) ، وهو نموذج لغوي ذاتي الانحدار يستخدم التعلم الآلي لإنتاج نص يشبه الإنسان. إنه يتجول في جميع أنحاء الويب في جميع أنحاء العالم ، ويستخرج النصوص والمحتويات الأخرى ، ويتعلم كيفية الكتابة والتحدث بلغة بشرية طبيعية من تلقاء نفسه ، وذلك بفضل ML.

قامت منصات أتمتة التسويق مثل Encharge بتطبيق تقنية GPT-3 لتمكين المسوقين من إنشاء سطور مواضيع ومحتوى بريد إلكتروني مؤثر تلقائيًا باستخدام الذكاء الاصطناعي. يمكن لـ Free AI Subject Line Generator نشر عشرات من سطور الموضوع الفريدة بناءً على الموضوع والنبرة.

دراسات الحالة: التعلم الآلي وأتمتة التسويق في الممارسة

الآن ، دعنا نلقي نظرة سريعة على شركتين كبيرتين استفادت بشكل كبير من دمج أتمتة التسويق مع التعلم الآلي.

ليفت

أنشأ فريق تطبيق مشاركة الرحلات نظامًا أساسيًا لأتمتة التسويق بهدف تحسين التكلفة وكفاءة الحجم لحملات اكتساب المستخدمين.

كانت فكرتهم هي استخدام الأتمتة والتعلم الآلي لأتمتة القرارات الروتينية ، والتوسع بكفاءة ، وبناء نظام تعليمي قائم على البيانات.

بهذه الطريقة ، يمكن لأعضاء فريقهم التخلي عن المهام العادية والتركيز على التجارب والابتكارات عالية التأثير.

في حين أن النظام الأساسي الذي قاموا ببنائه كان يحتوي على الكثير من الأجزاء المتحركة ، فإن أهمها كانت:

متنبئ بالقيمة الدائمة (LTV)

استخدم هذا المكون التعلم الآلي لقياس كفاءة قنوات الاستحواذ المختلفة.

لقد توقعت القيمة الدائمة الخاصة بهم واستخدمت تلك البيانات لتحديد الميزانية المناسبة التي يجب تخصيصها للقناة المعينة التي يأتون منها.

ومن المثير للاهتمام ، قبل أن يتمكنوا من تحديد LTV لقناة جديدة ، كانوا قادرين على الحصول على خوارزميات التعلم الآلي للتنبؤ بها من البيانات التاريخية.

مخصص الميزانية

كان المكون الثاني مسؤولاً عن جمع بيانات أداء التسويق جنبًا إلى جنب مع توقعات LTV.

ثم استخدم Thompson Sampling لتحديد التكلفة المثلى لكل قناة. بمجرد أن تصبح البيانات جاهزة ، يتم إرسال تخصيص كل حملة إلى مقدم عرض القناة المعني.

بالطبع ، كان هناك عدد قليل من الأجزاء في النظام الأساسي أكثر من ذلك. لا يزال النجاح طويل الأمد لأتمتة التسويق في Lyft يعتمد على ردود الفعل البشرية.

ولكن ، كما يقر الفريق ، دون الحاجة إلى تحديث عروض الأسعار أو تخصيص الميزانيات يدويًا ، كان لدى جهات التسويق الخاصة بهم مزيد من الوقت للعمل على أشكال إعلانات جديدة أو رسائل أو تكوين فرضيات للأهداف طويلة المدى.

وهذه كلها أشياء ، حتى الآن ، لا تستطيع أتمتة التسويق ولا التعلم الآلي أن تفعلها لنا.

نيتفليكس

ما هي قيمة استراتيجية أتمتة التسويق بالنسبة لك؟

وإلى أي مدى تعتقد أنك ستستفيد من دمج التعلم الآلي فيه؟

كما اتضح ، تقدر Netflix أن محرك أتمتة تسويق التعلم الآلي لديها يحفظها ...

مليار دولار. كل عام غريب!

والأفضل هو أنها مجرد عنصر واحد من استراتيجية أتمتة التسويق - محرك توصية Netflix - الذي يوفر لهم كل هذه الأموال.

ما الذي يجعلها قوية جدا؟

كما اتضح ، يتم اختيار 80٪ من المحتوى المتدفق على Netflix وفقًا لنظام التوصيات الخاص بهم.

ما الذي يجعل نظام التوصيات الخاص بهم فعالاً للغاية؟

على الرغم من أننا لا نريد أن نثقل كاهلك بالتفاصيل الفنية ، فإن الفكرة الرئيسية وراء النظام هي أن نقدم لجمهورهم العناوين الأكثر ملاءمة التي قد يهتمون بمشاهدتها.

تبدو فكرة جيدة ، أليس كذلك؟

إذا فكرت في الأمر ، فهذا ما يفترض أن يفعله كل نظام توصية!

إذن ، أين مكون المليار دولار هنا؟

كما اتضح ، بالنسبة لـ Netflix ، كل هذا يعود إلى العمل الفني. كما ترى ، لا تتوقف الشركة عند مجرد الخروج بأفضل عنوان قد يرغب المستخدم في مشاهدته. تحلل الخوارزميات الخاصة بهم تاريخ العرض ويخرجون بأفضل صورة قد تثير اهتمام المستخدم في العرض.

فكر في فيلم مثل Good Will Hunting. كلاسيك ، أليس كذلك؟ على سبيل المثال ، إذا كان المستخدم في أفلام رومانسية ، فسترى صورة مميزة تحتوي على Matt Damon و Minnie Driver.

من ناحية أخرى ، سيشاهد أحد محبي الأفلام الكوميدية روبن ويليامز.

نفس الشيء يعمل لمحبي ممثلين محددين أيضًا. دعونا نلقي نظرة على لب الخيال. سيشاهد محبو أوما ثورمان أعمال Pulp Fiction الفنية التي تركز على النجمة الرئيسية للفيلم.

في الوقت نفسه ، إذا اكتشفت الخوارزمية أن المستخدم معجب بجون ترافولتا ، فسترى العمل الفني الذي يعرضه بدلاً من ذلك.

ومن المثير للاهتمام ، لتجنب الأسف في اختبار A / B الخاص بهم ، تعترف الشركة باستخدام نهج MAB ، حيث تعمل الخوارزمية على اكتشاف العمل الفني الأمثل أثناء إجراء الاختبار.

بعد كل شيء ، يتعين عليهم إجراء اختبارات مماثلة لأكثر من 180 مليون مستخدم. وبالنظر إلى أن لديهم جميعًا تفضيلات مختلفة ، فهذا يعني إجراء ملايين الاختبارات المختلفة!

بالطبع ، قد تقول أن كل شيء آلي. ومع ذلك ، يجب على شخص ما أن يأتي بالخوارزمية ويستمر في صقلها. هذا يأخذنا إلى النقطة التالية في مقالتنا.

ما مقدار أتمتة التسويق؟

على الرغم من أن أتمتة التسويق تأخذ نصيباً هائلاً من العمل من فريقك (وتقدم فوائد هائلة) ، إلا أنها ليست بلا تدخل كما قد يبدو. المشاكل الرئيسية الثلاث هي:

1. ما زلت بحاجة إلى إعداد كل شيء.
2. أنت (أو أي شخص في فريقك) ما زلت مسؤولاً عن مراجعة وضبط الإعداد للحصول على أفضل النتائج.
3. حتى إذا كانت أتمتة التسويق الخاصة بك تستخدم خوارزميات التعلم الآلي ، فلا تزال بحاجة إلى الإشراف على عملية التعلم.

تعني المشكلة الأولى ، في الواقع ، أن أتمتة التسويق يمكنها فقط أتمتة ما تخبر به أنت أو أي شخص في فريقك.

هذا يعني أن كفاءته ستكون جيدة فقط مثل الإعداد الخاص بك. إذا فشلت في إنشاء إستراتيجية أتمتة التسويق الصحيحة ، فلن تساعدك حتى أفضل الأدوات على دفع عملك إلى الأمام.

بعد ذلك ، ما لم يكن الإعداد بسيطًا للغاية ، فمن غير المرجح أن تحصل على كل شيء بالشكل الصحيح في المرة الأولى. وحتى إذا قمت بذلك ، فهناك دائمًا مجال للتحسين.

على سبيل المثال ، فكر في أتمتة التسويق عبر البريد الإلكتروني. لكي تنجح ، تحتاج إلى التحضير:

• التقيد بالبريد الإلكتروني
• مغناطيس من الرصاص
• تسلسل البريد الإلكتروني
• سير عمل الأتمتة

ما ورد أعلاه وحده يتطلب الكثير من العمل.

والأكثر من ذلك ، أنه كلما قمت بالأتمتة ، زادت قدرتك على الاختبار. هذا يضيف المزيد من المهام إلى عبء العمل الخاص بك.

في المثال أعلاه ، يمكنك اختبار كل عنصر عدة مرات ، بأشكال متعددة. فكر في خيارات الاشتراك المختلفة و CTAs والأزرار ومغناطيس الرصاص ورسائل البريد الإلكتروني ... وأثناء اختبار كل هذه الأشياء ، تحتاج إلى مراجعة جميع بيانات الاختبار هذه. قم بتغيير التصميمات أو تحرير مهام سير العمل أو اضبط معايير نقاط العميل المتوقع. ولكن هذا هو المكان الذي نصل إليه رقم 3.

باستخدام الخوارزمية الصحيحة ، يمكن أن تتعلم الأتمتة من البيانات السابقة. لقد ذكرنا بالفعل الخوارزميات التنبؤية أو اختبارات MAB ذاتية الضبط ، والتي يمكنها أتمتة بعض الأعمال التي تحتاج إلى القيام بها في رقم 2.

بالطبع ، لا يمكن أن يغير التصميمات بالنسبة لك. ولكن ، كما ذكرنا سابقًا ، يمكن لبعض حلول أتمتة التسويق ضبط سير العمل ذاتيًا. عندما يتعلق الأمر بالأتمتة البسيطة ، يمكن للتعلم الآلي بالفعل أتمتة كل شيء تقريبًا!

وخير مثال على ذلك هو chatbot. بينما لا تزال بحاجة إلى إنشاء الإعداد الأولي ، يمكن لبعض روبوتات المحادثة بالفعل التعلم وبناء تسلسلات كاملة بناءً على محادثتهم السابقة مع البشر. هذا يسمح لهم بالتكيف الذاتي وتحسين التجربة التي يقدمونها لجمهورك. إذا فكرت في الأمر ، فليس من المستغرب أن يصل سوق هذه الأداة (الجديدة نسبيًا) إلى 1.3 مليار دولار بحلول عام 2025.

بالطبع ، حتى خوارزميات التعلم الآلي تحتاج إلى الإشراف ، خاصة عندما تتجاوز محادثة بسيطة يمكن التنبؤ بها 1-1.

على سبيل المثال ، بينما حقق كل من Lyft و Netflix نجاحًا كبيرًا من خلال أتمتة التسويق المعتمدة على الذكاء الاصطناعي ، لم يكن أي من الأتمتة مؤتمت بالكامل.

في حالة Lyft ، بصرف النظر عن إنشاء المنصة وإدارتها ، لا يزال إعدادها يتطلب ردود فعل بشرية. بدونها ، خاطرت الشركة بما يسمى مشكلة القمامة في القمامة. إذا كانت البيانات المستخدمة لتدريب النموذج ذات جودة رديئة ، فإن النتائج التي قدمتها الأتمتة لن تفيد الأعمال.

هذا يعني أنه على الرغم من أن أجهزة الكمبيوتر يمكنها أتمتة المزيد من عمليات التسويق الخاصة بك أكثر من أي وقت مضى ، فلا يزال يتعذر عليك التعامل مع أتمتة التسويق على أنها شيء لا تحتاج إلى تدخل فيه. على الأقل ليس إذا كنت ترغب في تحقيق نتائج تسويقية مذهلة.

ولكن ، إذا كان هناك شيء واحد نحن على يقين من أن التعلم الآلي وأتمتة التسويق هو أن العمل الذي تضعه فيه يمكن أن يدر عليك 10 أضعاف أو أكثر. وكما أنت على وشك أن ترى ، فإن المزيد والمزيد من الشركات تدرك مدى القوة التي يمكن أن يكون عليها هذا الزواج.

هل التعلم الآلي هو مستقبل أتمتة التسويق؟

إذا كنت تفكر في كل شيء يمكن أن يفعله التعلم الآلي ، فيبدو واضحًا أن الإجابة المعقولة الوحيدة على السؤال أعلاه هي "نعم ، إنها كذلك!".

لكن علي أن أختلف. ومع ذلك ، هذا ليس لأنني أعتقد أن التعلم الآلي ليس مستقبل أتمتة التسويق.

بدلاً من ذلك ، أعتقد أن ML هو بالفعل جزء لا يتجزأ من أتمتة التسويق. بدأ "سباق التسلح" بالفعل.

تعرف الشركات مدى أهمية البيانات التي تجمعها - ويمكنها استخدام الخوارزميات لتعلم برامج أتمتة التسويق من تلك البيانات.

وفقًا لمسح أجرته Martech.org ، كانت أدوات أتمتة التسويق وتوزيع البريد الإلكتروني تتصدر قائمة أدوات التسويق التي حلت محلها الشركات في عام 2020.

السبب الرئيسي؟ استشهد أكثر من نصف الشركات بميزات أفضل باعتبارها السبب الرئيسي وراء قرارهم القفز على السفينة والبحث عن مزود آخر. هذا أعلى بـ19 نقطة مئوية مما كان عليه قبل عامين فقط!

يرى السوق الفرصة - ويستجيب لها بسرعة. وفقًا لتقرير MarTech 5000 ، تعد البيانات هي فئة حلول SaaS الأسرع نموًا ، بنسبة مذهلة تبلغ 25.5٪

بالطبع ، لا يزال التعلم الآلي في أتمتة التسويق في مهده. من الصعب التنبؤ بشكل كامل بالشكل الذي ستبدو عليه المناظر الطبيعية في غضون بضع سنوات. ومثل أي تقنية ، فإنها تأتي مع بعض المخاطر والقيود التي يجب أن تكون على دراية بها.

مخاطر وتحديات تعلم بيانات أتمتة التسويق

التعلم الآلي هو كل شيء عن البيانات. كلما زادت البيانات التي تجمعها ، زادت كفاءة أتمتة التسويق التي تعتمد على التعلم الآلي.

نتيجة لذلك ، ترتبط العديد من المخاطر ، بطريقة ما ، بالبيانات التي تجمعها. الأكثر شيوعًا تشمل:

• جمع البيانات ذات الجودة الرديئة. لقد تطرقنا بالفعل إلى هذا الموضوع من قبل. إذا كانت البيانات التي تجمعها لا تمثل تمثيلًا جيدًا لجمهورك ، فلا يمكنك حقًا استخدامها لتدريب خوارزميات التعلم الآلي الخاصة بك.
• التغييرات التنظيمية. اعتمادًا على الأسواق التي تعمل فيها ، تحكم القوانين المختلفة ما يمكنك وما لا يمكنك فعله ببياناتك. تأكد من أنك تفهم ما هو مسموح به (وما هو غير مسموح).
• تفويض التعامل مع بياناتك إلى مزودي الطرف الثالث غير الممتثلين. البيانات لا تقدر بثمن - سواء بالنسبة لك أو للأشخاص الذين يشاركونها معك (جمهورك). عند اختيار أدوات للتعامل مع بيانات عملائك ، حدد دائمًا موفري أتمتة التسويق عالي الجودة والمتوافقين مع لوائح خصوصية البيانات والتعامل معها.

تتعلق المخاطر الأخرى بالطريقة التي تفكر بها حول دمج التعلم الآلي والأتمتة الآلية في عملك:

• عدم وجود استراتيجية. إذا كنت لا تعرف لماذا (وكيف) تريد الاستفادة من التعلم الآلي والأتمتة في مؤسستك ، فمن غير المرجح أن تنجح في ذلك.
• توقع أن يقوم التعلم الآلي بكل العمل نيابة عنك. كما تمت مناقشته سابقًا ، يمكن للتعلم الآلي القيام بنصيب الأسد من العمل نيابة عنك. لكنك ما زلت بحاجة إلى شخص ما للإشراف على الخوارزمية.
• معاملة الخوارزميات على أنها معصومة من الخطأ. خوارزميات التعلم الذاتي شيء عظيم. إنها توفر لك الوقت وتوفر لك رؤى ربما لم ترصدها بنفسك من قبل. ومع ذلك ، هذا لا يعني أنهم لن يفشلوا أو يقدموا لك نتائج خاطئة.

يتمثل الخطر الأخير ، ولكن الأكثر أهمية في بعض الحالات ، في الوقوع في فخ معاملة جمهورك على أنهم مجرد أجزاء من البيانات.

بالتأكيد ، أنت تريد تحقيق عائد استثمار كبير على جهودك التسويقية. لكن لا تجرد جمهورك من إنسانيته.

تذكر دائمًا أنه وراء كل جزء من البيانات ، يوجد إنسان. هذا هو الإنسان الذي تريد التركيز عليه عند تنفيذ إستراتيجيتك التسويقية.

لذلك ، بينما نشجعك بشدة على البدء في النظر في كيف يمكن أن يفيد ثنائي التعلم الآلي وأتمتة التسويق عملك ، لا تنسَ منح جمهورك الاحترام الذي يستحقه.

إذا كان بإمكانك تحقيق التوازن بين الحاجة إلى البيانات في التعلم الآلي مع احترام خصوصية جمهورك ، فأنت في طريقك لتحقيق نتائج أعمال رائعة.

خاتمة. لقد حان وقت العمل

على الرغم من "الوجود السائد" ، لا يزال هناك العديد من الأساطير حول الذكاء الاصطناعي والتعلم الآلي.

يعتقد البعض أن الذكاء الاصطناعي وأتمتة التسويق ستحل محل البشر. حتى أن البعض الآخر خائف من أن التكنولوجيا ستقتلنا جميعًا قريبًا.

قد يكون هذا صحيحًا إذا لم يكن العلماء الذين يعملون عليه حذرين. ولكن حتى الآن ، الشيء الوحيد الذي يقتله الذكاء الاصطناعي والتعلم الآلي هو الشركات التي تفشل في التكيف.

ومع ذلك ، لا يتم القضاء عليهم بواسطة الذكاء الاصطناعي والتعلم الآلي نفسه. بدلاً من ذلك ، من قبل أولئك الذين يطبقون حلول أتمتة التسويق المتقدمة في أعمالهم. يتضمن ذلك أتمتة التسويق القائمة على التعلم الآلي.

بالطبع ، حتى أفضل أتمتة تسويق بعيدة عن أن تحل محلنا تمامًا في عملنا اليومي. ومع ذلك ، ليس هناك شك في أن التعلم الآلي يمكن أن يحسن بشكل كبير الطريقة التي نتعامل بها ونكتسب رؤى من بياناتنا.

هذا طالما أن لديك كل الأساسيات في مكانها.

الخطوة الأولى؟

اكتشف كيف يمكن لأتمتة التسويق وأداة مثل Encharge مساعدتك في عملك. دعنا نساعدك في اختيار الاستراتيجية المناسبة لاحتياجاتك ، حدد موعدًا لمكالمة سريعة مع أحد خبرائنا ، ودعنا نتحدث عن عملك.