Komercistoj kaj Maŝina Lernado: Pli Rapida, Pli Lerta, Pli Efika

maŝinlernado

Dum jardekoj A / B-testado estas uzata de merkatistoj por determini la efikecon de ofertoj por veturi respondajn indicojn. Vendantoj prezentas du versiojn (A kaj B), mezuras la respondan rapidon, determinas la gajnanto, kaj tiam liveru tiun oferton al ĉiuj.

Sed, ni komprenu. Ĉi tiu aliro estas kriplige malrapida, teda kaj nepravigebla malpreciza - precipe kiam vi aplikas ĝin al poŝtelefono. Kion poŝtelefona vendisto vere bezonas estas maniero determini la ĝustan oferton por ĉiu kliento en difinita kunteksto.

Poŝtelefonaj abonantoj prezentas unikan defion kiam temas pri identigi la optimuman manieron engaĝi ilin kaj instigi agon. La kuntekstoj de moveblaj uzantoj kontinue ŝanĝiĝas, malfaciligante determini la kiam, la kie kaj la kiel partopreni kun ili. Por pliigi la defion, moveblaj uzantoj atendas altan gradon de personigo, kiam temas pri interagado kun ili per sia propra aparato. Do la tradicia A / B-aliro - kie ĉiuj ricevas la gajnanto - mankas al merkatistoj kaj konsumantoj.

Por kontraŭbatali ĉi tiujn defiojn - kaj realigi la plenan potencialon de poŝtelefonoj - merkatistoj sin turnas al grandaj datumaj teknologioj kapablaj progresigi kondutanalizon kaj aŭtomatan decidadon por determini la ĝustan mesaĝon kaj la ĝustan kuntekston por ĉiu individua kliento.

maŝino LernadoPor fari tion skale, ili utiligas maŝinlernado. Maŝinlernado havas la kapablon adaptiĝi al novaj datenoj - sen esti eksplicite programita por ĝi - en manieroj kiujn homoj ne povas aliri. Simile al datumminado, maŝinlernado serĉas per amasaj kvantoj de datumoj serĉante ŝablonojn. Tamen, anstataŭ ĉerpi komprenojn por homa ago, maŝina lernado uzas la datumojn por plibonigi la propran komprenon de la programo kaj aŭtomate agordi agojn laŭe. Esence ĝi provas A / B pri aŭtomata rapidregado.

La kialo, ke ĝi estas ludŝanĝilo por hodiaŭaj poŝtelefonaj vendistoj, estas ĉar maŝina lernado aŭtomatigas la testadon de senfina nombro da mesaĝoj, ofertoj kaj kuntekstoj, kaj tiam determinas, kio funkcias plej bone por kiu, kiam kaj kie. Pensu ofertas A kaj B, sed ankaŭ E, G, H, M kaj P kune kun multaj ajn kuntekstoj.

Kun maŝinlernaj kapabloj, la procezo de registrado de elementoj de sendado de mesaĝoj (ekz. Kiam ili estis senditaj, al kiu, kun kiaj ofertaj parametroj, ktp.) Kaj la elementoj de oferto-respondo estas aŭtomate registritaj. Ĉu ofertoj aŭ ne estas akceptitaj, la respondoj estas kaptitaj kiel reagoj, kiuj tiam pelas malsamajn specojn de aŭtomata modelado por optimumigo. Ĉi tiu retrospira buklo kutimas agordi postajn aplikojn de la samaj ofertoj al aliaj klientoj kaj aliajn ofertojn al la samaj klientoj, por ke estontaj ofertoj havu pli altan probablon de sukceso.

Forigante la divenojn, merkatistoj povas pasigi pli da tempo pensante kreive pri tio, kio donas pli da valoro al klientoj kontraŭ kiel aŭ kiam liveri ĝin.

Ĉi tiuj unikaj kapabloj, ebligitaj de progresoj en prilaborado, stokado, pridemandado kaj maŝinlernado de grandaj datumoj, estas hodiaŭ pintaj en la poŝtelefona industrio. Poŝtelefonaj funkciigistoj uzas ilin por formi interesajn kondutajn komprenojn kaj krei engaĝajn merkatajn kampanjojn, kiuj finfine influas klientan konduton por plibonigi lojalecon, redukti ĉagrenon kaj draste akiri enspezojn.

2 Komentoj

  1. 1

    Estas vere interese legi pri la defioj, kiujn alportas poŝtelefonoj, kaj kiel merkatistoj kapablas uzi komputan potencon por rapide prezenti ne nur unu el du ebloj, sed unu el multaj ebloj. Ricevante la ĝustan mesaĝon al la taŭgaj klientoj. Tia antaŭpensa kaj efika uzo de teknologio.

  2. 2

    Kun la novaj tendencoj en teknologio estas bone esti ĝisdatigita pri kio okazas kaj havi la scion pri merkatado de viaj produktoj. Bonega informo, amis vian artikolon!

Kion vi pensas?

Ĉi tiu retejo uzas Akismeton por redukti spamon. Lernu, kiel via komento datiĝas.