El marketing personalizado para consumidores minoristas y el marketing basado en cuentas para clientes B2B ahora tienen un valor comprobado. Las interacciones en línea con los clientes generan grandes volúmenes de datos para el aprendizaje granular sobre el comportamiento del consumidor para personalizar recomendaciones de productos, mensajes y contenido.
La pieza que falta es una escalable y una forma justo a tiempo de evaluar las preferencias de los clientes y hacer recomendaciones de productos a medida que los visitantes interactúan con los sitios web. Los algoritmos de aprendizaje de refuerzo profundo se han entrenado hasta el nivel de umbral, donde comienzan a lograr tasas de conversión para igualar los costos del análisis de datos.
Consolidación del aprendizaje
La piedra de toque del aprendizaje por refuerzo (RL) es que experimenta con múltiples caminos para lograr el objetivo de adquirir clientes o cualquier otro objetivo. Éste repetir para una variedad de precios, recomendaciones de productos, anuncios y contenido para reducir el método más efectivo que motivará a cualquier persona a convertirse en cliente. (Lea también: Aprendizaje por refuerzo versus aprendizaje por refuerzo profundo: ¿cuál es la diferencia?)
El aprendizaje profundo (DL), por el contrario, encuentra patrones en los datos con algoritmos específicos, pero no con objetivos finales predeterminados en mente. Para fines de marketing, RL mapea el espectro de recorridos del cliente que terminan con su compra en una diversidad de segmentos de mercado. (Lea también: ¿Cuál es la diferencia entre el aprendizaje profundo y el aprendizaje automático?)
El aprendizaje se trata de mantener e informar las interacciones de los clientes para aumentar las ventas, realizar ventas cruzadas y generar más ingresos de cada cliente a lo largo del ciclo de vida de su relación con el proveedor.
Mercadeo personalizado
Sin duda, el marketing personalizado mejora mucho la eficiencia en la captación de clientes. Los costos de adquisición caen enormemente 50%, los ingresos aumentan entre un 5 y un 15 % y la eficacia de los presupuestos de marketing aumenta entre un 10 y un 30 %. Los datos de voz, imágenes y emociones crean vistas vívidas de las personas para informar la personalización que resuena con los clientes.
Si un cliente, por ejemplo, expresa su frustración con las toallas mohosas, un detección de emociones El motor de inteligencia artificial (IA) es capaz de leerlo y puede recomendar instantáneamente una toalla de secado rápido alternativa lanzada recientemente para obtener una venta.
El marketing basado en cuentas (ABM) en las ventas B2B ha aumentado exponencialmente el valor promedio del contrato a medida que se abordan los problemas específicos de los clientes, la venta cruzada es más frecuente y al cultivar relaciones más profundas. Se informa que el valor promedio del contrato ha aumentado en 171 por ciento. los ENJAMBRE logrado por ABM fue mayor que otras iniciativas de marketing por el 71% de una muestra de ejecutivos encuestados.
En cuanto a las relaciones, el 75 % reportó mejoras significativas en sus relaciones con perspectivas de más del 10 %.
Escalar el marketing personalizado
Nicolás Kairinosco-fundador de Empresas de Fountechuna empresa de incubación y financiación de riesgo especializada en IA y fundadora de Prospexuna empresa de generación de leads, explicó cómo el aprendizaje por refuerzo logra niveles escalables de tasas de conversión:
“El aprendizaje por refuerzo evoluciona a medida que aprende de las interacciones con los clientes a lo largo de su proceso de compra. Realiza un seguimiento de si se hizo una cita, si se compartió el contenido del sitio en las redes sociales o si el cliente potencial preguntó sobre los atributos del producto. Los datos de actividad en un dominio, como las ventas de libros, se pueden usar para predecir el comportamiento en otros dominios relacionados, como las compras de películas, con el fin de hacer recomendaciones”.
Métodos
Los gráficos de relaciones son la base para organizar los datos de los clientes para su análisis con RL y otras formas de IA. Estos gráficos, por ejemplo, mapean las redes sociales de las personas.
El comportamiento de compra de los clientes se ve afectado por el boca a boca en su red social. Estos grupos sociales están influenciados por los mensajes de los medios y las conversaciones en las redes sociales. Sus barrios hablan de sus influencias culturales y sus patrones de socialización, como la interacción en grupos profesionales, revelan sus intereses. Se superponen varias capas de datos en el gráfico de relaciones para comprender las causas y los efectos.
Inevitablemente, los grandes volúmenes de datos tienen inicialmente una gran cantidad de ruido inexplicable. «Cuanto mayor sea el volumen de datos que tenga, más probable será la capacidad de estimar promedios de referencia para categorías y subcategorías de clientes con niveles crecientes de precisión», supuso Kairinos. «Los niveles de ruido caen aún más a medida que se aprende más sobre el comportamiento individual y la causa y el efecto de la actividad de compra de cada persona», agregó.
Kairinos también compartió sus pensamientos sobre las brechas de datos y cómo todavía es posible obtener resultados que puedan informar la toma de decisiones. Los consumidores, por ejemplo, eligen entre las ofertas de productos de la competencia, mientras que los proveedores solo pueden analizar los datos de sus propios sitios web y otros datos disponibles públicamente.
“En la mayoría de los casos, no recibimos información sobre la competencia que está protegida por reglas éticas de privacidad. Las herramientas de inteligencia artificial como Prospex recopilan datos para categorías como el patrón de comportamiento en regiones, industrias y edades específicas, lo que incluye a todos los clientes. Las inclinaciones de los clientes individuales se pueden deducir de su afiliación grupal”, dijo Kairinos.
el toque humano
A pesar del uso generalizado de algoritmos sofisticados, las empresas de telemarketing continúan existiendo para validar y aumentar los conjuntos de datos de marketing, que incluyen información sobre los clientes objetivo, antes de que sus clientes la utilicen para tomar decisiones comerciales.
Shahida Afzalel fundador de Soluciones trivialescompartió sus pensamientos sobre cómo los servicios de su empresa continúan siendo valiosos para los consumidores de inteligencia de mercado a pesar de la automatización de la recopilación de datos.
“Los clientes buscan subconjuntos de información que respondan a las preguntas que sus ejecutivos quieren hacer. Las bases de datos comerciales más grandes a menudo no pueden proporcionar información específica, a menudo granular, para sus necesidades exactas, cuya precisión está garantizada”, dijo Afzal.
“Se necesita comunicación humana para comprender las necesidades de datos precisas de los clientes y diseñar estrategias para consultar a los encuestados para extraer la información deseada”, explicó Afzal.
«Los conjuntos de datos se complementan con información contextual, obtenida al hacer preguntas sobre los antecedentes de dónde, cuándo, qué y cómo sucedió algo para comprender los datos en perspectiva», agregó Afzal.
Las personas a menudo desconfían de compartir información interna de la empresa, especialmente si es confidencial o simplemente protegida.
“Construimos relaciones con nuestros encuestados, nos mantenemos educados y persistentes hasta que bajan la guardia y se sienten cómodos hablando de su negocio. Para información confidencial, hacemos preguntas sobre los datos interconectados que nos ayudan a inferir los valores de los datos deseados”, dijo Afzal.
Sobre todo, los clientes consideran la precisión de los datos como un criterio principal para seleccionar su fuente de datos. “Hacemos 50 llamadas telefónicas, en su presencia, para demostrar que los conjuntos de datos comerciales están llenos de errores. Terminan eligiendo nuestros datos ocho de cada diez veces”, dijo Afzal.
Pensamientos finales
DL a menudo ha sido criticado como una caja negra apenas capaz de explicar causa y efecto en la masa de datos que analiza. Al rastrear las rutas de compra de los clientes y las influencias en sus elecciones, RL allana el camino para predecir sus acciones futuras, mejorando drásticamente los resultados.
Sin embargo, se necesita la participación humana para llenar los vacíos que dejan las máquinas.
