Strategi

10 Cara Merevolusi Pemasaran oleh Machine Learning

By Tim Editor27 Februari 2018 2 Mins Read
257 0

Mengukur banyak kontribusi pemasaran terhadap pertumbuhan pendapatan menjadi lebih akurat dan real-time berkat analisis dan mesin pembelajaran. 

Pemasar terbaik menggunakan mesin pembelajaran untuk memahami, mengantisipasi dan bertindak atas masalah yang prospek penjualannya berusaha mereka selesaikan dengan lebih cepat dan lebih jelas daripada pesaing manapun. Memiliki wawasan untuk menyesuaikan konten sementara kualifikasi menyebabkan penjualan ditutup dengan cepat didorong oleh aplikasi berbasis pembelajaran mesin yang dapat mempelajari apa yang paling efektif untuk setiap prospek dan pelanggan. Mesin belajar mengambil konten kontekstual, otomasi pemasaran termasuk kampanye pemasaran lintas saluran dan penilaian timbal balik, personalisasi, dan peramalan penjualan ke tingkat akurasi dan kecepatan yang baru.

Bagian pemasaran terkuat mengandalkan seperangkat analisis dan Key Performance Indicators (KPI) yang kuat untuk mengukur kemajuan mereka terhadap sasaran pertumbuhan pendapatan dan pelanggan. Dengan pembelajaran mesin, departemen pemasaran akan dapat memberikan kontribusi yang lebih signifikan terhadap pertumbuhan pendapatan, memperkuat hubungan dengan pelanggan dalam prosesnya.

Berikut adalah 10 cara mesin pembelajaran merevolusi pemasaran hari ini dan di masa depan:

  1. 57% eksekutif perusahaan percaya bahwa manfaat pertumbuhan AI dan mesin yang paling signifikan akan meningkatkan pengalaman dan dukungan pelanggan. 44% percaya bahwa pembelajaran AI dan mesin akan memberikan kemampuan untuk memperbaiki produk dan layanan yang ada. Bagian pemasaran dan Chief Marketing Officers (CMO) yang menjalankannya adalah para pemimpin yang merancang dan meluncurkan strategi baru untuk memberikan pengalaman pelanggan yang sangat baik dan merupakan salah satu pengadopsi awal pembelajaran mesin. Mempersiapkan setiap aspek untuk menarik, menjual dan melayani pelanggan ditingkatkan oleh pemasar yang menggunakan aplikasi pembelajaran mesin untuk memprediksi hasil secara lebih akurat. Sumber: Kecerdasan Buatan: Apa Kemungkinan Usaha pada tahun 2017 (PDF, 16 hal., Tidak ada pilihan), Forrester, oleh Mike Gualtieri, 1 November 2016. Courtesy of The Stack.

2. 58% perusahaan menangani masalah pemasaran yang paling menantang dengan AI dan pembelajaran mesin terlebih dahulu, memprioritaskan layanan pelanggan     yang dipersonalisasi, pengembangan produk baru. Area pemasaran "perlu dilakukan" ini memiliki kompleksitas dan keuntungan tertinggi. Pemasar belum terlalu           menekankan bidang "harus melakukan" manfaat tinggi dan kompleksitas rendah sesuai dengan analisis Capgemini. Area aplikasi ini meliputi Chatbots dan virtual         assistant, mengurangi churn pendapatan, pengenalan wajah dan rekomendasi produk dan layanan. Sumber: Mengubah AI menjadi nilai konkret: toolkit pelaksana         yang berhasil, Capgemini Consulting. 2017. (PDF, 28 hal., Tidak ikut serta).

3. Pada tahun 2020, iklan personal real-time di seluruh platform digital dan akurasi penargetan pesan yang optimal, konteks dan presisi akan meningkat. Efek                 gabungan dari peningkatan teknologi pemasaran ini akan meningkatkan efektivitas penjualan di saluran berbasis ritel dan B2C. Sales Lead Lead (Leader Lead) yang     berkualitas juga akan meningkat, berpotensi mengurangi siklus penjualan dan tingkat kemenangan yang meningkat. Sumber: Dapatkah Mesin Menjadi Kreatif?       Bagaimana Teknologi Mengubah Personalisasi Pemasaran dan Relevansi, Kertas Putih IDC Disponsori oleh Gerry Brown, Juli 2017.

4. Menganalisa dan mengurangi secara signifikan gejolak pelanggan dengan menggunakan mesin pembelajaran untuk merampingkan prediksi risiko dan model             intervensi. Alih-alih mengandalkan pendekatan yang mahal dan memakan waktu untuk meminimalkan gejolak pelanggan, perusahaan telekomunikasi dan                     perusahaan-perusahaan di industri dengan tenaga tinggi beralih ke pembelajaran mesin. Grafik berikut menggambarkan bagaimana menentukan model risiko                 membantu menentukan bagaimana tindakan yang bertujuan untuk mencegah churn mempengaruhi probabilitas dan risiko dampak churn. Model intervensi                     memungkinkan pemasar untuk mempertimbangkan bagaimana tingkat intervensi dapat mempengaruhi probabilitas churn dan jumlah nilai lifetime customer (CLV).         Sumber: Menganalisis Customer Churn dengan menggunakan Azure Machine Learning

5. Optimalisasi harga dan elastisitas harga tumbuh di luar industri dengan persediaan terbatas termasuk maskapai penerbangan dan hotel, berkembang biak menjadi     manufaktur dan jasa. Semua pemasar semakin mengandalkan pembelajaran mesin untuk menentukan harga kompetitif dan kontekstual yang lebih kompetitif.               Aplikasi pembelajaran mesin menskalakan pengoptimalan harga di luar perusahaan penerbangan, hotel, dan acara untuk mencakup skenario harga produk dan             layanan. Pembelajaran mesin sedang digunakan saat ini untuk menentukan elastisitas harga oleh setiap produk, melakukan anjak piutang di segmen saluran,               segmen pelanggan, periode penjualan dan posisi produk dalam strategi penetapan harga lini produk secara keseluruhan. Contoh berikut adalah dari Solusi Pre-             Configure Microsoft Analytics Microsoft Azure (PCS). Sumber: Azure Cortana Interactive Pricing Analytics Pre-Configured Solution.

6. Meningkatkan peramalan permintaan, efisiensi dan penetapan harga dalam pemasaran ritel memiliki potensi untuk menghasilkan peningkatan 2% pada Laba           Sebelum Bunga & Pajak (EBIT), pengurangan 20% saham dan 2 juta lebih sedikit pengembalian produk setahun. Dalam Consumer Packaged Goods (CPQ) dan           organisasi pemasaran eceran, ada potensi signifikan untuk pembelajaran AI dan mesin untuk memperbaiki keseluruhan kinerja rantai nilai. McKinsey menemukan         bahwa menggunakan pendekatan terpadu untuk menerapkan pembelajaran AI dan mesin di rantai nilai pengecer berpotensi menghasilkan peningkatan 50% dari           berbagai macam efisiensi dan peningkatan penjualan online 30% menggunakan penetapan harga dinamis. Sumber: Kecerdasan Buatan: The Next Frontier?                 McKinsey Global Institute (PDF, 80 pp., Tidak ikut serta)

7. Menciptakan dan menyempurnakan model kecenderungan yang memandu strategi penjualan silang dan penjualan habis berdasarkan lini produk, segmen pelanggan, dan merupakan hal yang biasa untuk menemukan pemasar berbasis data yang membangun dan menggunakan model kecenderungan untuk menentukan produk dan layanan dengan probabilitas tertinggi untuk menjadi dibeli Terlalu sering model kecenderungan didasarkan pada data yang diimpor, yang dibuat di Microsoft Excel, membuat penggunaan mereka terus-menerus memakan waktu. Pembelajaran mesin merampingkan penciptaan, penyempurnaan dan kontribusi pendapatan dari strategi penjualan naik dan cross-sell dengan mengotomatisasi keseluruhan kemajuan. Layar di bawah ini adalah contoh model kecenderungan.

8. Ketepatan skor pemeringkatan meningkat, menyebabkan peningkatan penjualan yang dapat dilacak kembali ke kampanye pemasaran awal dan strategi penjualan.     Dengan menggunakan pembelajaran mesin untuk memenuhi syarat daftar pelanggan dan prospek lebih lanjut dengan menggunakan data yang relevan dari web,           model prediktif termasuk pembelajaran mesin dapat memprediksi profil pelanggan ideal dengan lebih baik. Setiap prediktor prediksi penjualan menjadi prediktor yang     lebih baik dari penjualan baru yang potensial, membantu penjualan memprioritaskan waktu, upaya penjualan dan strategi penjualan. Dua slide berikut berasal dari         webinar yang sangat bagus Mintigo yang di host dengan Sirius Decisions and Sales Hacker. Ini adalah tampilan yang menarik tentang bagaimana pembelajaran           mesin meningkatkan efektivitas penjualan. Sumber: Berikan SDR Anda Keuntungan yang Tidak Sehat dengan Prediktif (slide webinar di Slideshare).

9. Mengidentifikasi dan menentukan proyeksi penjualan segmen pelanggan dan mikrosegmentasi tertentu menggunakan pemodelan RFM (resitasi, frekuensi dan           moneter) dalam aplikasi pembelajaran mesin menjadi sangat luas. Menggunakan analisis RFM sebagai bagian dari inisiatif pembelajaran mesin dapat memberikan       definisi yang akurat tentang pelanggan terbaik, paling loyal, pembelanja terbesar, hampir kehilangan, kehilangan pelanggan dan kehilangan pelanggan murah.

10. Mengoptimalkan bauran pemasaran dengan menentukan penawaran penjualan, insentif dan program mana yang disajikan dimana prospek melalui mana saluran adalah cara lain pembelajaran mesin merevolusi pemasaran. Penawaran penjualan khusus dibuat didukung oleh konten, penawaran, dan insentif kontekstual. Item ini tersedia untuk mesin pengoptimalan yang menggunakan logika pembelajaran mesin untuk terus mencoba kombinasi kombinasi elemen bauran pemasaran terbaik yang akan menghasilkan penjualan baru, penjualan baru atau cross-sell. Fitur rekomendasi produk Amazon adalah contoh bagaimana situs e-commerce mereka menggunakan pembelajaran mesin untuk meningkatkan penjualan produk sampingan, penjualan silang dan produk yang direkomendasikan.

(Sumber: forbes.com)

Related Articles
Strategi

Realitas Pasar Properti

By Tim Editor19 September 2018 3 Mins Read
Strategi

Hal yang Harus Dipertimbangkan Saat Membeli Waralaba

By Tim Editor19 September 2018 1 Mins Read
Strategi

Model Bisnis Ini Akan Memberi Anda Keuntungan

By Tim Editor19 September 2018 2 Mins Read
Strategi

Restoran di Boston Gunakan Koki Robot

By Tim Editor07 Mei 2018 2 Mins Read
Strategi

5 Alasan Psikologis dalam Pemasaran

By Tim Editor18 September 2018 2 Mins Read
Strategi

Sebelum Launching, Pasarkan Dulu Startup Anda dengan Baik

By Tim Editor18 September 2018 2 Mins Read
Strategi

Baidu Coba Terapkan A.I. dan Mobil Self-Driving di Luar Cina

By Tim Editor17 September 2018 2 Mins Read
Strategi

CEO Shiseido Beli Beberapa Start-up

By Tim Editor17 September 2018 2 Mins Read
Comments
Write Comment