La competencia entre las empresas para captar la atención del cliente nunca ha sido tan alta. Con un gasto en advertising and marketing digital proyectado para llegar a $ 692.3B1 a nivel mundial para 2024, las empresas deben considerar que más advertising and marketing no necesariamente conduce a una mayor adquisición de clientes. Las empresas ofrecen incentivos como cupones para impulsar las ventas. Al aprovechar la IA para dirigirse a los prospectos correctos con promociones personalizadas basadas en los atributos únicos y el historial de compras de cada cliente, las empresas pueden optimizar la segmentación de clientes y maximizar las conversiones.
Inicie un fuerte compromiso con el cliente ofreciendo los incentivos adecuados
En un enfoque de advertising and marketing más tradicional, tomaría su lista de clientes y la segmentaría en distintos grupos según las características compartidas, como la región. Luego puede seleccionar un cupón específico para todos en ese segmento para aumentar las ventas trimestrales.
El problema con este enfoque es que a menudo pasa por alto los deseos y características únicos de los clientes individuales. Lo que podría ser el incentivo correcto para comprar para un cliente puede no atraer a un cliente casi idéntico. Debe encontrar una forma más exacta de colocar el materials correcto frente a cada prospecto para maximizar el compromiso.
¿Cómo puede AI dirigirse a los clientes potenciales adecuados con una personalización más nítida?
Inteligencia synthetic (IA) puede ayudarlo a mejorar la tasa de respuesta en sus ofertas de cupones al permitirle considerar las características únicas y la amplia gama de datos recopilados en línea y fuera de línea de cada cliente y presentarles las ofertas más atractivas.
Puede aprender que los clientes que se agruparon utilizando un enfoque tradicional de segmentación de mercado se ven muy diferentes después de una aprendizaje automático análisis asistido.
Para resolver este problema, puede aprovechar conjuntos de datos con información demográfica y transaccional junto con detalles de productos y campañas de advertising and marketing. Ingiera sus datos y DataRobot usará todos estos puntos de datos para entrenar un modelo, y una vez que se implemente, su equipo de advertising and marketing podrá obtener una predicción para saber si es possible que un cliente canjee un cupón o no y por qué.
Todo esto se puede integrar con la aplicación de automatización de advertising and marketing que elija. Por ejemplo, podría configurar una canalización de datos que entregue predicciones de DataRobot a HubSpot para iniciar ofertas automáticamente dentro de las reglas comerciales que establezca. También puede usar las predicciones para visualizar un panel o informe de BI para que accedan sus gerentes de advertising and marketing.
A partir de ahí, su equipo de advertising and marketing puede priorizar y dirigirse a los clientes que recibirán cupones. DataRobot también le brinda detalles sobre cómo llegó a esa conclusión. Esta explicabilidad de las predicciones puede ayudarlo a ver cómo y por qué la IA llegó a estas predicciones.
Comience con DataRobot y elija su variable objetivo
Para comenzar con DataRobot, conecte o importe los conjuntos de datos que ya tiene de sus canales existentes de mar-tech, CRM y ventas y advertising and marketing fuera de línea. Puede cargar todos estos conjuntos de datos en nuestro catálogo de IA y comenzar un proyecto desde allí.
En este caso, los conjuntos de datos incluyen información demográfica de los clientes, además de un conjunto de datos con más información sobre las campañas de advertising and marketing y otros dos que proporcionarán información sobre transacciones pasadas e información del producto a nivel de SKU. Todos estos archivos tienen una combinación de funciones numéricas, categóricas y de fecha, pero recuerde que DataRobot también puede manejar imágenes, texto y funciones de ubicación.
Comencé mi proyecto con un conjunto de datos easy con información histórica de los cupones enviados a los clientes y una variable objetivo que capturaba información sobre si el cupón se canjeó o no en el pasado. A medida que carga sus datos, DataRobot realizará un análisis de datos exploratorio inicial para obtener una comprensión más profunda del conjunto de datos antes del entrenamiento del modelo. A continuación, elija su variable objetivo; en este caso, se detecta automáticamente como un problema de clasificación y se recomienda una métrica de optimización.
Automatice la ingeniería de características
DataRobot acelerará el aprendizaje automático mediante la automatización de la ingeniería de funciones, que a menudo se considera uno de los pasos más laboriosos y lentos en el camino hacia el valor. Los enfoques tradicionales son manuales y requieren experiencia en el dominio. Esto significa crear cientos de funciones para cientos de algoritmos de aprendizaje automático: este enfoque de la ingeniería de funciones no es escalable ni rentable.
A diferencia de, robotic de datos simplifica el proceso de ingeniería de características al automatizar el descubrimiento y la extracción de variables explicativas relevantes de múltiples fuentes de datos relacionadas. Esto le permite construir mejor modelos de aprendizaje automático en menos tiempo y aumenta el ritmo de la innovación con IA.
Comencé con un solo conjunto de datos que contenía información básica sobre los cupones canjeados o no por los clientes y lo mejoré uniendo conjuntos de datos secundarios adicionales de todas las demás fuentes de datos relevantes. Puede crear una configuración de relación mediante uniones de clave easy o uniones de clave múltiple más complejas entre sus conjuntos de datos.
Entrenamiento y prueba de diferentes modelos de IA
A medida que DataRobot comienza a construir modelos predictivos, un gran depósito de paquetes de código abierto y propietarios experimentará con varias técnicas de modelado. El proceso de selección de modelos probará varios modelos para ver cuál es possible que produzca los mejores resultados. Aumente el número de trabajadores para crear modelos en paralelo con un gran repositorio de paquetes propietarios y de código abierto.
DataRobot probará varias técnicas de modelado y los modelos que sobrevivan a la primera ronda recibirán más datos y pasarán a la siguiente ronda. En última instancia, solo sobrevivirán los mejores algoritmos que resuelvan problemas específicos.
Mirando la tabla de clasificación de modelos, puede ver que DataRobot construyó más de 100 modelos y eligió un ganador. Puede inspeccionar el plano del modelo y ver todos los pasos de preprocesamiento que se tomaron para tenerlo listo.
Si desea obtener más información, haga clic en los enlaces y DataRobot generará una documentación clara que explica los detalles de lo que hizo DataRobot en cada paso en explicit. Ahora, si desea avanzar con el modelo, el siguiente paso es evaluar el ajuste.
Evalúe el ajuste del modelo y comprenda cómo las características afectan las predicciones
La pestaña de evaluación nos brinda algunas herramientas útiles de evaluación. El gráfico de elevación muestra el ajuste del modelo a lo largo de la distribución de predicción, mientras que una curva ROC explora la clasificación, el rendimiento y las estadísticas relacionadas con un modelo seleccionado en cualquier punto de la escala de probabilidad.
Una vez que haya evaluado el ajuste de su modelo, el siguiente paso es comprender cómo las características afectan las predicciones. Characteristic Discovery le permite mejorar significativamente el rendimiento basic del modelo mediante la generación inteligente de las funciones adecuadas para sus modelos.
Para este modelo de oferta de advertising and marketing, las características más importantes son la oferta de descuento promedio que recibió un cliente en los últimos 30 días, el día del mes en que se realiza una transacción, la duración de una campaña y otras características con montos promedio y mínimo. valores.
Si abre estas funciones, puede acceder al linaje de funciones, que visualiza cómo se creó una función.
Si el modelo se ve bien, es hora de implementarlo. DataRobot le permite implementar el modelo en un punto remaining con una API que puede ofrecer predicciones en tiempo actual. Si hace clic en ‘Despliegues’ puede ver el MLOps de DataRobot panel.
En este ejemplo, se están monitoreando 17 implementaciones activas. Al hacer clic en el Advertising Deployment, que ha estado sirviendo predicciones durante algunos días, puede ver una pantalla de descripción basic que le brinda:
- Una vista de primera línea sobre el estado del servicio
- Una mirada a la deriva de datos
- Una imagen clara de la precisión del modelo.
También tiene información de gobierno, como cuándo y quién creó la implementación y quién estuvo involucrado en el flujo de trabajo de revisión y aprobación, que es importante para auditorías y propósitos de riesgo y cumplimiento.
Integre las predicciones del modelo con su tecnología existente
Una vez que el modelo está en su lugar y arroja resultados, puede usar una API de DataRobot para integrar las predicciones del modelo con sus sistemas CRM y de tecnología de mar existentes, como Tableau o HubSpot. Esto le permite automatizar el proceso y ofrecer promociones dirigidas a los clientes específicos que tienen más probabilidades de usarlas.
Para ver cómo puede aprovechar la IA para dirigirse mejor a sus clientes potenciales y clientes con las promociones que es más possible que acepten, mire el video de demostración completo: Descripción basic de la plataforma DataRobot: resolución de problemas comerciales a escala.
1 https://www.statista.com/outlook/dmo/digital-advertising/worldwide#ad-spending
Sobre el Autor
Científico de datos sénior, líder de equipo y líder de WaiCAMP DataRobot
Belén trabaja para acelerar la adopción de IA en empresas de Estados Unidos y América Latina. Ha contribuido al diseño y desarrollo de soluciones de inteligencia synthetic en las industrias minorista, educativa y de atención médica. Es líder de WaiCAMP de la Universidad DataRobot, una iniciativa que contribuye a la reducción de la brecha de género en la industria de IA en América Latina a través de la educación pragmática sobre IA. También formó parte del programa AI for Good: Powered by DataRobot, que se asocia con organizaciones sin fines de lucro para usar datos para crear impactos sostenibles y duraderos.
