机器学习推动数字营销迎来全新的时代

随着机器学习的飞速发展,一大批互联网营销技术公司如雨后春笋般纷纷冒出,通过基于大数据的机器学习技术,给营销人员提供了一系列的营销利器。今天,我们来看看机器学习具体如何应用到营销领域,成为市场营销人员日常数据分析和管理的有力助手,大幅提高营销人员的生产力。

营销自动化

关于营销自动化,你可能已经听过或者使用过行业领先的营销自动化平台之一,如Marketo、Hub Spot。即使是像Mail Chimp这样的利基工具提供商也已经在他们的平台上实现了营销自动化来帮助营销人员扩大自己的市场。

这些自动化工具通常是帮助营销人员和销售团队去精简和管理曾经做过的项目。邮件营销自动化公司Drip就是一个很好的例子。你可以建立一个电子邮件列表,生成一系列模板,系统将在指定的时间根据不同的自定义属性向收件人发送电子邮件。

虽然这些自动化工具对于营销人员来说是非常省时有效的,但是这些系统也在寻找新突破并将在机器学习过程中实现分层学习。

还是电子邮件营销自动化为例子,像Mautic这样的软件服务商已经在提供邮件自动化的基于逻辑的自动回复功能。例如:如果收件人Z采取行动X,那么它会自动发送下一封电子邮件Y. 没有采取,则不发送。这种监督学习是机器学习的一个基本的学习系统。

这种系统的下一步发展将是Mautic系统可以学习收件人Z多久会回复电子邮件,如果收件人在该段时间没有打开邮件,系统将提醒销售团队去电话follow up。更进一步,该系统可以根据过往邮件主题的打开率,给你建议主题应该包含什么样的形容词跟动词。

目前市面上已经很多这类营销自动化工具,通过这些工具,可以大大提升市场跟营销人员的效率与发挥更大的价值。

邮件发送频率优化

发送频率优化也可以对你的电子邮件营销产生很大的影响。机器学习可以帮助你解决以下问题:

1. 你应该多长时间注意一下特定的收件人,并细分新的市场营销信息?

2. 你应该多久跟进一次线索?

3. 什么时间做线索跟进和发布新的营销信息最为有效?

在机器学习之前,营销人员会将频率优化留给测试和ROI分析师; 然而,在大多数情况下,频率优化是针对整个邮件列表。 但是通过机器学习,营销人员可以将邮件列表进行分类,不同类型的收件人个性化发送频率。

内容营销

想想你在内容营销工作上的时间投入, 分别在关键词部署与内容创建上花了多少时间?给网站页面部署关键词对于可搜索至关重要,但因其是一项繁琐而费时的任务,所以大多数营销人员宁愿不用。

机器学习技术可以巧妙地在文案中部署最有价值或者是成本最低的关键词。通过机器学习,网站相关的内容与产品将被关联起来,将相关的文案,图片,视频内容等呈现给目标客户。如果你的用户已经消费了部分内容,系统将对应推荐转换率最高的相关产品。机器学习技术还可以帮助预测哪些内容会导致用户产生不同的行为-分享或者参与互动,增加销售额,提升客户忠诚度, 这些都是你希望客户进行的行为。例如:Adobe的智能标记技术现在可以实现自动标记,这样用户可以获得更有效搜索结果的同时大大缩短你去花在优化tag上的时间。

又如,不同的渠道对视觉内容的大小及分辨率有不同的要求。当新的平台出现或者增加新的渠道时,您可能需要对现有的内容进行调整。例如,如果你要将一段视频发到不同的网站或博客,机器学习还可以巧妙地裁剪成适合移动端的内容。借助机器学习,您可以根据人们浏览习惯调整内容和视频长度以提供最优的体验。

机器学习将提供建议或提供新内容的初稿,这样可以帮助您更快速获取各种渠道的信息并分发不同的文案,图片或者视频内容给不同的观众。

大家都不希望创造大量的内容,然后只有部分内容是有效的。关键在于要针对不同的渠道对应创建有效的内容,在这个过程中学习到的经验跟启发,将帮助你创造出更多有价值的内容。

机器学习可以辅助你判断什么是有效的,同时如何扩大你的市场策略来更好地跟目标客户建立联系。随着时间的推移,机器学习将变得更加智能。我们仍然处于知识进化的早期阶段,但机器学习发展如此之快,你几乎可以在瞬间就完成内容的重组、调整和应用工作,然后测试创建的内容,看这些内容是否比之前的内容效果更优,还是需要继续调整。

广告平台

最早将机器学习融入到营销人员日常工作流程和系统的平台的, 其中一个就是广告投放软件。 例如,Google通过点击率,广告文案的相关性和着陆页质量这些指标来对广告质量进行打分,通过质量得分来决定广告的相关度,以及广告的点击费用。

程序化购买

随着移动互联网消费额的增长,横幅广告和其他展示广告也在不断变革来保持其效果。随着技术的进步,营销人员正在寻找方法来更实现更加精准的广告投放,而不是投放到很广泛的受众然后只影响其中的少数人。

通过程序化广告,营销人员甚至可以实现实时测量并调整广告策略。程序化广告通过大数据对广告进行细分,可以让营销人员和广告主们了解不同的广告在不同的设备以及不同的时间段的效果表现。 对于展示广告而言,这种形式将更好地控制广告费用支出和获得更高的投资回报率。

Adwords脚本

Google的广告投放系统提供了很多强大的功能来帮助你更好的控制广告,以及提供对管理广告有价值的信息。它的将帮助您找到需要去开拓的新细分市场,并向您反馈表现不佳的广告,组合以及关键词的信息。您可以直接通过事先编写好的脚本来自动完成更改出价、暂停广告组和添加关键字等操作。

广告词脚本在Google Ad Words平台中运行。这个选项可以在“Bulk Operations> ing”下找到。尽管您也可以找到许多预制脚本,但这些脚本是通过Java 编写。这些脚本在很多情况下通常起到的是监督机器学习的作用。 广告主通过指定输入及输出来决定功能,通过算法将输入连接到输出。

预测分析

预测分析用于许多行业跟专业领域。实质上,这些分析是帮助发现和利用数据模型。这些模型可以用来评估风险和机会。在市场营销领域,预测分析是建立在标准分析数据之上,为我们提供更多的洞见,为营销活动提供决策依据。在此之前,我们会在Google Analytics查看像“会话”这样的原始数据,基于每个“会话”的终身价值来评估ROI。现在,我们可以根据他们的网站行为和访问来源更准确预测每个会话的确切价值。就像程序化广告一样,我们将对sessions进行细分,通过更加合适的方式来跟这些潜在客户进行互动。

客户流失

老客户的留存跟新客户的拓展同样重要。通过分析可帮助您了解客户流失的原因,并帮助营销人员制定策略来扭转客户流失的情况。预测客户流失是个难题但也很重要。通过机器学习,那些已经流失的客户行为数据可以为我们提供一个参照,去分析比对当前客户群,以预测哪些客户有流失的风险。

大多数预测性流失模型都是基于逻辑回归和二进制模型。微观细分和机器学习的使用可以帮助营销人员和销售团队了解何时客户有可能会流失,并帮助营销人员采取正确的行动来挽回客户。

计算机视觉

计算机视觉,就是机器“能看见”了。机器学习,特别是强化学习,使得机器具有不断提高的与识别图像相关的能力。一个日常的脸部识别的例子,就是Facebook建议人们在照片中使用圈人标签。随着时间的推移,越来越多的照片被添加标记,Facebook的脸部识别技术已经“记录”了用户的面孔。

而计算机视觉在市场营销中是有实际用途。例如,Sentient Aware提供的软件可以实时推荐与客户浏览的产品相似的产品,这种产品的服务方式可能比传统的标签有明显的好处,特别是在处理购买习惯尚不明了的新客户时。

Snapchat和lnstagram使基于视觉的社交聆听(social listening)变得尤为重要。Ditto和Gum Gum提供社交聆听工具,可以保证声誉管理工作。例如,当公司的logo出现在一些可能需要去关注的meme或者是图片中时,品牌营销人员将会收到快讯通知。

10 细分比较

观众细分一直是广告的重要组成部分之一。了解观众构成和来源可为营销人员提供了极为有价值的信息。直到互联网被发明之前,这些数据都不能实时获得。而现在,营销人员几乎可以实时获得客户的人口信息,并立即采取有针对性的营销活动。

十几年前,营销人员对可以获得诸如年龄,性别,位置以及用户与其消息交互的时间等数据感到欣喜若狂。现在,营销人员可以创建细分,并衡量和比较每个细分对不同信息的反应。

Google Analytics为用户提供基于行为的人口统计数据,例如类似人群分组。如Jump shot这样的公司,提供了非常详尽的细分,可以让你知道哪些客户什么时候购买了竞争对手的产品,以及他们是如何找到竞争对手的。此外,这些工具可以告诉你哪些人购买了1000美元的手表,哪些人买了100美元的手表, 你就可以更好地分配市场和广告预算。

机器学习正在改变数字营销的面貌与格局,一些新兴的营销技术、广告技术以及营销理念正在成为营销市场上的新动力。数字营销人员及早了解和把握这些技术,将会更好地吸引和服务消费者。

Leave a Comment