营销人员可以借助机器学习获得5种优势

很难摆脱围绕机器学习的嗡嗡声。几乎每个行业都在谈论它。那么，什么是机器学习?根据惠普公司的说法，“机器学习是指计算机开发模式识别的过程，或者指不断学习数据并根据数据做出预测，然后进行调整而又不经过专门编程就可以进行调整的过程。”机器分析和处理大量信息并随着时间的推移不断学习和改进的一种方式。

对于正在运行的机器学习算法的示例，让我们考虑面部识别-我们看到的这一领域正在日趋完善。如今，iPhone用户可以用面部解锁手机。执法部门使用面部识别来发现欺诈活动并抓获罪犯。Google相册允许用户按其中的人对照片进行排序。这些算法过去可能不是非常精确，但是随着时间的流逝，它们已经通过机器学习进行了训练。

这不是人类的智能，而是程序化的学习，它的应用范围不仅限于面部识别，而且还涉及整个行业。以市场营销为例。当今的营销人员正在努力向其客户传达相关信息。尽管人类无法大规模地与大量客户进行单独沟通，但机器却可以。不确定实际情况如何?在本文中，我将解释机器学习在营销中的五个主要用途。

1.推荐最相关的产品或内容。

产品和内容推荐已被数字营销商使用多年。过去-有时是今天-这些建议是由人工手动提出的。在过去的10年中，它们经常受到简单算法的驱动，这些算法会根据其他访问者查看或购买的内容显示推荐内容。

机器学习可以对这些简单算法进行重大改进。机器学习可以综合您所拥有的关于某人的所有信息，例如他的过往购买，当前的网络行为，电子邮件交互，位置，行业，人口统计等，以确定他的兴趣并选择最佳产品或最相关的内容。机器学习驱动的建议根据每个人对建议的参与程度来了解哪些项目或项目属性，样式，类别，价格点等与每个人最相关-因此算法会随着时间的推移而不断改进。

机器学习驱动的建议不仅限于产品和内容。您可以推荐任何东西-类别，品牌，主题，作者，评论与技术规格等。通过这种方式使用机器学习，您可以创建相关的网站或电子邮件体验，向访问者显示您真正了解他们并帮助他们找到他们喜欢的东西。

相关：机器学习如何改变世界-和您的日常生活

2.自动发现重要的客户群。

尽管机器学习使您能够提供更多个性化的体验，但细分仍然是营销人员的宝贵工具。通过细分，您可以基于有意义的差异创建潜在客户或客户组，以更好地了解这些组。人们可以发现他们可能已经知道要寻找的明显差异，例如终身价值较高的客户与终身价值较低的客户之间的差异，或者新客户与忠诚的回头客户之间的差异。但是，由于有太多的客户数据可供筛选，因此还有许多其他模式对于人类而言并不明显。

机器可以帮助您识别自己没有意识到的细分，并且您可以使用这些信息以更有意义的方式与这些细分进行交流。

例如，机器学习算法可能能够识别出希望为其房屋再融资的千禧一代倾向于表现出某些类型的行为。有了这些知识，您就可以为该细分受众群提供针对性更强的消息传递，在他们位于您的网站上时与该细分受众群说出不同的话，或者与电话中的业务代表交谈，并确定当该细分受众群出现时可能属于该细分受众群的其他潜在客户他们表现出相似的行为。

3.确定潜在问题并采取行动。

您的市场营销活动会产生大量数据。想一想贵公司每天发送的所有电子邮件，或访问您网站，使用您的移动应用或与您的呼叫中心进行交互的人数。所有这些交互都会产生大量的数据-如此之多的数据使人类无法及时查看所有数据。当出现问题时(链接断开或促销代码无效)，这可能并不总是立即对您显而易见。算法可以筛选所有这些数据，预测应该发生什么，并在出现问题时通知您。

例如，假设是黑色星期五，您的一封电子邮件中包含错误的链接。机器学习算法可以预测该报价所预期的点击率和/或转化率，并在现实情况比实际情况低得多时立即提醒您。有了这些知识，您就可以在一年中如此重要的一天造成太多损害之前采取纠正措施。

相关：机器学习的5种创新用途

4.从A / B测试过渡到提供单独的相关体验和报价。

测试是机器学习可以改进的另一个领域。传统的A / B测试允许您在两个或多个数字体验之间进行测试，找到产生最佳结果的选项，然后继续使用该体验。这是很有价值的，但它是万能的，并且不考虑群体或个人的任何差异。相反，它要求您选择一种向所有人展示的体验，这意味着许多人不会看到最适合他们的体验。机器学习改变了这个游戏。

例如，您可以在机器学习算法中提供相同的体验，而不是在两个首页体验之间手动设置测试，而要等到测试完成并挑选出获胜者。该算法会在认为可以根据所有可用信息为每个人提供最佳结果的那一刻挑选经验。它将从这些交互的每一个中学习，以告知其做出的下一个决策。

促销和优惠可以采用相同的方法。机器学习可以使您仅向需要额外奖励的购买者显示折扣，而不是为所有客户提供相同的20%折扣或静态促销。对于不需要额外奖励的人，机器学习可以选择另一种相关的体验，例如在他们喜欢的类别中推广新来者。

5.决定如何与每个人交流。

您如何确定与潜在客户或客户进行沟通的地点和时间?她喜欢电子邮件吗?推送通知?文字?如果有的话，您应该多久与她联系一次?这些都是机器学习算法可以为您解答的问题。

例如，您可以使用机器学习生成的预测分数来确定每天发送给同一个人的电子邮件的预测得分，而不是通过批量发送的方式来确定每天发送给同一个人的电子邮件是否会导致他们打开，忽略，单击或取消订阅。如果是这样，则不发送。相反，您可以等到与他或她更相关。

标签： 营销人员