3 manieren om marketing te automatiseren met Machine Learning

Dankzij technologie hebben organisaties de mogelijkheid om contact te hebben met talloze consumenten en burgers. Maar met zoveel contactmomenten is het nogal een uitdaging om te weten welk contact echt iets oplevert en waar het contact beter moet.

Diverse marketingtools helpen op allerlei manieren om marketing te automatiseren. Maar Machine learning (ML) kan helpen om beter inzicht te krijgen in die talloze contactmomenten en om elk contactmoment met iedere persoon ook verregaand te personaliseren. Organisaties die ML toepassen of ermee experimenteren hebben een bijna niet meer in te halen voorsprong op de concurrentie die dit nog niet toepast.

ML is razendsnel en relevant

Machine-learning algoritmes vinden patronen in enorme hoeveelheden data. Zo leert het razendsnel welke personen welk gedrag vertonen en welke behoeften zij hebben. Op basis daarvan maakt het een ‘educated guess’ voor de volgende stap of de meest relevante dialoog.

Dat Machine learning voor marketing automation geen luchtfietserij is, bewijst Mariya Yao in het artikel 3 Ways to Automate Lead Generation with Machine Learning waarin zij drie technieken van machine learning beschrijft voor optimale ‘lead generation’: voorspellende machine learning, ‘multi-arm bandits’ voor optimalisatie en ‘sequential prediction’ voor personalisatie.

Mariya is onderzoeker en ‘AI designer’ en zij is een van de auteurs van Applied Artificial Intelligence – A Handbook for Business Leaders waar ik eerder een recensie over publiceerde.

Voorspellen is beter dan matchen

Een bekende techniek in marketing is ‘one-to-one matching’ om bijvoorbeeld het effect van een campagne te meten. Daarbij koppel je een persoon uit de campagne-groep met iemand uit de controlegroep op demografische en andere kenmerken. In een tijdlijn volg je dan welke verschillen tussen de groepen leiden tot een positieve of negatieve trend in de campagne-groep.

Het probleem met deze methode is dat je data mist en dat het wel heel erg complex wordt als er meer variabele (kenmerken, kanalen, verschillen in content, etc.) worden toegevoegd.

Een ‘predictive machine learning model’ heeft die problemen niet. Met deze methode gebruik je alle beschikbare data om de ‘target output’ te berekenen, bijvoorbeeld de kans dat de klant je winkel zal bezoeken op een specifieke dag. Het geeft inzicht in welke acties, contactmomenten hebben geleid tot (een toename in) het bezoek.

Het zijn dit soort technieken die organisaties helpen naar het hoogste niveau van de digitale volwassenheid: voorspellend. Uiteraard moeten dan ook de strategie, de processen en de kwaliteit van de data optimaal worden ingezet en moet de organisatie vliegensvlug de aanpak kunnen optimaliseren op basis van de nieuwe inzichten.

Optimalisatie met ‘multi-armed’ bandieten

Mariya beschrijft ook hoe A/B-testing, een andere bekende marketingtechniek, kan helpen om het contact met de doelgroep te verbeteren. Maar dat is een ‘eenarmige bandiet’ die pas na een analyse inzicht geeft in bijvoorbeeld welke campagne het meeste oplevert. Een geavanceerdere ML-techniek is die van ‘multi-arm bandits’ waarbij het algoritme de mensen dynamisch naar de op dat moment meest succesvolle campagne leidt.

AB testing vs. bandits

Personalisatie op basis van echt individueel gedrag

Personalisatie is een veelgebruikte en felbegeerde marketingtechniek om het contactmoment met consumenten zo relevant mogelijk te maken. Klassieke marketingtools en -technieken maken daarbij in de regel gebruik van demografische kenmerken van de klant, de productkenmerken en het gedrag van de persoon.

Met ‘collaborative filtering’ wordt de ene klant gekoppeld aan de andere persoon op basis van kenmerken die zij gezamenlijk delen. Maar dit leidt niet altijd tot de gewenste resultaten. Een geavanceerdere manier is ‘sequence prediction’ met Machine learning (DL) waarbij actie wordt ondernomen op het werkelijke gedrag van elke individuele persoon.

collaborative filtering

Meer details over deze drie ML-technieken lees je in het artikel 3 Ways to Automate Lead Generation with Machine Learning van Mariya Yao.

ML komt steeds dichterbij

Machine learning is nog vrij ingewikkeld en het verzamelen van de benodigde data is kostbaar. Het aantal professionals met ML-kennis is ook schaars. Maar er zijn al tools met ML-functionaliteit in de markt en dat aantal neemt alleen nog maar toe. Dit geeft meer mogelijkheden om al met ML aan de slag te gaan.

Dit soort concrete toepassingen in AI een ML zijn zeker relevant voor (marketing)communicatieprofessionals en informatieprofessionals. Hoe meer beschikbaar dit soort technieken worden, hoe groter de kans dat je ermee in aanraking komt. Of nog beter: misschien kun je er al mee gaan experimenteren.

Bekijk Mariya’s video over AI en ML marketing ML

In een video bij het artikel over ML-marketing geeft Mariya eerst een duidelijke inleiding van AI en ML voordat ze vanaf 10:00 uitlegt welke 3 ML-technieken kunnen helpen bij lead generation.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

This site uses Akismet to reduce spam. Learn how your comment data is processed.