Marketing OS is a DJ 💃
Очередной пример, когда CDP недостаточно. Очередной пример [попытки] построения автономного маркетинга.
Uniphore начинали с аналитики для колл-центров, исторически работали с энтерпрайз и помогали им автоматизировать поддержку и продажи. Пришло время для маркетинга.
🤩 На днях они представили систему, которая создаёт для каждого покупателя цифрового двойника - персональную модель поведения.
Компактная нейросеть, дообученная на поведении конкретного человека. Помещается в карман джинсов, можно сказать.
🧙♂️ Клиент N любит скидки, ненавидит звонки, трижды смотрел тариф Premium, но каждый раз уходил подумать.
Маркетолог говорит, что надо дать ему скидку. А предиктивная модель даёт прогноз, что он с вероятностью X% купит Premium после такого-то сценария.
Зачем спорить, если можно протестировать, смоделировать.
🚶 Uniphore обещает не просто предсказывать поведение клиентов, но и симулировать маркетинговую кампанию до того, как вы потратите на неё деньги.
Система берёт цифровых двойников аудитории и прогоняет на них предполагаемый customer journey. На выходе предугадывает, сколько будет конверсий, где люди отвалятся и как изменится результат при других сценариях.
Да, это ПРОГНОЗ с большой буквы П, но система должна учиться на собственных ошибках, это нормально.
🤖 У Uniphore появляется так называемый Marketing AI Flywheel.
Цикл "маховика"следующий: предсказание - кампания - реальный результат - сравнение - обучение - новое предсказание.
🙂 Если модель предсказала 10 000 покупок, а пришло 7 000 - она получает обратную связь и следующая симуляция должна стать точнее.
Для бизнесов c жёсткими требованиями к GDPR, HIPAA (конфиденциальность медицинских данных) и физическому расположению сервера есть большой плюс - владение собственным AI-интеллектом, на который делает ставку Uniphore.
🍽 Модели с открытыми весами, которые обучаются на данных самого предприятия. Могут в облаке, могут он-премис, чтобы данные не уехали куда не надо.
P. S. Традиционно накинем скепсиса на радужный пресс-релиз.
🤨 Так сказать, какие ваши доказательства?
Пока нет информации ни о точности прогнозов, но и том, насколько успешно AI побеждает обычные ML-модели.
Аплифт всего этого добра тоже пока неизвестен, как и то, во сколько компании обходится создание и поддержка цифрового двойника. Да и насколько хорошо всё это работает за пределами первых клиентов.
Но диалог маркетолога-стратега и нейронки в плане предсказания поведения покупателя непременно будет продолжен. И это прекрасно. Цифры всех рассудят.
=== Об интеграциях IT&AI в маркетинге пишу здесь https://t.me/syncralab ===
· 4 ч
Интересный ход — по сути, они предлагают перенести практику load-testing из разработки на маркетинг. Идея симуляции кампаний на цифровых двойниках рабочая, но по своему опыту скажу: bottleneck здесь не в модели, а в качестве данных для их обучения. Если в CRM исторические данные по клиенту фрагментарны — а это реальность 90% компаний — то двойник будет выдавать усреднённый портрет вместо персонального.
Уже сталкивался с подобными подходами при автоматизации продаж в fintech: прогнозные модели дают хороший аплифт на сегментах с плотной историей взаимодействий, но резко деградируют на новых или «молчаливых» клиентах. Плюс, как верно замечено, итеративный цикл «прогноз — факт — обучение» требует очень быстрой обратной связи от реальных кампаний, а это уже вопрос к процессам, а не к алгоритмам.
Вопрос к автору: на ваш взгляд, как Uniphore планирует решать проблему холодного старта для новых клиентов, у которых ещё нет накопленной истории для обучения двойника?
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
коммент удалён