FacebookTwitterLinkedIn

Il valore del Machine Learning nel Marketing

Gli algoritmi intelligenti e le piattaforme di marketing automation come MagNews di Diennea permettono di allargare e segmentare la customer base, garantendo contenuti personalizzati e puntuali a vantaggio dell’engagement

Machine Learning nel Marketing - Concept
Arianna Leonardi - @ariannaleonardi

Le macchine sono realmente in grado di pensare come gli esseri umani, innescando gli stessi meccanismi di ragionamento e apprendimento? Se il machine learning (ovvero la capacità di un computer di acquisire autonomamente conoscenza e know-how) è tra i temi più caldi del momento, il dibattito e le prime sperimentazioni risalgono alla metà del secolo scorso, quando alcuni matematici provarono ad applicare i metodi probabilistici per automatizzare il decision making delle macchine.

Oggi l’apprendimento automatico copre un ampio spettro di applicazioni (dai programmi per il riconoscimento vocale alla guida autonoma dei veicoli fino ai suggerimenti di ricerca su Google, Amazon o Netflix), portando valore anche in ambito Business, soprattutto in relazione alle strategie di Marketing (il machine learning nel Marketing serve ad esempio per profilare la base clienti, personalizzare l’offerta e diminuire il tasso di abbandono).

 

Cos’è il machine learning

Ma cosa si intende esattamente per machine learning? Sostanzialmente, l’apprendimento automatico è la capacità di un sistema intelligente di imparare a svolgere una determinata funzione direttamente sul campo, senza la necessità di una programmazione a monte e in un regime di miglioramento continuo.

Astraendo dalla spiegazione più operativa, il machine learning, come sottodisciplina dell’intelligenza artificiale, è un insieme di tecniche che permette di affinare progressivamente l’attendibilità di un algoritmo nell’identificare pattern di dati, sfruttando metodi statistici, logiche induttive (ovvero, in grado di estrarre regole universali dai casi particolari) e diverse tecniche (vedi Box in fondo alla pagina).

Attualmente il machine learning rappresenta un potente alleato e acceleratore di business, particolarmente efficace se applicato in ambito: Operations (così da automatizzare e ottimizzare i processi, migliorando il customer care e l’engagement degli utenti), Sales (per identificare nuove opportunità e avviare campagne di up/cross selling); Marketing (con l’elaborazione di strategie mirate).

 

Come sfruttare le potenzialità del machine learning nel Digital Marketing

Con particolare riferimento al Digital Marketing, le tecniche di apprendimento automatico permettono di monetizzare le informazioni provenienti dai contatti e dalle comunicazioni multicanale (Crm, contact center, social media, siti internet, mobile app, email) con la possibilità di conoscere il cliente in profondità e costruire un customer journey su misura. La personalizzazione dei contenuti è diventata un’urgenza per qualsiasi impresa perché permette di aumentare l’engagement di clienti acquisiti e prospect, la fidelizzazione e il tasso di risposta alle call-to-action, ottimizzando le campagne promozionali e le politiche di pricing.

Il machine learning applicato al Marketing permette innanzitutto di estrarre intuizioni ed evidenze utili dai Big Data provenienti da più fonti (non soltanto testi, ma anche immagini, video e conversazioni vocali grazie alle tecnologie di Natural Language Processing) a livello di singolo utente (seppure anonimizzato). Diventa così possibile profilare la customer base in gruppi specifici e dinamici in modo automatizzato, basandosi su una pluralità di fattori (caratteristiche anagrafiche e demografiche, preferenze, interazioni con il brand eccetera), identificando gli strumenti di marketing e le attività di engagement più adatte per ciascun segmento. L’apprendimento automatico consente quindi di accelerare lo studio e l’avvio di campagne promozionali mirate; offrire contenuti sempre rilevanti per l’utente e un’esperienza del brand coerente su tutti i canali; intercettare eventuali situazioni di insoddisfazione (attraverso la sentiment analysis) e individuare modelli comportamentali così da segnalare il rischio di abbandono e intervenire tempestivamente per abbassare il churn rate, individuare la frequenza di invio dei messaggi al consumatore, assicurando la massima efficacia.

Secondo le stime riportate da Forbes nel 2018, il 75% delle aziende che ha introdotto tecnologie di intelligenza artificiale e machine learning ha incrementato la customer satisfaction di oltre il 10%.

 

Ambiti applicativi del machine learning nel Digital Marketing

Riferendoci ad alcuni casi concreti di machine learning nel Digital Marketing, le piattaforme di email marketing permettono non soltanto l’invio programmato di messaggi e newsletters per liste specifiche, ma anche di tracciare le preferenze degli utenti per affinare continuamente la segmentazione dei destinatari e di ottenere report dettagliati sull’andamento delle campagne.

La personalizzazione delle pagine web è un altro esempio: quando un utente accede al sito, vengono registrati comportamenti e interessi, cosicché alla visita successiva, grazie agli algoritmi di apprendimento automatico, il percorso di navigazione e i contenuti saranno ottimizzati.

Rimanendo ancora nell’ambito del machine learning applicato al Marketing, le soluzioni più avanzate per il Social Media Marketing permettono sia di programmare automaticamente post e campagne sia di intercettare e profilare contatti in target, coinvolgendoli con contenuti di interesse.

Marketing Automation per l’ottimizzazione dei contenuti e l’engagement a 360°

I software di Marketing Automation rappresentano la summa di tutte le funzionalità del machine learning al servizio della comunicazione digitale: permettono infatti di gestire i contatti all’interno di un unico flusso, automatizzando le comunicazioni one-to-one in ottica multicanale (social media, email, mobile app, sms, web). Alla base del sistema, una Data Management Platform organizza e incrocia le informazioni strutturate e non provenienti da più fonti per creare cluster di utenti dinamici e aggiornati in tempo reale. È quindi possibile amministrare centralmente tutte le fasi del funnel (acquisizione, profilazione, vendita/upselling, comunicazione ai clienti, loyalty e riattivazione clienti), utilizzando e combinando di volta in volta gli strumenti più appropriati e restituendo una customer experience puntuale secondo le esigenze dell’utente e omogenea rispetto all’identità aziendale.

 

Sistemi di raccomandazione evoluti per cogliere le opportunità di business

La capacità di cogliere e sfruttare i micro-moments (ovvero i pochissimi attimi all’interno dell’esperienza digitale, in cui è possibile catturare l’attenzione dell’utente e pilotare il processo decisionale) rappresenta la conditio sine qua non per conquistare i prospect o finalizzare un’azione di marketing, superando il disturbo generato dal sovraccarico informativo del web.

I sistemi di raccomandazione sono studiati per catalizzare l’interesse del consumatore con offerte rilevanti, sfruttando i micro-moments e massimizzando le opportunità di conversione. Si tratta infatti di applicazioni di filtraggio dei contenuti che intercettano le preferenze dell’utente e offrono dinamicamente suggerimenti personalizzati in linea con i feedback raccolti (ad esempio, propongono un prodotto da acquistare o una film da guardare).

Gli algoritmi alla base dei sistemi di raccomandazione utilizzano tre diverse tecniche di analisi.

Adottato dall’ecommerce di Amazon o dalla radio Last.fm, l’approccio collaborativo suggerisce al consumatore gli articoli più apprezzati e valutati positivamente da altri utenti che presentano similarità di gusti e interessi. Poiché il sistema ignora le specifiche e il contenuto dell’oggetto, ma basa la recommendation solo sulle affinità del cluster, il processo può avvenire senza la necessità di intervento umano.

Il Content Based Filtering (utilizzato ad esempio da Pandora Radio) invece incrocia il contenuto di un item (ovvero descrizione, attributi, parole chiave e tags) con il profilo di un utente, che include anche le sue preferenze aggiornate in real-time (ad esempio, percorsi di navigazione, oggetti visualizzati, prodotti acquistati o valutati precedentemente).

Netflix invece utilizza l’approccio ibrido, ovvero il risultato dall’unione delle due tecniche, collaborativa e basata sui contenuti.

I sistemi di raccomandazione possono rappresentare un arricchimento interessante delle piattaforme di Marketing Automation, aggiungendo un altro canale per la proposizione di messaggi a valore calati sulla specificità del target.

 

Customer experience: come far arrivare i contenuti giusti, al momento giusto, alle persone corrette

Tra le soluzioni di Marketing Automation , MagNews è una piattaforma modulare sviluppata da Diennea per la creazione di campagne di Digital Direct Marketing (email, sms, push-notification, adv, social), disponibile in versione SaaS e onpremises.

L’obiettivo è consegnare i contenuti giusti nei tempi, nei modi e ai destinatari corretti lungo il customer journey. Tra le funzionalità avanzate, infatti, un algoritmo predittivo permette di studiare il comportamento dei destinatari attraverso alcune metriche (ad esempio i click o le conversioni), affinandosi nel tempo automaticamente e garantendo la proposta dei messaggi che sono risultati più efficaci nel momento più propizio.

Le performance di una comunicazione possono essere verificate attraverso la funzionalità di A|B testing: sostanzialmente si creano due messaggi differenti, vengono mandati online, l’algoritmo verifica l’alternativa più efficace nell’arco di qualche giorno e procede automaticamente alla riproposizione della stessa. Se i vantaggi sulla campagna sono immediati, l’affinamento del modello provvederà a migliori risultati sul lungo periodo.

 

Le tecniche di machine learning

Attraverso l’apprendimento automatico, una macchina può imparare a eseguire un determinato task a partire da esempi di addestramento o eventi reali, generalizzando dall’esperienza e utilizzando tecniche differenti in base alle informazioni disponibili:.

–   secondo l’apprendimento supervisionato, il modello riceve sia gli input (dati di partenza) sia gli output (risultati desiderati), con il compito di trovare le possibili correlazioni (funzionano così i software di riconoscimento della voce o della scrittura manuale).

–   in caso di apprendimento non supervisionato (tipico dei motori di ricerca), invece, l’algoritmo deve individuare ed elaborare una soluzione a partire dai soli input, senza avere esempi sugli esiti attesi o campi applicativi;

–   nell’apprendimento con rinforzo, il sistema interagisce con un ambiente dinamico, dove deve raggiungere un obiettivo (ad esempio la guida di un veicolo) per tentativi, guadagnando una ricompensa (rinforzo) in caso di successo.

Tra i metodi di apprendimento automatico oggi più popolari, il deep learning merita una menzione speciale: basato su reti neurali artificiali (insieme di nodi computazionali che simulano le strutture cerebrali biologiche), permette di scendere progressivamente a uno strato di conoscenza successivo e più profondo, sfruttando algoritmi supervisionati e non.

 

FacebookTwitterLinkedIn
FacebookTwitterLinkedIn