Sie kennen bereits Machine Learning

Machine Learning wird bereits von vielen großen Unternehmen genutzt. Sie haben möglicherweise sein Potenzial bei der Verwendung von Netflix erfahren. Es bietet Ihnen Filmempfehlungen basierend auf Machine Learning an. Auch Facebook, Spotify, Google Maps oder Uber nutzen diese Technologie täglich.

SALESmanago Copernicus Machine Learning & AI

SALESmanago Marketing Automation hat seine eigene KI-Technologie entwickelt – SALESmanago Copernicus Machine Learning & AI. Gerade jetzt nutzen Unternehmen wie New Balance, Yves Rocher und Sizeer sie, um ihren Kunden maßgeschneiderte und intelligent personalisierte Inhalte zu bieten.

Copernicus ist eine der fortschrittlichsten Empfehlungstechnologien für MA-Systeme. Sie wurde speziell für E-Commerce entwickelt, um eine Echtzeit-Personalisierung und -Segmentierung zu gewährleisten. Sie erlaubt:

  • Big Data Analyse dank modernsten Machine Learning Frameworks und Algorithmen
  • Prädiktive Produktempfehlungen
  • Echtzeit-Omnichannel-Personalisierung
  • Sammeln und analysieren von Daten innerhalb einer Plattform
  • Berichte, Analyse und Verbesserung der Ergebnisse

Marketing Automation wird jetzt verwendet, um Lead Scoring zuzuweisen, Lead-Nurturing-Kampagnen, Workflows, Automatisierungsregeln zu erstellen, Segmentierung und allgemeine Kampagnen durchzuführen. Das Problem ist hier die riesige Menge an Daten, die analysiert werden müssen.

Die bei SALESmanago analysierten Daten umfassen:

  • Website-Besuche
  • Gekaufte Produkte
  • Produkte, die dem Warenkorb hinzugefügt wurden
  • Konvertierungspfade
  • Konvertierungsquellen
  • Buyer Persona und demographische Daten (CRM)
  • Gekaufte Produktattribute
  • Reaktionen auf Direktmarketing
  • Verwendete Suchbegriffe
  • Chat-Unterhaltungen
  • Angezeigte Produkte
  • Warenkorbwert
  • Offline-Verhalten

Die heutige Technologie basiert auf Anweisungen, Algorithmen. Es ist ein einfacher Mechanismus, der Handlungen ausführt, die von unserem primären Eingang abgeleitet werden. Machine Learning ist ein völlig neuer Ansatz. Ähnlich wie ein Mensch kommt sein Lernpotential aus Erfahrung oder durch kontinuierliche Sammlung und Analyse von Daten zustande.

Arten von Machine Learning

Überwachtes Machine Learning

Diese Art des Lernens ist möglich, wenn Inputs und Outputs eindeutig identifiziert sind und Algorithmen anhand von beschrifteten Beispielen unterstützt werden.

Regression – sagt den Wert für die kontinuierliche Antwort voraus.

Klassifizierung – sagt den kategorischen Antwortwert voraus, bei dem die Daten in bestimmte “Klassen” getrennt werden können. Das Potenzial basiert auf Beispielen.

Nicht überwachtes Machine Learning

Im Gegensatz zum überwachten Machine Learning wird nicht überwachtes Lernen mit Datensätzen ohne historische Daten verwendet. Ein nicht überwachter Lernalgorithmus untersucht übertroffene Daten, um die Struktur zu finden.

Gruppierung – Gruppierung ähnlicher Elemente.

Assoziation – das Ziel ist die Identifizierung von Regeln, die große Teile der Daten definieren.

Verstärktes Machine Learning (Deep Learning)

Die anspruchsvollste aller Arten. Ein System ist mit einer dynamischen Umgebung integriert, in der es ein bestimmtes Ziel erfüllen muss. Das System erhält Feedback in Bezug auf Belohnungen und Strafen, während es seinen Problembereich navigiert.

Diese Art von Machine Learning ist angepasst, um die komplexesten Probleme zu lösen:

  • Robotik und industrielle Automatisierung
  • Automobile
  • Gesundheit und Medizin
  • Text-, Sprach- und Dialogsysteme

Phasen der Umsetzung

Das Projekt besteht aus 5 Schritten:

  1. Festlegung von Zielen, Metriken und Einschränkungen

Sie müssen sich auf die Ergebnisse konzentrieren, die Sie erreichen möchten, und sich die Einschränkungen des Projekts vorstellen.

  1. Daten bewerten, Datensammlung

Bei mehreren Datenquellen, die nicht immer vom Kunden bereitgestellt werden, besteht der nächste Schritt in der Datenerhebung und -erfassung.

  1. Modelltraining

Bau- und Trainingsmodell für Ihr Projekt.

  1. Integration und Testen
  2. Modellüberwachung

Indem Sie die Ergebnisse überwachen, können Sie sie anpassen, um die Erwartungen zu erfüllen und bessere Ergebnisse zu erzielen.

Machine Learning in Marketing Automation

Intelligente Segmentierung

Produktbilder

Bei der Segmentierung wird ein breiter Datensatz basierend auf einer Art gemeinsamer Eigenschaften in Untergruppen (Segmente) unterteilt.

Ihre Datenbank wird basierend auf mehreren Attributen in Abschnitte unterteilt. Wenn Ihr Kunde beispielsweise an roten Schuhen interessiert ist, können Sie ihm rote Schuhempfehlungen geben. Wenn er jedoch rote Schuhe mit drei weißen Streifen sucht, können Sie mit dem Machine Learning solche Empfehlungen für die passenden Produkte liefern, also in diesem Fall rote Schuhe mit drei weißen Streifen, die Sie in Ihrem Angebot haben.

Anzahl der Einkäufe

Sie können die Anzahl der Käufe analysieren und die Datenbank basierend auf Einkäufen von Kunden aus verschiedenen Gruppen unterteilen, wie Frauen, die mindestens 10 Einkäufe getätigt haben, oder Personen in ihren 30ern ohne Kaufhistorie und dann Ihre Aktionen an die Eigenschaften einer bestimmten Gruppe anpassen.

Warenkorbwert

Mithilfe der Segmentierung können Sie versuchen, bestimmte Merkmale bestimmter Segmente zu finden – wie Warenkorbwert, Häufigkeit der Einkäufe (RFM) oder Stadtgröße.

Stimmungsanalyse

Die Analyse liefert Informationen über das Interesse des Kunden an bestimmten Themen, Produkten.

Dynamische Preise

Manuelle Rabattentscheidungen können durch AI-Mechanismen ersetzt werden, basierend auf der Kaufwahrscheinlichkeit, die das Einkommen aller Kunden maximiert.

Verbesserung der Retention

Client Churn Prevention – komplexe Korrespondenz-, Verhaltens- und Interaktionsanalysen zur Identifizierung von Kunden mit hohem Abwanderungs-Potenzial.

Produktempfehlungen

Im Gegensatz zu den Produktempfehlungsmechanismen, die in den meisten Marketing Automation Plattformen verfügbar sind, basieren die AI-Empfehlungen nicht nur auf den Produktdaten selbst oder sind an das Verhalten eines bestimmten Benutzers im 1-zu-1 Modell angepasst.

  • laufende Analyse von Daten über Besuche und Transaktionen
  • die Ergebnisse werden fortlaufend berechnet und ändern sich entsprechend den Veränderungen des Kundenverhaltens
  • statistische Analyse berechnet die Wahrscheinlichkeit des Auftretens von Ereignissen (wenn A, dann B)
  • zur Berechnung der Stärke der Datenabhängigkeit verwendet das System Waagen und die Anzahl der Ereignisse

AI-Empfehlungen in SALESmanago Copernicus

  • Kollaboratives Filtern (Benutzer und Produkte)
  • Die meist gekauften dem Besuch
  • Die meist zusammen angezeigten
  • Die meist zusammen gekauften
  • Gemischte Statistiken mit Gewicht

Die Empfehlungen können geliefert werden:

  • Webseite (Produktrahmen, Pop-ups, Sidebars)
  • E-Mail-Marketing
  • Web-Push-Benachrichtigungen
  • Social Media
  • Dynamisches Remarketing