Como fazer segmentos orientados por IA funcionarem em CDPs combináveis

Os segmentos orientados por IA superaram os segmentos padrão em até 42% em um teste frente a frente recente. Esse resultado é típico para marcas que estão mudando de uma abordagem baseada em regras para uma segmentação orientada por IA. O aumento tende a ser ainda maior se nenhuma segmentação foi usada anteriormente.

Muitas ofertas de CDP “empacotadas” têm ciência de dados agrupada que executa IA preditiva crítica com configuração relativamente mínima. No entanto, se você adotar uma abordagem combinável para o seu CDP, poderá questionar como fazer com que os segmentos baseados em IA funcionem em vários canais – uma vez que um CDP “combinável” depende dos dados e atributos que residem em seu data warehouse.

O que os CDPs empacotados com ciência de dados fornecem?

Este tópico poderia ser um artigo por si só, mas eu categorizaria amplamente as ofertas de ciência de dados do CDP em três categorias:

• Enriquecimentos comportamentais.
• Construtores de ciência de dados personalizados.
• Traga o seu próprio.

enriquecimentos comportamentais

Vários CDPs inovaram com ofertas que categorizam o comportamento do usuário em torno de:

• Afinidade de conteúdo.
• Afinidade de canal.
• Pontuação comportamental.

Essas categorizações podem ser úteis isoladamente para segmentação baseada em regras ou como recursos valiosos para a construção de modelos personalizados.

Exemplos incluem:

• Pontuação comportamental e afinidade de conteúdo do Lytics, que funcionam bem com sua tag JavaScript.
• BlueConic tem um conjunto semelhante de pontuações comportamentais.
• O recurso Simon Predict da Simon Data fornece análise preditiva para resultados de marketing específicos.

Construtores de ciência de dados personalizados

Vários CDPs empacotados oferecem construtores de ciência de dados para configurar modelos de aprendizado de máquina que fornecem pontuação regular por meio de parâmetros definidos pelo usuário.

Lytics, Blueshift, BlueConic e outros foram os primeiros a adotar. Os gigantes, Adobe e Salesforce, têm recursos preditivos. Até o mParticle e o Twilio Segment introduziram recursos nos últimos 6 a 12 meses, após anos promovendo a qualidade dos dados.

Essas soluções “crie suas próprias” são poderosas, mas forçam muitas decisões semitécnicas aos usuários de plataformas que geralmente têm usuários de marketing não técnicos. A dissonância entre a oferta e o usuário final do dia-a-dia resulta em desafios de adoção.

Traga o seu próprio

Todos os CDPs podem integrar atributos a um determinado cliente. As pontuações da ciência de dados podem ser uma delas. Muitos clientes com quem trabalhei fizeram investimentos significativos em ciência de dados e buscam conectar melhor os resultados da ciência de dados às ativações de marketing.

Tem sido interessante para mim que, mesmo em 2023, ainda existam exercícios de ciência de dados de marketing que não estejam vinculados a um caso de uso de marketing claro. O CDP pode resolver a integração de pontuações preditivas e inteligência do cliente aos canais de marketing, mas primeiro a ciência de dados interna precisa existir.

Essa é a vantagem do CDP empacotado. A ciência de dados realmente existe lá. No entanto, o argumento para tornar-se combinável é forte. Ele oferece retorno teoricamente mais rápido, implementação mais simples, privacidade aprimorada e menor custo total de propriedade. Então, o que uma empresa deve fazer?

Uma estrutura para entender a ciência de dados em composable

Vamos revisar três cenários de onde sua empresa está em sua atual maturidade em ciência de dados:

• Cenário 1: Minha empresa tem modelos pré-existentes.
• Cenário 2: Minha empresa não tem modelos pré-existentes ou recursos de ciência de dados disponíveis.
• Cenário 3: Minha empresa deseja construir modelos personalizados.

Cenário 1: Minha empresa tem modelos pré-existentes

Se você é uma organização muito madura ou “nascida digitalmente” que fez os investimentos necessários em ciência de dados para potencializar a IA preditiva em suas segmentações de marketing, tenho boas notícias para você.

A arquitetura composable é uma maneira perfeita de obter um CDP “combinável” e fazer com que todos esses enriquecimentos da ciência de dados se conectem aos seus canais de marketing. Tudo o que você precisa fazer é garantir que essas pontuações sejam atualizadas regularmente e que seu CDP combinável tenha visibilidade das pontuações. (Leia mais sobre outras armadilhas aqui.)

Cenário 2: Minha empresa não tem modelos pré-existentes ou recursos de ciência de dados disponíveis

Construir uma prática de ciência de dados do zero é um trabalho árduo e caro. Defender o uso de cientistas de dados designados para outros problemas organizacionais é outra questão.

Por exemplo, temos um cliente CPG com uma prática sofisticada de ciência de dados para prever preços futuros e disponibilidade de ingredientes para fabricar seus produtos. No entanto, esses cientistas de dados não estão focados em ativações de marketing.

Não tenho experiência em comprar bilhões de dólares em produtos ou produtos químicos. Ainda assim, suspeito que as nuances de prever os preços futuros do tomate sejam diferentes de prever se um cliente irá desistir nos próximos 90 dias. Cada modelo teria seus próprios recursos exclusivos e a experiência dos cientistas de dados teria um grande impacto no sucesso dos modelos.

Então, o que resta a uma empresa fazer? Eles devem contratar engenheiros de dados, cientistas de dados e analistas de dados para criar bancos de dados, projetar recursos, construir modelos, interpretá-los e depois explicá-los para direcionar a adoção para uma equipe de marketing ocupada?

Cada vez mais, as organizações procuram “alugar” a ciência de dados. Eles podem configurar uma plataforma de IA como Predictable ou Ocurate com modelos de ciência de dados opinativos para casos de uso de marketing específicos. Essas soluções têm um tempo de valorização muito rápido.

Como alternativa, a empresa pode optar por ser mais personalizada. Plataformas como Faraday prometem enriquecimento de dados e configurações de modelo altamente flexíveis. Mas o usuário ainda precisa de perspicácia técnica para saber o que prever e como configurar um modelo — mesmo que não exija Python codificado à mão.

Cenário 3: Minha empresa deseja construir modelos personalizados

Antes de seguir esse caminho, avalie o custo. A construção de modelos verdadeiramente expansíveis requer o envolvimento de vários funcionários altamente remunerados.

Para fazer isso direito, você precisará de:

• engenheiros de dados para coletar e curar os dados.
• cientistas de dados para projetar recursos e modelar os dados.
• Analistas interpretar e justificar o uso dos dados.

Você pode encontrar funcionários com um presente em duas dessas áreas. Mas as pessoas que se destacam em duas dessas áreas são raras. Normalmente, as pessoas são melhores em uma dessas três áreas.

Se você está empenhado em desenvolver ciência de dados de marketing, pense em ferramentas que o ajudem a começar. Se você estiver usando o Google Cloud Platform, por exemplo, considere sua oferta Vertex e seu “Model Garden”.

Se você tiver acesso apenas aos dados do GA, pense em aprender mais sobre o iBQML, que permite aproveitar os dados no BigQuery para prever resultados específicos no local que são aditivos aos esforços de marketing digital.

Se você tiver um buildout mais robusto do BigQuery, aproveite o BQML, que pode pontuar dados fora dos dados nativos do GA. Os conceitos “iniciantes” nesses recursos podem criar impulso organizacional para fazer mais investimentos em ciência de dados.

Como uso a ciência de dados no CDP combinável?

Depois de implantar um CDP, surge uma pergunta comum: como otimizamos a ciência de dados quando o CDP e o canal de marketing conectado compartilham recursos sobrepostos? Isso pode incluir audiências exportadas para canais com recursos preditivos, como Facebook, Google Ads, ESP da marca etc.

As respostas que forneço são específicas para os casos de uso de um cliente. Suas ferramentas de anúncios geralmente possuem dados que o CDP e seu data warehouse não possuem. Eu recomendo públicos-alvo altamente direcionados de seu data warehouse ou CDP, aproveitando os melhores lances das plataformas de anúncios que você está usando para casos de uso de aquisição e remarketing.

Na minha experiência, públicos-alvo bem escolhidos e alimentados por IA superam os sósias de públicos orientados por regras. Por exemplo, um anunciante realizou recentemente um teste frente a frente no Facebook entre aparências de audiências usando previsões baseadas em IA e aparências de clientes engajados baseados em regras. A taxa de conversão do público inicial alimentado por IA superou o segmento baseado em regras em 25%.

Seu ESP pode ter conhecimento sobre engajamento de e-mail que seu data warehouse não possui. Em caso afirmativo, use a abordagem adtech acima. Se você coletou os dados que seu ESP possui, use segmentação e decisão orientadas por CDP/data warehouse. Isso também o torna flexível para usar vários ESPs se tiver necessidades geográficas ou específicas da marca. Mas, novamente, recomendações específicas dependem de casos de uso e dados específicos.

Principais considerações ao expandir o uso de IA em CDPs combináveis

Digamos que você esteja convencido de que deseja iniciar ou expandir o uso de IA em seu CDP combinável. Aqui está uma lista de perguntas para se fazer:

Você tem todos os dados de marketing disponíveis em seu data warehouse na nuvem?

Isso pode incluir dados do site, como GA4, dados de engajamento com canais próprios, como e-mail e todo o histórico de transações/fidelidade.

Pode incluir soluções de identidade ou correspondência baseada em regras para resolução do cliente em todos os canais. Os dados de consentimento são essenciais para todos os usos de dados primários.

Você tem as habilidades necessárias em sua equipe para alavancar a IA?

Isso inclui acesso a engenheiros de dados, cientistas de dados, analistas de marketing e profissionais de operações de marketing.

Você tem um plano tático para implantar os públicos baseados em IA?

Há um componente de estratégia nisso. Mas as táticas específicas geralmente são negligenciadas no mapeamento de casos de uso. Deve haver um plano de operações de marketing que determine a necessidade de determinados dados na construção de audiência e a aplicação prática dessa audiência em cada canal.

Você tem um plano de medição para públicos baseados em IA em seu CDP?

O plano de medição deve incluir audiências de teste específicas e uma maneira de medir o aumento e o ROI. Certifique-se de que os critérios de sucesso sejam esclarecidos antecipadamente e que as partes interessadas estejam alinhadas sobre o que um teste bem-sucedido significa para implementações futuras.

Boa sorte na implementação da IA ​​em seus esforços de CDP — combinável ou não. Provavelmente, existe um caminho para você adotar a capacidade em seus fluxos de trabalho de maneira econômica e complementar ao ROI de sua equipe de marketing.

---