از آنجایی که بسیاری از شرکت‌ها به دنبال دیدگاه‌های مبتنی بر یادگیری ماشینیی هستند، بازاریابان نیازمند به بکارگیری ابزار و تکنولوژی‌های جدیدی هستند تا مشتریان بالقوه را در زمان و مکان درست پیدا و درگیر کنند.
تاریخ انتشار: ۱۲:۴۸ - ۲۵ دی ۱۳۹۷ - 2019 January 15

 

مسیر مشتری مانند اثر انگشت او یکتاست که این خود دلیلی‌ست بر این که چرا بازاریابان از فناوری برای پایش، دسته بندی، و دستیابی به مشتریان بر اساس این که آنها قبل از پیوستن به گروه مشتریان چه رفتاری انجام می‌دهند بهره می‌برند.

پیش از دوره‌ی دیجیتال مسیر خریدار مسیر خطی قابل پیش بینی ای بود اما در حال حاضر این مسیر شامل جستجوهای بسیار با استفاده از دستگاه های مختلف می‌شود. مسیر پیچیده ای که مشتری می‌پیماید به طور فزاینده ای از تحقیق و تصمیم گیری راجع به محصول تا پرسش و بحث و در نهایت خرید آن ادامه می یابد اما پایان نمی‌یابد، بلکه در دورنمای وفاداری مشتری و خرید‌های بالقوه‌ی آینده نیز ادامه می‌یابد.

با شناخت هر بخش از مسیر منحصربفرد مشتری، بازاریابان می‌توانند بر روی رفتار ارزشمندترین گروه از مشتریان آگاهی بیشتری پیدا کنند. در حال حاضر ابزار و فناوری‌هایی اعم از یادگیری ماشینیی و مشخصه‌های مشتق از داده وجود دارد که امکان تمرکز بازاریابان بر مشتریانی با بالاترین پتانسیل ارزش طول عمر را فراهم می‌کند. این عمل با بالابردن تعامل مشتریان فعلی و در نهایت تقویت کسب و کار انجام می شود.

اثربخشی کمپین ها و ltv
زمانی که مشتری تماسی دائمی و در حال گسترش پیدا کرد، برند باید راه‌کارهایی پیدا کند تا بتواند محاسبه کند با چه روش‌های در بازاریابی – و چه ترکیبی از آنها – باعث بازگشت مشتری می‌شود. دیگر برای بازاریابان محاسبه‌ی اثرشان به شیوه‌های سنتی (جداسازی و ارزیابی تعداد اندکی متغیر کلیدی پس از یک رقابت) کافی نیست. همین طور که بررسی ساده‌ی آخرین کلیک و اختصاص دادن مکالمه و گفتگو به جدیدترین فعالیت مشتری نیز کافی نیست.

با دسترسی به فناوری تجزیه و تحلیل، برند‌ها می‌توانند در اختصاص بودجه‌ی کسب و کار خود، با استفاده از اطلاعات آنلاین از این که چقدر بعضی فعالیت‌های بازاریابی در مقایسه با دیگران کارایی مؤثری دارد، تجدید نظر کنند. بازاریابان همین طور می‌توانند سناریوهای مختلفی را در تشخیص دقیق میزان ایده‌آل سرمایه گزاری در کانال‌های متفاوت مسیر مشتری آزمایش کنند.

یافتن شباهت میان مشتریان با اولویت بالا، نیازمند خبرگی در LTV (اندازه گیری با نگاه رو به جلو از ارزش کلی‌ای که مشتری در رابطه با برند ایجاد می‌کند) است. زمانی که بازاریابان روی lifetime value یا به اختصار LTV تمرکز می‌کنند، می‌توانند مشتریانی را که در دراز مدت رونق بیشتری را با خود به همراه می‌آورند تشخیص دهند. (و هزینه‌ی بیشتری را برای بدست آوردن آنها خرج کنند.) در نظرسنجی اخیر از ۱۴۱۹ مدیر کسب و کار که توسط MIT Technology Review، با همکاری گوگل انجام شده بود، ۸۹ درصد از پرچمداران فروش از سنجه‌های استراتژیکی مانند درآمد ناخالص، بازار مشترک یا LTV برای اندازه‌گیری اثربخشی کمپین‌هایشان استفاده می‌کنند. در اصل، LTV معیاری‌ست که توسط ۵۱ درصد از پیشتازان فروش، استفاده شده است.

آلیسون هارتسو، بنیان گزار و مدیر عامل Ambition data که یک شرکت مشاوره تحلیل داده است می‌گوید: «آیا شما یک خریدار پرارزش هستید؟ اگر آری – بر اساس آنچه من از رفتار مشتریان پر ارزشم میدانم- پس می‌توانم با شما بر این اساس معامله کنم که بتوانم در آینده دوباره شما را به خرید محصولم وادار کنم.»

پیام های شخصی سازی شده به مشتری
بنا بر گفته‌ی سین داونی Sean Downey معاون پلتفرم‌های گوگل، شرکت پاپیروس، خرده فروش لوازم التحریر و کارت هدیه یکی از نقطه گذارها در LTV است. این کمپانی در مشارکت با گوگل فهمید که اعضای برنامه وفاداری Perk شصت و شش درصد ارزنده تر از باقی مشتریانش هستند. با گسترش بازاریابی بر این گروه از مشتریان پاپیروس تا ده برابر سود خود را در سه ماه افزایش داد. وی افزود «با استفاده از LTV پاپیروس مشخص کرد که مشتریان Perk بیشترین مصرف کننده و مکررترین خریدارها هستند.» برنامه Perk حتی دسته بندی بهتری را ممکن ساخت. پاپیروس توانست به مشتریان از دست رفته‌ از طریق پیشنهادهای ویژه و پیام‌های شخصی سازی شده دست پیدا کند تا به بازگشت آن‌ها در آینده کمک کند.

یادگیری ماشین و بررسی رفتار مشتریان
یادگیری ماشینیی به برندها این امکان را می‌دهد که با پایش ابر داده‌ها دیدگاه های مختلفی را ‌بدست آورند و اثربخشی راه‌های متفاوت را ارزیابی کنند. (بر مبنای رفتار مشتریان). یادگیری ماشینی علاوه بر عملکرد سریع دائما مدل خود را به روز رسانی می‌کند و ضمناً دانشی با قابلیت مطالعه سریع است. شرکت Hartsoe cities یک شرکت انتشارات است که می‌تواند یک تخمین LTV صرفاً با استفاده از دو روز از فعل و انفعال ابتدایی مشتریان ارائه دهد. تخصیص از روی داده (DDA) از یادگیری ماشینی برای محاسبه مشارکت هر مشتری برای بهبود مسیر یا تغییر آن استفاده می‌کند. این که چگونه مردم یک کسب و کار را پیدا می‌کنند و تصمیم می‌گیرند مشتری آن شوند را می‌سنجد و سپس به تغییرات با توجه به گفته‌های داونی (از گوگل) اعتبار (امتیاز) می‌دهد. این کار باعث می‌شود که تیم‌های بازاریابی این که چه تبلیغ، کلید واژه و کمپینی مستقیم‌ترین تأثیر را بر اهداف کسب و کار می گذارد را معین سازند.

در میان پاسخ‌دهندگان نظرسنجی، ۶۰ درصد از بازاریابان پیشتاز باور دارند که برای درک مسیر مشتریان پرارزش DDA از ملزومات است. بازاریابان هر چه مؤثرتر این کار را انجام دهند بازده بیشتری را برای سرمایه‌گذاریشان تحقق می‌بخشند.

HomeAway، که یک بنگاه اجاره برای تعطیلات (مسافرت) است از DDA برای حصول اهداف رشد بلند پروازانه استفاده کرده است. بنا بر گفته داونی، «یک راهبرد مهم بر مبنای آخرین کلیک last-click برای اندازه‌گیری این است که هرگز در یک صنعت شدیداً رقابتی چنین راهکاری را کنار نمی گذارد.» بنابراین کمپانی HomeAway استراتژی رسانه ای خود را با تراز کردن سنجش‌ها و اهداف کسب و کار تنظیم می‌کند. DDA برای تیم‌های بازاریابی HomeAway توانایی تعیین و عمل با توجه به دیدگاه لحظه‌ای به تصمیم و برخورد مشتری را فراهم می‌کند. کمپانی در سال ۲۰۱۷، ۴۷ درصد رشد نسبت به سال قبل در رزرو خانه و ۱۱۵ درصد جهش در درآمد داشت.

پیشبینی مسیر مشتری
به جای دنبال کردن مشتری در مسیر و رسیدن به آن در میانه‌ی راه، بازاریابان فعلی نیاز دارند که پیش‌بینی کنند که آن‌ها کجا می‌خواهند بروند و در راه رسیدن به آن نقطه به آنها کمک کنند. توانایی هدایت و حتی شکل دادن به حرکت بعدی مشتری عرصه ی رقابتی جدیدی را باز می‌کند. در نظرسنجی، ۶۳ درصد از بازاریابان پیشتاز می‌گویند که باور دارند که پیش‌بینی هدف خریدار نتایج بهتری را به ارمغان می‌آورد.

با توجه به سخنان دانوی، ابزارهای دستی کسب و کار از قبیل مدل‌های احتمالاتی و بازاریابی مجدد برای حرکت شانه به شانه با مشتریان امروزی که حین جستجو برای کالا و خدمات مورد نیاز خود بین دستگاه‌ها و کانال‌ها متفاوت در نقل مکان هستند، کافی نیستند. برای درک نشانه‌های مسیر هدف مشتری، بازاریابان باید کارهای بیشتری انجام دهند. او (دانوی) می‌گوید: آن‌ها باید قبل از آن‌که خود مشتری بداند، بدانند که او چه می‌خواهد و مرتبط ترین محتوا را سر راه او قرار دهند.

TGI Fridays مجموعه‌ی فروشگاه‌های غذاخوری زنجیره‌ای است. بنابر گفته‌ی شریف میتیاسSherif Mityas، مسئول ارشد این رستوران‌ها آنها از داده‌های فعالیت‌های مشتریان در شبکه های اجتماعی استفاده می کنند تا اولویت‌ها و عاداتشان را برای ارزیابی و ارسال پیام‌های به موقع از پلتفرم‌های متفاوت، بهینه‌سازی استراتژی محصولات و کاهش هزینه‌ی رسانه‌ای استفاده کنند. مشتریانی که انتخاب می کنند داده‌های خود را به اشتراک بگذارند، برنامه‌های شخصی‌سازی شده‌ای را ایجاد می‌کنند. کارمندان رستوران، با راهنمایی داده‌ها، امکاناتی (نوشیدنی مجدد یا پیش‌غذا) پیشنهاد می‌دهند که این امر باعث افزایش میانگین مبلغ فاکتور می‌شود.

برای مثال، مشتریانی که معمولاً ساعت پنج عصر در رستوران حاضر می‌شوند تا با دوستان خود نوشیدنی بنوشند، درست قبل از ساعت ۵، پیامی مبنی بر رسیدن محصولی غیر معمول از نرم‌افزار رستوران دریافت می‌کنند. با بررسی جزییات فاکتور‌ها،‌ مجموعه رستوران‌های زنجیره‌ای مدعی شده اند که ۲۵ درصد از مشتریانی که پیام شخصی سازی شده را دریافت می‌کنند، به رستوران آمده و بدون دریافت تخفیف خرید می‌کنند.

برای دیدگاه‌های مبتنی بر داده و همچنین برای طراحی استراتژی پیش‌رو تحلیل‌ها باید میان سرمایه‌گذاران پخش شود. در گذشته نیاز به بازاریابی جدید، کمپانی‌ها را به سوی ایجاد بخش‌های مجزا سوق می‌داد. (مثلا یکی برای تحلیل دیجیتال، و دیگری وقف تجربه‌ی مشتریان) اما چالش‌های دیجیتال شدید این تمایز‌ها را از میان برمی‌دارد، همانگونه که کانال‌های دیجیتال و آفلاین را برای تعقیب هدف کسب و کار متحد می‌کند.

شیام ونوگوپال Shyam Venugopal، معاون رسانه‌ای جهانی و استراتژی اطلاعات مشتری در پپسی می‌گوید: ما تحلیل‌های پیش‌بینانه‌ای را در فضا‌های متنوعی از کسب و کار نفوذ داده‌ایم. ضمنا وی می‌افزاید: چگونه این را در میان تمام کار‌هایی که انجام می‌دهید فراگیر می‌کنید؟ همواره فرصتی وجود دارد تا بتوان آنرا در مقیاس‌های متفاوتی پیش و پیش‌تر برد. با استفاده از دیدگاه مشتری برای نفوذ در کسب و کار، هر تیمی باید تحلیل‌گران داده را به خدمت گیرد و باید به رهبران هر تیم قدرتی داده شود که تحلیل داده را به تصمیمات هوشمندانه‌تری در کسب و کار تبدیل کنند.

با مزایای یک ساختار منظم که از سرعت نیز پشتیبانی می‌کند (توانایی بهره‌مندی از متد‌های سریع را دارد) کمپانی‌ها می‌توانند به نقاط دسترس کاربران برسند. آن‌ها می‌توانند فناوری یادگیری ماشینی را برای رسیدن به هدف و پیش‌بینی آن، ورای انتظار کاربر، در اختیار گیرند. مادامی که بازاریابان، به طور کارآمد در استفاده از این تکنولوژی‌ها رشد می‌کنند، همزمان هم مسیر خریدار را بهبود می‌دهند هم سود دراز مدت خود را بهتر می‌کنند.

در نظرسنجی، بازاریابان برتر اینگونه مشخص شدند که از کمپانی‌هایی باشند که بیش از پانزده درصد سود در دو سال یا بیش از ۱۵ درصد افزایش سهم در بازار در همین بازه زمانی داشته باشند.

منبع: بنتک

نظر شما
نام:
ایمیل:
* نظر: