As pessoas podem fazer isso sozinhas, mas a tecnologia as ajuda a fazer de forma rápida e em uma escala infinitamente maior.
Cassie Kozyrkov
Chief Decision Scientist, Google
Como as pessoas passaram a esperar experiências mais personalizadas, relevantes e assistivas, o machine learning se tornou uma ferramenta preciosa. Aqui estão três pontos que você deve considerar para preparar sua empresa para o machine learning.
Assim como os seres humanos, as máquinas funcionam melhor quando recebem objetivos claramente definidos. Metas quantificáveis e mensuráveis ajudam os cientistas de dados a construir modelos de machine learning e a identificar os dados corretos a serem usados ao treiná-las. Defina bem o que é sucesso e você poderá medi-lo mais adiante.
Você precisa ter dados precisos para o problema que está tentando resolver – pense em centenas de milhares de dados. Eles precisarão ser formatados, limpos e organizados, e serão necessários dois conjuntos de dados: um para treinar o modelo e outro
para avaliá-lo.
Profissionais de marketing podem identificar oportunidades para utilizar o aprendizado de máquina, mas somente especialistas em ciência de dados podem implementá-lo. Uma equipe multidisciplinar é essencial para o sucesso de qualquer programa de machine learning, assim como uma mentalidade organizacional que prioriza e recompensa a experimentação, medição e testes.
Essas quatro marcas utilizaram o aprendizado da máquina para otimizar suas campanhas e impulsionar seus esforços de marketing. Veja o que aprendemos.
Imagine que sua equipe tenha lançado um aplicativo, mas os primeiros resultados
mostram que os usuários que baixam o app não costumam abri-lo com frequência. Esse é um problema comum: apenas 37% dos aplicativos são utilizados após sete dias de instalação.
A equipe por trás do aplicativo de aluguel de carros da GM precisava alcançar clientes de alto valor, predispostos a contratar serviços no aplicativo. Ao integrar o machine learning em sua estratégia de campanha, a equipe foi capaz de diminuir os gastos enquanto aumentava sua base de clientes, liberando orçamento para ser atribuído a iniciativas mais estratégicas.
A necessidade de personalização está em alta, e os anúncios não são exceção. Na verdade, de acordo com algumas pesquisas, 91% dos proprietários de celulares compraram ou planejam fazer uma compra após verem um anúncio descrito como relevante.
E, claro, criar um anúncio único para cada cliente é uma tarefa impossível para um ser humano.
O machine learning está ajudando os profissionais de marketing a entregar anúncios exclusivos e personalizados aos clientes. Anúncios de pesquisa responsivos misturam vários títulos e descrições para encontrar a melhor combinação possível para um usuário, simplificando o processo de criação de anúncios e fornecendo resultados mais fortes.
Quando o apartments.com, um serviço de locação líder de mercado, quis otimizar o material publicitário para seu crescente público, recorreu aos anúncios de pesquisa responsiva do Google. Ao personalizar os anúncios baseados em critérios como momentos-chave no processo de aluguel de cada usuário, a empresa conseguiu aumentar cliques em seus websites.
As buscas estão se tornando mais frequentes e mais direcionadas. Para os especialistas em marketing, isso significa que é mais importante, mas também mais difícil, dar um lance preciso nos leilões de pesquisas. A enxurrada de dados cria mais complexidade, ofuscando os dados que realmente importam.
O Smart Bidding, ou Lances Inteligentes, utiliza o aprendizado de máquina para analisar milhões de sinais e fazer os ajustes necessários em tempo real.
Quando a OMD, agência parceira da Nissan, tentou impulsionar visitas qualificadas no site da empresa, utilizou algoritmos de lances automatizados junto às suas configurações personalizadas para atingir os principais segmentos entre seus clientes.
Quando uma pessoa pesquisa um produto, muitas vezes ela clica em vários anúncios. Normalmente o último anúncio clicado ganha crédito pela conversão, mas isso não significa que tenha sido o mais valioso. A atribuição orientada por dados utiliza algoritmos para identificar padrões que levam às conversões, incluindo os pontos de contato mais importantes.
O planejamento de uma viagem pode levar meses, com as pessoas realizando centenas de interações online. Para entender melhor quais pontos de contato impulsionam o crescimento a longo prazo, o marketplace de aluguel de imóveis por temporada HomeAway utilizou a atribuição baseada em dados para localizar sinais de intenção do consumidor, representando comportamentos associados à conversão.