كيف يمكن لأدوات الذكاء الاصطناعي الجديدة تحويل تفاعل العملاء والاحتفاظ بهم

مع استمرار اكتساب الزخم للمستقبل الذي لا يحتوي على ملفات تعريف الارتباط ، يشهد قطاع الإعلان الرقمي العالمي تحولًا جذريًا. تضطر الشركات إلى إعادة تصور الطريقة التي تصل بها إلى العملاء.

هيمنت ملفات تعريف ارتباط الطرف الثالث على التسويق عبر الإنترنت – رموز التتبع المنشورة على مواقع الويب لاستخراج معلومات المستخدمين – ووسطاء البيانات الذين يبيعون المعلومات بالجملة.

ومع ذلك ، فإن هذا العمل الذي تبلغ تكلفته مليارات الدولارات ، والذي استمر لعقود من الزمن ، أصبح الآن في وضع صعب بسبب تريفيكتا مثالية: قوانين الخصوصية الجديدة ، والقيود التقنية الكبيرة ، واتجاهات خصوصية المستهلك العالمية.

في حين أن نهاية ملفات تعريف الارتباط أمر لا مفر منه ، لا تزال الشركات تكافح للعثور على تقنيات إعلانية جديدة. يكشف تقرير Statista في يناير أن 83٪ من المسوقين لا يزالون يعتمدون على ملفات تعريف ارتباط الطرف الثالث ، وينفقون 22 مليار دولار على هذه التقنية القديمة في عام 2021.

في هذا التقرير ، سنتعمق في تعقيدات تحول الإعلانات الرقمية ونكشف كيف تقدم التقنيات الجديدة والتعلم الآلي (ML) والذكاء الاصطناعي فرصًا جديدة للصناعة.

التحديات والمخاطر والاتجاهات الجديدة للتسويق الرقمي

أصبح استخدام بيانات الطرف الثالث استراتيجية عالية المخاطر. يمكن للشركات التي لا تلتزم بقوانين خصوصية البيانات أن تواجه غرامات بالملايين بسبب انتهاكات البيانات أو إساءة استخدامها. على سبيل المثال ، يمكن أن يكلف تحدي اللائحة العامة لحماية البيانات (GDPR) ما يصل إلى 20 مليون يورو (حوالي 21.7 مليون دولار) أو 4٪ من حجم المبيعات العالمي السنوي للشركة في عام 2023.

ويذهب مشهد البيانات القانونية إلى ما هو أبعد من اللائحة العامة لحماية البيانات ؛ إنه متنوع ومتطور ومتزايد باستمرار. من قوانين الولاية مثل قانون خصوصية المستهلك في كاليفورنيا (CCPA) إلى القوانين الفيدرالية مثل قانون التأمين الصحي وقابلية النقل والمساءلة (HIPAA) ، يجب على الشركات تحديد القوانين التي تنطبق على عملياتها ومعرفة المخاطر.

لا تنتهي مخاطر تشغيل حملات بيانات الجهات الخارجية بالمحاكم. العلامات التجارية التي لا تتوافق مع توقعات المستهلك تخاطر بفقدان العملاء وفرص العمل. كشف استطلاع MediaMath لعام 2022 أن 84٪ من المستهلكين من المرجح أن يثقوا في العلامات التجارية التي تعطي الأولوية لاستخدام المعلومات الشخصية مع نهج آمن للخصوصية.

هذه القضية ليست جديدة – المخاوف المتعلقة بالخصوصية تتزايد منذ سنوات. في عام 2019 ، أفادت Pew Research أن 79٪ من الأمريكيين كانوا “قلقين بشأن كيفية استخدام الشركات لبياناتها”. في عام 2023 ، أصبحت الخصوصية أولوية قصوى ، ويتوقع العملاء من الشركات حماية بياناتهم. يؤدي عدم القيام بذلك إلى انخفاض قيمة تصور العلامة التجارية وخسارة محتملة للعملاء وشركاء الأعمال.

يأتي أهم عائق أمام بيانات الجهات الخارجية من عمالقة الإنترنت أنفسهم. تقود شركات مثل Apple و Google و Microsoft الطريق نحو إنهاء ملفات تعريف الارتباط. القيود المتزايدة تجعل من الصعب على جهات التسويق الحصول على بيانات المستهلكين يوميًا.

بيانات الطرف الأول – التي تم الحصول عليها بموجب الموافقة في علاقة مباشرة مع المستخدم ، على سبيل المثال ، عند إجراء دفعة أو الموافقة على الشروط عند تسجيل المعاملة – تتجه وتتوقع أن تحل محل بيانات الطرف الثالث. تعد بيانات الطرف الأول أيضًا ذات جودة أفضل ، لأنها تتجاوز المعلومات المحدودة بناءً على العمر والموقع والجنس. علاوة على ذلك ، يمكن للشركات استخدام بيانات الطرف الأول لإنشاء مجموعات بيانات حديثة.

ML و AI: من البيانات الأولية إلى القيمة إلى الإجراء

يمكن لبيانات الطرف الأول مثل تلك التي تم جمعها من خلال نقاط النهاية مثل محطات نقطة البيع (PoS) أن تولد بيانات وإمكانية كبيرة لاستهداف عملاء القيمة الدائمة (LFT). تتجه حملات LFT حيث تجد شركات مثل Uber و DoorDash و Spotify طرقًا جديدة للوصول إلى قاعدة عملائها ، وفقًا لتقارير رويترز.

يتمثل التحدي الذي تشاركه كل من الشركات الناشئة والشركات الكبرى في بناء وإدارة وصيانة بيانات الطرف الأول التي يجمعونها من عملائهم في ما يُعرف باسم “متاجر البيانات”.

تخيل الكم الهائل من البيانات الأولية التي يمكن أن تنتجها الشركة. حتى عندما تكون هذه بيانات الطرف الأول – التي يتم الحصول عليها مباشرة من عملائها – لا يمكن استخدامها كلها أو تكون دقيقة أو ذات قيمة. وهذا ما يتعين على مديري حملة LFT التعامل معه. يجب عليهم مسح بحر من البيانات الخام للعثور على معلومات محددة للغاية.

هذا هو المكان الذي يلعب فيه الذكاء الاصطناعي والتعلم الآلي. يمكن أن تجد تطبيقات AI / ML تلك الإبرة في كومة القش وأن تفعل أكثر من ذلك بكثير عند إدارة مجموعات البيانات.

فهم مجموعات البيانات

مجموعات البيانات هي مجموعة فرعية من المعلومات الموجودة داخل مستودعات البيانات. تم تصميمها لصانعي القرار ومحللي ذكاء الأعمال (BI) الذين يحتاجون إلى الوصول إلى البيانات التي تواجه العملاء بسرعة. يمكن أن تدعم مجموعات البيانات استراتيجيات الإنتاج والمبيعات والتسويق عندما يتم تجميعها بكفاءة. لكن قولها أسهل من القيام بها.

يتمثل التحدي الذي يواجه مجموعات بيانات الطرف الأول في مقدار تحليل البيانات الخام اللازم لبناءها. هذا هو السبب في أن الأتمتة والتعزيز وقوة المعالجة الحاسوبية للتعلم الآلي (ML) والذكاء الاصطناعي أصبحت رأس السيف في العصر الجديد للتحليلات التنبؤية للتسويق القائم على البيانات.

هندسة الميزات: بناء إشارات شراء المستهلك

تعد هندسة الميزات مكونًا مهمًا لتطبيقات الذكاء الاصطناعي والتعلم الآلي لتحديد الميزات بشكل فعال – البيانات القيمة. قد يستغرق تحديد الميزات الصحيحة التي يمكن أن تستخدمها خوارزمية الذكاء الاصطناعي لإنشاء تنبؤات دقيقة وقتًا طويلاً. غالبًا ما يتم ذلك يدويًا بواسطة فرق من علماء البيانات. يقومون يدويًا باختبار ميزات مختلفة وتحسين الخوارزمية ، وهي عملية قد تستغرق شهورًا. يمكن أن يؤدي اكتشاف الميزات التي تعمل بنظام ML والهندسة إلى تسريع هذه العملية إلى دقائق أو أيام فقط.

يمكن لهندسة الميزات المؤتمتة تقييم مليارات من نقاط البيانات في وقت واحد عبر فئات متعددة لاكتشاف بيانات العملاء المهمة المطلوبة. يمكن للشركات استخدام تقنيات هندسة ميزات ML لاستخراج المعلومات الأساسية من مجموعات البيانات الخاصة بهم ، مثل عادات العملاء والتاريخ والسلوكيات والمزيد. لقد أتقنت شركات مثل Amazon و Netflix هندسة الميزات واستخدامها يوميًا للتوصية بالمنتجات لعملائها وزيادة المشاركة.

يستخدمون بيانات العملاء لإنشاء ما يعرف بإشارات شراء المستهلك. تستخدم إشارات شراء المستهلك الميزات ذات الصلة لإنشاء مجموعات أو مجموعات فرعية أو فئات باستخدام تحليل الكتلة. عادة ، يتم تجميع الإشارات وفقًا لرغبات العملاء ، على سبيل المثال ، “النساء والرجال الذين يمارسون الرياضة ويهتمون بالصحة”.

لكن تطوير ونشر تطبيقات الذكاء الاصطناعي أو نماذج ML لتشغيل حملات تسويقية مستهدفة قائمة على الإشارات ليست مهمة يتم تنفيذها مرة واحدة. يجب الحفاظ على أنظمة الذكاء الاصطناعي / التعلم الآلي لضمان عدم انحرافها – مما يؤدي إلى توليد تنبؤات غير دقيقة مع تقدم الوقت. وتحتاج مجموعات البيانات إلى التحديث باستمرار لتغييرات البيانات وإضافات البيانات الجديدة واتجاهات المنتجات الجديدة. الأتمتة في هذه الخطوة ضرورية أيضًا.

بالإضافة إلى ذلك ، التصور هو المفتاح. يجب أن يكون جميع أصحاب المصلحة قادرين على الوصول إلى البيانات التي يولدها النظام. يتم تحقيق ذلك من خلال دمج نموذج ML في لوحات معلومات الأعمال. باستخدام لوحات معلومات ذكاء الأعمال ، يمكن حتى لمن هم داخل الشركة ليس لديهم مهارات متقدمة في علوم البيانات أو الحوسبة استخدام البيانات. يمكن استخدام لوحات معلومات BI بواسطة فرق المبيعات وتطوير المنتجات والمديرين التنفيذيين والمزيد.

افكار اخيرة

بينما كان الذكاء الاصطناعي والتعلم الآلي موجودين منذ عقود ، إلا أنه في السنوات القليلة الماضية فقط (وأشهر للذكاء الاصطناعي التوليدي) قاموا بالفعل بقفزات كمية. على الرغم من هذه الوتيرة المتسارعة للابتكار ، يجب على الشركات والمطورين السعي للبقاء في صدارة اللعبة. الطريق إلى الأمام بسيط. يجب أن تبحث الشركات في الطرق التي يمكن بها استخدام التكنولوجيا لحل مشاكل العالم الحقيقي.

في حالة خصوصية البيانات ونهاية ملفات تعريف الارتباط ونهاية بيانات الطرف الثالث ، يمكن استخدام الذكاء الاصطناعي لإعادة النظر في هذه المشكلة الأصلية وابتكار طريقها إلى حل جديد لم يسبق له مثيل فريد من نوعه لكل شركة. لكن زرع بذور أفكار الذكاء الاصطناعي ليس سوى بداية الرحلة. هناك حاجة إلى الحرفية والعمل الجاد للمتابعة. إن إمكانات ML و AI ، من هذا المنظور ، لا حصر لها وقابلة للتخصيص بدرجة كبيرة ، وقادرة على خدمة كل مؤسسة لتحقيق أهدافها وغاياتها الفريدة.

ريوهي فوجيماكي هو المؤسس والرئيس التنفيذي لشركة dotData.