Коммуникационные тренды: взгляд из-за рубежа, 17.09.2019

В закладки

Как найти нужные источники данных

В огромном количестве данных трудно найти ценные маркетинговые идеи, особенно сложно переработать все эти данные вручную. Машинное обучение и искусственный интеллект (ИИ) в этом отношении вышли на первый план. 92% компаний увеличили свои инвестиции в ИИ и big data в этом году. Но первопроходцы признают, что им все еще приходится самостоятельно «управлять данными». В чем проблема такого несоответствия между инвестициями и ощутимыми результатами?

Введение в работу искусственного интеллекта – это процесс, который требует создания прочной основы. Для начала нужно определить, какие источники данных вам необходимо принять во внимание для анализа, и прорисовать инфраструктуру вокруг них.

Крис Питт
Операционный директор Vertical Leap (Великобритания)

Ключом к поиску наиболее подходящих источников данных для маркетинга является умение задавать правильные вопросы.

1. Цели определят нужные вам данные

У машинного обучения и ИИ теперь есть множество вариантов использования в маркетинге. Знание того, какие результаты вы хотите получить, определит, какие данные смогут стать наиболее полезными для сбора и использования.

2. Сначала проведите аудит внутренних источников

Очевидно, у вас на руках уже есть много данных, но вам не нужен каждый их бит. На начальном этапе работы с анализом данных лучше избегать сложных задач.

3. Рассмотрение внешних источников данных

Внутренние источники данных могут помочь вам узнать, кто является вашими лучшими клиентами и как они взаимодействуют с вашим брендом. Но каждая компания в конечном итоге хочет найти больше «похожих» перспектив на других рынках. Именно тогда вы можете добавить некоторые внешние источники данных для анализа.

Лояльность и бизнес-результаты

В наше время установление лояльности стало для брендов одной из самых трудных задач. Новое исследование лояльности и взаимодействия с клиентами компании Brand Keys представило уникальный набор данных о лояльности, эмоциональной вовлеченности и коммуникациях с брендами. Самый главный вывод, который был сделан, говорит, что данные о лояльности бренда предсказывают результаты бизнеса с исключительно высокой точностью в соответствии с трафиком, продажами и связанными с ними показателями эффективности.

Лояльность является опережающим индикатором поведения потребителей в будущем. Чем больше вовлечен потребитель, тем более позитивно он поведет себя в отношении покупки и рекомендации бренда. Компании, которые делают лояльность и эмоциональную вовлеченность стратегическим приоритетом, всегда значатся в списке лидеров и, что более важно, обязательно появляются в списках покупок потребителей.

Роберт Пассикофф
Основатель и президент Brand Keys (США)

Разрыв между доверием к данным и их качеством

Новое исследование, проведенное компанией Syncsort, занимающейся разработкой программного обеспечения для обработки данных, исследовало качество данных компаний и их доверие к этим данным. Хотя большинство респондентов оценили качество данных своей организации как «хорошее» (38%) или «очень хорошее» (27%), опрос выявил разрыв в понимании качества данных и доверия к ним, а также в том, как они влияют на бизнес-решения. Тремя основными проблемами, с которыми сталкиваются компании при обеспечении высокого качества данных, были названы использование множества источников данных (70%), применение процессов управления данными (50%) и объемы данных (48%). Последствия низкого качества данных могут быть самыми разными: от неудовлетворенности клиентов до препятствий на пути внедрения новых технологий. 25% респондентов, которые сообщили о неоптимальном качестве данных, говорят, что они, в итоге, помешали их компаниям внедрить новые технологии и методы (такие как ИИ, машинное обучение и блокчейн). Только 16% респондентов уверены, что они не подают неверные данные в приложения ИИ и машинного обучения.

Классическая фраза «из мусора в мусор» давно используется для описания важности качества данных. Недостаточно хорошее качество данных является серьезным препятствием для бизнеса, особенно в использовании технологий искусственного интеллекта и машинного обучения.

Тенду Йогуртчу
Технический директор Syncsort (США)
{ "author_name": "iMARS Group", "author_type": "self", "tags": ["\u043b\u043e\u044f\u043b\u044c\u043d\u043e\u0441\u0442\u044c","\u0438\u0438","\u0434\u0430\u043d\u043d\u044b\u0435"], "comments": 0, "likes": 1, "favorites": 7, "is_advertisement": false, "subsite_label": "marketing", "id": 83449, "is_wide": false, "is_ugc": true, "date": "Tue, 17 Sep 2019 14:14:47 +0300", "is_special": false }
Объявление на vc.ru
0
Комментариев нет
Популярные
По порядку

Комментарии

null