Come il Machine Learning trasforma la Marketing Automation

Oggi, oltre che di intelligenza artificiale, si parla spesso anche di una sua “derivazione” più nota come Machine Learning: qualcosa che ha a che fare con l’apprendimento automatico; in realtà questa tecnologia è già ampiamente impiegata da grossi brand in applicazioni che utilizziamo ogni giorno: parliamo infatti di Netflix, Facebook, Spotify, Google Maps o Uber – tutte piattaforme in grado di comprendere le nostre esigenze e fornirci suggerimenti in linea con i nostri gusti.

Come il Machine Learning trasforma la Marketing Automation

photo credit: toptenalternatives analysis-blackboard-board-355952 via photopin (license)

La Marketing Automation, come abbiamo visto in questo blog, viene impiegata per effettuare attività come il Lead Scoring, creare campagne di Lead Nurturing, definire ed implementare flussi di lavoro e regole di automazione, nonché segmentare i contatti in funzione di numerosi parametri ed attributi. Il vero problema, spesso, è che i dati da analizzare sono tantissimi.

Il Machine Learning è una materia complessa, ma applicarla al marketing sta diventando sempre più facile

Le tecniche tradizionali di programmazione si basano su istruzioni semplici, utilizzate per formalizzare strategie risolutive di problemi – altrimenti dette algoritmi. Si tratta di meccanismi logici elementari, come la descrizione di sequenze di operazioni, la loro iterazione o la scelta tra due alternative; il tutto si basa su dei dati in input che vengono processati per produrre un determinato output. Il Machine Learning, al contrario, è un approccio totalmente differente: in modo simile agli organismi viventi, il software è in grado di apprendere dall’esperienza, affinando le proprie capacità di analisi man mano che raccoglie ed elabora nuove informazioni – e la mole di dati da trattare non è un problema ma un vantaggio, in quanto migliora il modello.

Tipi di Machine Learning

– Machine Learning supervisionato

Questo tipo di apprendimento automatico è possibile quando gli input e gli output sono identificati in modo chiaro ed il software viene addestrato mediante esempi opportunamente classificati. In particolare parliamo di:

  • Regression – quando vogliamo conoscere un determinato valore di y (variabile dipendente) al variare di x (variabile indipendente); in pratica cerchiamo di scoprire l’andamento di un fenomeno in funzione di un parametro caratteristico in grado di modificarlo. Si tratta di una tecnica di previsione derivata da strumenti di tipo statistico
  • Classificazione – se l’attributo da identificare è di tipo qualitativo; in altre parole il problema è quello di stabilire se un determinato oggetto appartiene ad una categoria oppure ad un’altra. Un esempio classico è quello di capire se un messaggio email è o non è uno spam

– Machine Learning non supervisionato

A differenza di quello supervisionato, questo tipo di apprendimento esplora informazioni come i dati storici relativi ad un certo fenomeno in cerca di possibili relazioni che leghino i dati tra loro, o di strutture significative all’interno dei dati stessi. In questo caso si parla di:

  • Clustering – se si cerca di raggruppare elementi simili tra loro per costituire una sorta di insieme o sottoinsieme
  • Associazione – se l’obiettivo è quello di identificare regole o schemi ricorrenti all’interno dei dati, ovvero se l’oggetto A è solitamente collegato all’oggetto B. Ad esempio, analizzando i dati di vendita di un supermercato, potremmo scoprire che tutti coloro che comprano un dato prodotto, solitamente ne acquistano anche un altro correlato al primo

– Machine Learning basato sul rinforzo (deep learning)

Si tratta del modello di apprendimento artificiale più sofisticato, dove si fa ricorso alle cosiddette reti neurali – capaci di simulare il comportamento elementare di un sistema nervoso biologico. Qui il “problem space”, ovvero l’area all’interno della quale si effettua l’analisi, viene esplorato da strati successivi di reti capaci di mettere in evidenza la frequenza, l’intensità e la prossimità (nel tempo e nello spazio) di determinati input, modellandosi di conseguenza in modo da amplificare o attenuare un determinato “stimolo” per produrre un certo output.

Il sistema deve interagire con un ambiente dinamico ed ha il compito di raggiungere uno specifico obiettivo (come riconoscere un volto); quindi viene opportunamente incentivato o disincentivato in funzione di come sta eseguendo il suo compito in rapporto ai risultati attesi – e questo è possibile in quanto le reti sono retroazionate al loro interno, ovvero sono capaci di tarare i loro meccanismi di sensibilizzazione e inibizione in base ad un’indicazione esterna rispetto a quanto più o meno correttamente stanno operando, il che rinforza selettivamente la loro esperienza.

Il deep learning è in fase di sviluppo e sta affrontando (con successo) le problematiche poste da ambiti come:

  • robotica ed automazione industriale
  • guida autonoma di veicoli
  • diagnosi mediche
  • riconoscimento di testi, del parlato e di immagini

Fasi di implementazione del Machine Learning

Si tratta di un procedura che si articola in 5 passi principali:

  1. Determinazione di obiettivi, metriche e vincoli – occorre focalizzarsi sui risultati che si desidera ottenere ed identificare eventuali limitazioni
  2. Individuazione dei dati occorrenti e relativa raccolta – tenendo presente che le sorgenti di informazioni possono essere molteplici ed eterogenee
  3. Addestramento del modello – utilizzando (se disponibile) un set di dati che possano servire come esempi per l’apprendimento del sistema
  4. Integrazione del sistema nell’applicazione che occorre rendere intelligente e verifica dei risultati
  5. Monitoraggio del modello – necessario per affinare progressivamente la sua capacità di effettuare analisi in modo corretto

Il Machine Learning nella Marketing Automation

– Segmentazione intelligente

  • Tipologie di prodotti – La segmentazione consiste nel suddividere un’ampia collezione di dati in una serie di sottogruppi in funzione di particolari caratteristiche comuni possedute dagli elementi che appartengono a ciascun segmento; il database può essere quindi segmentato sulla base di numerosi attributi ed il Machine Learning è in grado di individuare in modo efficiente ciò che accomuna determinati oggetti, ad esempio in relazione ai percorsi di acquisto. Questo consente di offrire ai clienti suggerimenti relativi a prodotti complementari o analoghi a quelli scelti, tenendo conto del comportamento di un ampio campione di utenti
  • Numero di acquisti – È possibile analizzare gli acquisti opportunamente registrati nel database e suddividerli in categorie principali in funzione anche del sesso e/o dell’età dei consumatori; ciò renderà più facile comprendere i tratti salienti dei diversi profili del cliente tipo e modificare di conseguenza messaggio e attività di marketing
  • Entità degli acquisti – Utilizzando questo tipo di segmentazione supportata dall’intelligenza artificiale, si potranno individuare in modo più preciso le specifiche caratteristiche di ciascun gruppo di clienti e suddividerli sulla base di criteri che ne rispecchino frequenza ed intensità di acquisto

– Analisi del grado di interesse dell’audience

  • Determinazione dinamica del prezzo – Il sistema stabilisce automaticamente l’entità di eventuali sconti in base alla probabilità che un potenziale cliente effettui un acquisto; in tal modo vengono massimizzati i ricavi bilanciando opportunamente mancate vendite e vendite a prezzo scontato
  • Fidelizzazione e prevenzione degli abbandoni – Grazie alla capacità di rilevare determinati schemi comportamentali tipici, si possono mettere in evidenza i clienti potenzialmente a rischio, così da incentivarli ed incrementarne la lealtà verso il brand

– Raccomandazioni di prodotti

  • Il Machine Learning è in grado di analizzare in tempo reale i dati relativi alle visite al sito di eCommerce ed alle transazioni, adattando dinamicamente il modello in funzione del comportamento degli utenti
  • Speciali analisi di tipo statistico determinano la probabilità che si verifichino specifici eventi in relazione tra loro; ad esempio, se qualcuno prende in esame il tipo di contenuti A, allora dovrebbe essere interessato all’offerta B e così via

Volete saperne di più? Contattateci.