Ya conoces Machine Learning

Machine Learning ya es utilizado por muchas grandes empresas. Es posible que haya experimentado su potencial al usar Netflix. Le proporciona recomendaciones de películas basadas en Machine Learning. Facebook, Spotify, Google Maps o Uber también aprovechan esta tecnología a diario.

SALESmanago Copernicus Machine Learning & AI Engine

SALESmanago Marketing Automation ha desarrollado su propio motor de IA: SALESmanago Copernicus Machine Learning & AI. Recientemente, compañías como New Balance, Yves Rocher y Sizeer lo están utilizando para ofrecer a sus clientes contenido personalizado e inteligente.

Copernicus es uno de los motores de recomendación más avanzados en los sistemas MA. Está diseñado especialmente para eCommerce para garantizar la personalización y segmentación en tiempo real. Permite:

  • Big Data Analysis con los algoritmos y los marcos de aprendizaje de máquinas más avanzados.

  • Recomendaciones predictivas del producto.

  • Personalización multicanal en tiempo real.

  • Reunir y analizar todos los datos en una plataforma.

  • Informar, analizar y mejorar los resultados.

La automatización de la comercialización se utiliza ahora para asignar calificación de plomo, crear campañas de Lead Nurturing, flujos de trabajo, reglas de automatización para ejecutar la segmentación y en campañas generales. El problema aquí es una cantidad enorme de datos que se analizarán.

Los datos analizados en SALESmanago incluyen:

  • Visitas al sitio web.

  • Productos comprados.

  • Productos agregados al carro.

  • Rutas de conversión.

  • Fuentes de conversión.

  • Datos personales y demográficos del comprador (CRM).

  • Atributos de los productos comprados.

  • Reacciones al marketing directo.

  • Términos de búsqueda utilizados.

  • Conversaciones de chat.

  • Productos mostrados.

  • Valor del carro.

  • Comportamiento fuera de línea.

La tecnología actual se basa en las siguientes instrucciones, algoritmos. Es un mecanismo simple que realiza acciones derivadas de nuestra entrada principal. Machine Learning es un enfoque completamente nuevo. De manera similar a un ser humano, su potencial de aprendizaje proviene de la experiencia o para ser exactos a partir de la recopilación y el análisis continuo de datos.

Tipos de Machine Learning

Aprendizaje automático supervisado

Este tipo de aprendizaje es posible cuando las entradas y salidas se identifican claramente y los algoritmos se entrenan usando ejemplos etiquetados.

Regresión: predice el valor de respuesta continua.

Clasificación: predice el valor de respuesta categórica donde los datos se pueden separar en “clases” específicas. Su potencial se basa en aprender de ejemplos.

Aprendizaje automático no supervisado

A diferencia del Aprendizaje Automático Supervisado, el aprendizaje no supervisado se usa con conjuntos de datos sin datos históricos. Un algoritmo de aprendizaje no supervisado explora los datos superados para encontrar la estructura.

Agrupación: agrupa elementos similares en conjunto.

Asociación: el objetivo es identificar reglas que definan grandes porciones de los datos.

Aprendizaje automático de refuerzo (Aprendizaje profundo)

El más sofisticado de todos los tipos. Un sistema interactúa con un entorno dinámico en el que debe cumplir un objetivo determinado. El sistema recibe retroalimentación en términos de recompensas y castigos a medida que navega por su espacio problemático.

Este tipo de Machine Learning está adaptado para resolver problemas más complejos como:

  • Robótica y automatización industrial

  • Vehículos automotores

  • Salud y Medicina

  • Sistemas de texto, habla y diálogo.

Etapas de implementación

El proyecto consta de 5 pasos:

1. Determinación de objetivos, métricas y restricciones

Debe centrarse en los resultados que desea alcanzar e imaginar las limitaciones del proyecto.

2. Evaluación de datos, recolección de datos

Con múltiples fuentes de datos, no siempre proporcionado por el cliente el siguiente paso es evaluar y recopilar datos.

3. Modelo de entrenamiento

Construcción y modelo de entrenamiento para su proyecto.

4. Integración y prueba.

5. Monitoreo del modelo.

Al monitorear los resultados, puede ajustarlos para alcanzar las expectativas y obtener mejores resultados.

Machine Learning en Marketing Automation

Segmentación inteligente

Imágenes del producto

La segmentación es el proceso de dividir un amplio conjunto de datos en subgrupos (segmentos) en función de algún tipo de características compartidas.

Su base de datos se segmentará en secciones basadas en atributos múltiples. Por ejemplo, si su cliente está interesado en zapatos rojos, puede proporcionarle recomendaciones sobre zapatos rojos. Sin embargo, si buscan zapatos rojos con tres franjas blancas, el aprendizaje automático les permitirá ofrecer recomendaciones de productos ajustados, por lo que en este caso, zapatos rojos con tres rayas blancas tienen en su oferta.

Numero de compras

Puede analizar el número de compras y subdividir la base de datos en función de las compras realizadas por clientes de diferentes grupos, como mujeres que realizaron al menos 10 compras o personas de 30 años sin historial de compra y luego ajustar sus acciones a las características de un grupo específico.

Valor de cesta

Con la segmentación, puede tratar de encontrar características específicas de segmentos determinados, como el valor de cesta en edad, frecuencia de compras (RFM) o segmentos de tamaño de ciudad.

Análisis de los sentimientos

Análisis que proporciona información sobre el interés del cliente en un tema en particular, un producto.

Precio dinámico

Las decisiones de descuentos manuales se pueden reemplazar con el motor de AI calculando el descuento basado en la probabilidad de compra maximizando los ingresos en todos los clientes.

Mejora de retención

Prevención de abandono de clientes: análisis complejo de correspondencia, comportamiento e interacciones que identifica a clientes de alto potencial de abandono.

Recomendaciones de productos

A diferencia de los motores de recomendaciones de productos disponibles en la mayoría de las plataformas de Marketing Automation, las recomendaciones de AI no solo se basan en los datos del producto en sí o se ajustan al comportamiento específico del usuario en el modelo 1-a-1.

  • Análisis continuo de datos sobre visitas y transacciones.

  • Los resultados se calculan continuamente y cambian según los cambios en el comportamiento de los clientes.

  • El análisis estadístico calcula la probabilidad de co-ocurrencia de eventos (si A, luego B)

  • Para calcular la fuerza del sistema de dependencia de datos usa balanzas y cantidad de ocurrencias.

Recomendaciones AI en SALESmanago Copernicus

  1. Filtrado colaborativo (usuarios y productos).

  2. Más frecuentemente comprado después de la visita.

  3. Los más visitados juntos.

  4. Más frecuentemente comprado juntos.

  5. Estadísticas mixtas con peso.

Las recomendaciones pueden ser entregadas:

  • Sitio web (marcos de productos, ofertas en capas, POP-UPS, barras laterales).

  • Email marketing.

  • Notificaciones Push Web.

  • Social Media.

  • Remarketing dinámico.