Perché applicare il Machine Learning alla Marketing Automation

Intervista a Rinaldo Zambello, CEO&CSO @NUR Internet Marketing

Rinaldo Zambello
CEO & CSO @ NUR Internet Marketing

Il Marketing moderno ha requisiti e ritmi molto elevati.

La moltiplicazione dei canali e le frequenti interazioni che si accompagnano ad essi hanno reso più difficile l’intercettare gli interessi di ogni singola persona. E si sa benissimo che, senza esperienze personalizzate, è difficile attirare l’attenzione degli utenti.

Per dare vita a questo focus, ci vogliono dati. E in tale contesto un aiuto può venirci dalla Content Intelligence, termine che indica quelle strategie che applicano l’Intelligenza Artificiale ai contenuti per personalizzare l’esperienza online dei visitatori. 

Sono due gli strati AI che caratterizzano la Content Intelligence: il primo, tramite funzionalità di Speech-to-text, Image recognition, analisi semantica, classifica automaticamente i contenuti con tag. In un secondo tempo, gli algoritmi di Machine Learning tracciano i contenuti distribuiti sui canali per raccogliere dati sugli utenti che ne fruiscono. E la sintesi è questa: tag degli argomenti visualizzati = tag sugli interessi degli utenti.

Andando il dataset così ottenuto ad alimentare costantemente il CRM, si ha un serbatoio sul percorso di navigazione dell’utente aggiornato in tempo reale che può rendere le iniziative di Marketing Automation sempre più mirate.

Ma oltre a quello appena citato, quali sono i vantaggi di applicare il Machine Learning alle proprie piattaforme di Marketing Automation? Ne parliamo con l’esperto Rinaldo Zambello di NUR Internet Marketing, azienda che cura tutte le attività sul web finalizzate a portare risultati di business.

 

D: In che modo il Machine Learning ci consente di andare oltre la semplice automazione per entrare nel terreno dell'analisi predittiva? 

R: In realtà noi già impieghiamo ampiamente questa tecnologia in applicazioni di Marketing Automation (MA). Facciamo prima un attimo di chiarezza su come funzionano i sistemi di MA: essi vengono programmati da persone che, tramite meccanismi logici elementari, fanno corrispondere a un determinato input di dati un corrispettivo output, o azione (ad esempio far partire una mail in concomitanza con un carrello abbandonato) che condizionerà poi tutto l’andamento della piattaforma.

In questo ambito siamo andati a introdurre il Machine Learning: non sono più le persone a “settare” la regola che stabilisce quale prodotto possa essere affine a un determinato tipo di persona ma la piattaforma stessa, raccogliendo più dati possibili dagli utenti, anche attraverso i canali social, riesce ad analizzarli e a definire in autoapprendimento qual è il grado di affinità di una persona con i nostri prodotti dell’e-commerce e a regolarsi di conseguenza. Quando si verificherà un carrello abbandonato, sarà la macchina stessa a decidere in autonomia quale sarà la strategia di lead generation e nurturing più efficace per non perdere il cliente.

Queste nuove funzionalità di MA, grazie all’aggregazione di dati e all’autoapprendimento, riescono a prevedere i comportamenti degli utenti e a reagire rapidamente con risposte customizzate. Quelli che si ottengono sono dati predittivi: si riesce a stabilire la percentuale di affinità (ad esempio l’80%) con i propri prodotti, ma anche per quelli che sono al di fuori dalla piattaforma di vendita. Legare la MA alle attività social e al Machine Learning come facciamo noi significa riuscire ad intercettare in tempo reale i desideri espressi dalle persone e a stabilire il grado di interesse di un determinato cluster di persone per un prodotto o servizio.

 

D: Come il Machine Learning può rendere più efficiente un processo di Marketing Automation come la recommendation?

R: La combinazione di social media, dati e Machine Learning può essere vantaggiosa per l’e-commerce. Noi abbiamo fatto esperienza con Facebook e Twitter nella percezione del sentiment nei confronti dell’azienda, dei suoi prodotti e dei “desiderata” e questi dati ricavati dalle comunicazioni dei social, se processati dagli algoritmi di Machine Learning, possono far nascere delle raccomandazioni vere e proprie che permettono di personalizzare le strategie di Marketing.

 

D: Secondo Lei perché è fondamentale per essere realmente “customer centric” dotarsi di strumenti che riescono ad estrarre grazie all'Intelligenza Artificiale dati sempre aggiornati sulle preferenze degli utenti?

R: Queste sono esigenze che si stanno delineando da anni. Tutti siamo così, vogliamo sentirci trattati in maniera univoca per cui i marchi devono disporre di informazioni differenzianti che garantiscano una comunicazione più efficace. È il caso di un’informativa pubblicitaria: se mi arrivano proposte che non mi interessano mi creano disagio perché dimostrano di non conoscermi, ma se arriva qualcosa di pertinente vi presto attenzione più volentieri.

Il fatto di poter disporre di strumenti automatici per il riconoscimento della mia affinità verso il prodotto mi consente una comunicazione più mirata, è la stessa logica dell’inbound marketing. Non ci sono alternative, alla lettura dei dati deve accompagnarsi un addestramento dei valori per un’azione finale customizzata. Questa esperienza cerchiamo di portarla sia in B2C sia in B2B. È il caso di una farmaceutica che stiamo seguendo: quando il cliente sta per abbandonare il sistema, attraverso i dati rilasciati la piattaforma riesce a fare una predizione sull’azione da suggerire (questo cliente ci sta lasciando per questo motivo... si può intervenire in tal modo...).

Il Machine Learning apprende costantemente dai dati raccolti, anche storici, per cui si è in grado di perfezionare sempre di più l’intervento. Non si tratta più di un’analisi statica, bensì di qualcosa di più evoluto. E i risultati sono vantaggiosi: maggiore fidelizzazione, aumento del coinvolgimento e incremento del tasso di conversione.