Информационный портал nnIT

Оригинал документа: http://www.nnit.ru/news20/no206381/


     
 

 Эксперты из Digital Contact рассказали как превратить посетителя сайта в покупателя с помощью применения машинного обучения в маркетинге.

(Официальное сообщение компании (пресс-релиз))

Данный материал размещен пользователем сайта. Мнение редакции может не совпадать с мнением автора
21.02.2018 16:56
Как динамический контент помогает компаниям выигрывать борьбу за внимание пользователя? Почему люди все реже ищут в поисковой строке и как это использовать? Каким образом динамические триггеры повышают эффективность email-маркетолога?

Обеспечение стабильного притока посетителей на сайт, безусловно, одна из ключевых задач на пути к успеху в сфере онлайн-продаж. Но трафик необходимо конвертировать в покупки. Наиболее эффективно это можно реализовать с помощью применения машинного обучения (Machine Learning, ML) в маркетинге.
 
В этой статье мы выделим три эффективных способа превратить посетителя в покупателя:
 
● Динамический контент на сайте и в рассылках
● Персонализированные товарные рекомендации
● Динамические триггеры
 
Для достижения максимального результата они должны работать в тесной связке. Именно так это происходит, к примеру, в современных платформах автоматизации маркетинга.
 
Вы, скорее всего, уже слышали и читали, как технологии машинного обучения с применением искусственного интеллекта улучшают показатели бизнеса. Давайте рассмотрим каждый из перечисленных выше способов подробнее.
 
Динамический контент
 
Сервис с динамическим контентом, который учитывает уникальные предпочтения посетителя, позволяет мгновенно построить и показать ему именно ту версию сайта или рассылки, которая удержит его внимание и — что еще важнее – с большей вероятностью подтолкнет к целевому действию. Представьте, что покупатели, заходя на ваш сайт, видят только то, что ищут, и тогда, когда им это нужно.
 
Определение местонахождения пользователя, к примеру, уже стало привычным делом. Сегодня персонализация зашла гораздо дальше: под каждого конкретного посетителя затачивается дизайн сайта, тексты, баннеры, регистрационные формы, кнопки призыва к действию и т. д.
 

Приведем пример. Человек вбивает в поисковую строку запрос «замена бампера на Volkswagen Passat», переходит по первой ссылке из выдачи и попадает на лендинг автомастерской.
 
При отсутствии системы динамического контента страница встретит человека формулировкой в стиле «Ремонт автомобилей с пробегом на выгодных условиях». Автолюбителю придется приложить дополнительные усилия, чтобы уточнить, смогут ли ему здесь помочь. И есть риск, что он не станет этого делать, а предпочтет кликнуть по следующей ссылке из выдачи.
 
Динамический контент позволяет предложить текст, учитывающий запрос потенциального клиента: что-то вроде «Замена бампера на Volkswagen Passat любого года выпуска». Человек в данном случае моментально переходит к следующей стадии конверсионной воронки.  
 

Такой подход может быть успешно использован и в различных рассылках.
Разумеется, достичь такого уровня персонализации вручную невозможно. На выручку маркетологам приходят современные системы автоматизации. Основываясь на полученных ранее результатах и истории поведения пользователей, алгоритм сам принимает решение — что, кому и в какое время показывать.
 
Персональные товарные рекомендации
 
Этот способ наиболее актуален для онлайн-продаж.
 
Ритейлеры постоянно предлагают клиенту дополнительные варианты к уже выбранному продукту. Существует несколько стандартных сценариев, которые используют практически все компании:
 
● «С этим товаром покупают» — предложение товара, дополняющего выбранный (клиент выбрал первую часть «Гарри Поттера», ему предлагают остальные книги серии);
 
● «Похожие товары» — альтернативные варианты (клиент выбрал кофеварку, магазин предлагает несколько других моделей);
 
● «Возможно, вам понравится» — рекомендации, основанные на выявленных поведенческих паттернах.
 
Последний пункт требует отдельного комментария. Системы рекомендаций в лучших онлайн-магазинах обладают любопытным свойством. Они часто советуют людям товары, не имеющие никакого отношения к выбранному, и чудесным образом попадают в яблочко.
 
Это происходит потому, что крупные ритейлеры имеют в своем распоряжении огромные базы данных. Алгоритмы на базе ИИ выявляют ключевые особенности поведения пользователя, ищут аналогичные паттерны, дают рекомендацию... и вот человек, пришедший за набором гаечных ключей, уже добавляет в корзину надувную лодку.
 
Существуют и другие сценарии, способствующие росту продаж. Пользователю могут быть предложены наиболее популярные товары или товары, которые он недавно смотрел. Порекомендовать сезонный товар — тоже неплохая идея. Словом, простор для экспериментов огромный.
 
Товарные рекомендации могут эффективно применять не только интернет-магазины. Netflix, к примеру, обладает одной из самых сложных систем рекомендаций Cinematch. Список рекомендаций в Netflix составляется на основании специально разработанных алгоритмов и учитывает оценки самих пользователей. По заявлениям представителей компании, система ежегодно приносит порядка 1 млрд долларов дополнительного дохода.
 
По данным Netflix, примерно 75 % просмотров фильмов и сериалов приходится на долю рекомендаций. Тенденция очевидна: зрители все меньше пользуются поисковой строкой, предпочитая выбирать из вариантов, подобранных для них искусственным интеллектом.
 
Еще одна область, где грамотно настроенные рекомендации играют ключевую роль,— это социальные сети. Facebook, «ВКонтакте», LinkedIn, Twitter — в основе всех этих сервисов лежит система, помогающая пользователю быстрее «обрасти» контактами, а впоследствии регулярно получать интересную информацию. Пользователю нельзя давать скучать, иначе он просто уйдет в другое место.  
 
Динамические триггеры
 
Этот сервис работает в связке с динамическим контентом и товарными рекомендациями. Динамические триггеры — это уникальный в своем роде инструмент, использующий принцип машинного обучения и позволяющий добиваться высочайшей степени персонализации email-рассылок, SMS, push-уведомлений и сообщений в мессенджерах. Представьте себе, что клиентам действительно интересны ваши рассылки или сообщения в соцсетях и они читают их в удобное им время.
 
Динамические триггеры анализируют огромный объем информации, на основании которой алгоритм способен самостоятельно решить, например, какие товары стоит порекомендовать человеку, а также в какое время и по какому каналу лучше отправить сообщение. Они точно знают, в какое именно время человек читает свою почту.
 
От маркетолога, в случае с динамическими триггерами, требуется только заложить фундамент. После этого искусственный интеллект начинает проверять разные гипотезы и с каждой итерацией становится эффективнее. Представьте систему, которая развивает ваш бизнес и развивается вместе с ним, самообучается каждый день. Именно в этом, пожалуй, и состоит главное преимущество машины — люди доверяют собственным идеям и оправдывают неудачи внешними факторами, программа же отбрасывает любое неоптимальное решение, выбирая идеальный вариант.
 
Конечно, даже самые современные системы не могут полностью взять на себя работу интернет-маркетолога. Но они способны развязать ему руки — дать возможность сегментировать аудиторию «до упора», то есть вплоть до одного-единственного клиента.
 
Кроме всего прочего, внедрение динамических триггеров помогает обеспечить плавное движение клиента по конверсионной воронке. Персонализированный контент воспринимается людьми лояльнее, нежели унифицированные рассылки и лендинги.
 

Доверяй, но проверяй: почему автоматизированные системы необходимо контролировать
 

Самообучающиеся платформы автоматизации маркетинга способны на многое, однако на первых порах им необходима помощь маркетологов.
 
И даже если все идет своим чередом, машины не будут проводить за маркетологов всю работу — время от времени стоит проводить ревизию. Только так можно убедиться, что привлекаемый трафик конвертируется в прибыль максимально эффективно. 

Автор: Команда Digital Contact

Рубрики: Маркетинг, Web

наверх
 
 
     

А знаете ли Вы что?

     
   
     


Copyright 2004 nnIT. Все права защищены
Перепечатка материалов приветствуется при ссылке на www.nnIT.nnit.ru
Ресурс разработан и поддерживается компанией Peterlink Web