Marketing Automation - phương thức tối ưu ROI Marketing với Machine Learning và AI

Tiếp thị tự động hóa (Marketing automation) là một nền tảng phần mềm (software platform) giúp các công ty có được mối quan hệ và trải nghiệm khách hàng được cá nhân hóa cao trên quy mô lớn, bằng cách tự động hóa quy trình làm việc của các chiến dịch tiếp thị để tạo ra nhiều khách hàng tiềm năng hơn, chốt được nhiều giao dịch hơn và đo lường thành công tiếp thị thông qua các kênh truyền thông khác nhau:

Các công cụ tự động hóa tiếp thị được sử dụng để giải quyết toàn bộ vòng đời của khách hàng bằng cách đồng hành với khách hàng tiềm năng (prospect) và khách hàng (customer) để nâng cao hành trình và nâng cao ARPU (Doanh thu trung bình tương ứng với mỗi khách hàng) của họ ở mỗi giai đoạn. Các trường hợp sử dụng tự động hóa tiếp thị phổ biến nhất như sau:

Tự động hóa tiếp thị tận dụng tiềm năng cao của lượng dữ liệu (Big Data) mà các công ty sở hữu, bằng cách sử dụng máy học để chia nhỏ các tập dữ liệu theo nhu cầu cụ thể (segmentation) (tinh chỉnh mục tiêu chiến dịch), cho điểm (đánh giá thái độ của khách hàng) và phát hiện cơ hội (tiết lộ các liên kết và tương quan ẩn), cho phép đảm bảo chiến dịch tiếp thị hiệu quả, đạt hiệu quả hoạt động và tăng trưởng doanh thu nhanh hơn. Các mô hình học máy AI mô tả và dự đoán giúp xác định khách hàng và nhu cầu của họ, để tăng khả năng họ phản hồi với một chiến dịch nhất định thông qua các kênh truyền thông cụ thể:

Bước 1: Phân tách tập dữ liệu (Data Segmentation)

Phản ứng của khách hàng đối với truyền thông tiếp thị có thể khác nhau tùy thuộc vào nhiều tiêu chí như kênh bán hàng, giới tính khách hàng, vị trí, hoạt động, giao dịch và các thông tin liên quan khác. Phân khúc là một công cụ hiệu quả giúp nhóm các khách hàng có đặc điểm tương tự bằng cách sử dụng dữ liệu lịch sử (hoạt động, thói quen mua hàng và đặc điểm hành vi của họ) và các thuật toán như phân tích thành phần chính (PCA), phương pháp K-means hoặc Two-Step để tìm các cụm. Dưới đây giải thích từng bước về thuật toán PCA để phân chia tập dữ liệu thành từng nhóm giá trị:

Các cụm kết quả (resulting clusters) phải được xây dựng với các nhà tiếp thị, để ánh xạ chúng tới các đặc điểm dễ hiểu thể hiện “tính cách người mua” riêng biệt. Điều này sẽ giúp cá nhân hóa tốt hơn việc giao tiếp với khách hàng của công ty, tùy thuộc vào xu hướng phản hồi của họ đối với các ưu đãi hoặc khuyến mại cụ thể, bằng cách xây dựng chiến lược và thông điệp tinh chỉnh cho từng cá nhân (hoặc phân khúc) đó để phù hợp với từng giai đoạn trong hành trình của khách hàng.

Bước 2: Chấm điểm hồ sơ khách hàng (Customer Profile Scoring)

Làm phong phú thông tin khách hàng bằng cách bổ sung cho họ thông tin mới có giá trị cao được tạo ra bởi các thuật toán máy học giúp các nhà tiếp thị tối đa hóa chuyển đổi khách hàng tiềm năng và ARPU của khách hàng, những điểm số này được sử dụng trong chiến dịch tiếp thị làm điều kiện để thực hiện hành động phù hợp:

Chấm điểm khách hàng tiềm năng: cho phép phân loại khách hàng tiềm năng, bằng cách phân biệt giữa những người thực sự quan tâm đến sản phẩm với những người mới bắt đầu tìm kiếm một số thông tin. cơ hội khách hàng cụ thể sẵn sàng chuyển đổi càng cao. Nó có thể được tính bằng 2 cách:

1. Rules engine (hệ thống chấm điểm theo quy tắc): bằng cách tăng và giảm điểm số hàng đầu dựa trên tổng trọng số của tương tác, ví dụ: [+1 điểm] cho lượt truy cập trang web, [+5 điểm] nhấp vào Email liên hệ, [+10 điểm] nhấp vào danh mục sản phẩm, [+20 điểm] tải xuống hướng dẫn người mua, [+30 điểm] truy cập hình thức thanh toán, [-10 điểm] sau 1 tháng không hoạt động, [-30 điểm] hủy đăng ký nhận bản tin. Hạn chế: trọng số của tương tác được xác định theo cách thủ công và cần điều chỉnh liên tục
2. Predictive analytics (Phân tích dự đoán) đặc biệt là regression (hồi quy), chẳng hạn như hồi quy logistic có thể được coi là xác suất chuyển đổi, nó cho phép:

• Loại bỏ việc chọn các yếu tố dự đoán theo cách thủ công, bằng cách sử dụng các thuật toán lựa chọn tính năng như lùi lại từng bước để chọn thông tin phù hợp nhất về các khách hàng tiềm năng từ thông tin nhân khẩu học, hành vi trực tuyến và tương tác qua email / xã hội.
• Loại bỏ việc xác định trọng số (weight) vì nó được thuật toán hồi quy tự động xác định trong quá trình đào tạo mô hình.

Tính điểm theo mô hình RFM [Lần truy cập gần đây, Tần suất, Tiền tệ]: nó cung cấp định nghĩa chính xác về những khách hàng tốt nhất, những người trung thành nhất, những người chi tiêu nhiều nhất, những khách hàng gần như rời bỏ dịch vụ.

• Recency score(điểm số lần truy cập gần đây): Xác định khoảng thời gian [mua ngày gần đây nhất, mua ngày xa nhất] và xếp nó thành 3, 4 hoặc 5 xếp hạng. Những khách hàng đã mua gần đây có nhiều khả năng mua lại hơn là những khách hàng đã mua thêm trong quá khứ.
• Frequency score(điểm tần suất): Xác định khoảng thời gian [tần suất mua hàng cao nhất, tần suất mua hàng thấp nhất] và xếp nó thành 3, 4 hoặc 5 xếp hạng. Những khách hàng đã mua nhiều hàng hơn trong quá khứ có nhiều khả năng phản hồi hơn là những khách hàng đã mua ít hơn.
• Monetary score (điểm số tiền tệ): Xác định [giá trị tiền tệ cao nhất, giá trị tiền tệ thấp nhất] và xếp nó vào 3, 4 hoặc 5 xếp hạng Những khách hàng đã chi tiêu nhiều hơn (tổng cộng cho tất cả các giao dịch mua) trong quá khứ có nhiều khả năng phản hồi hơn những người đã chi tiêu ít hơn.

Ưu đãi tốt nhất tiếp theo (Next best offer - NBO): sử dụng các thuật toán liên kết như Apriori và CARMA được xử lý  dựa trên dữ liệu lịch sử (thói quen chi tiêu của khách hàng) để đề xuất cho từng khách hàng các sản phẩm và nâng cấp mới phù hợp nhất với nhu cầu của họ, giúp các công ty áp dụng phương pháp lấy khách hàng làm trung tâm (Customer-centric), tăng chuyển đổi marketing và khuyến khích bán hàng để tối ưu CLV

Churn score (tỷ lệ tiêu hao): dự đoán những khách hàng có khả năng cao sẽ hủy đăng ký một dịch vụ.

Dịch từ bài gốc:

https://medium.com/@fenjiro/enhancing-marketing-automation-with-machine-learning-1abfb09dba93