Cara Menggunakan Analitik Prediktif Untuk Pemasaran yang Lebih Baik

Analitik prediktif tidak menakutkan, tidak membingungkan, dan tidak hadir untuk mengambil pekerjaan Anda. Ini adalah alat canggih untuk membantu Anda memberikan hasil yang jauh lebih baik.

Ketidakpastian menghambat bisnis. Itu membuat lebih sulit untuk berinvestasi, lebih sulit untuk mempersiapkan, lebih sulit untuk mengetahui apa yang harus difokuskan.

Ini, tentu saja, adalah bagian dari kondisi manusia. Jika kita tahu masa depan, segalanya akan lebih mudah, bukan? Setidaknya untuk bisnis.

Meskipun AI tidak dapat memberi tahu kita masa depan (belum), algoritme cukup pintar untuk membuat prediksi. Prediksi ini mungkin tidak sempurna, tetapi setidaknya menghapus beberapa ketidakpastian dari bisnis. Hanya menjadi 10% atau 20% lebih akurat dengan prediksi kami dapat menghasilkan jutaan hingga puluhan juta pendapatan tambahan setiap tahun.

Bagi pemasar, analitik prediktif bisa menjadi pengubah permainan. Ini dapat memberi kita petunjuk tentang pelanggan dan prospek mana yang akan diinvestasikan sejak tayangan iklan pertama. Ini dapat menunjukkan kepada kita cara menemukan pelanggan dengan lebih akurat, dan cara menemukan pelanggan yang lebih baik.

Singkatnya, ini dapat mengguncang pemasaran Anda.[Berikut adalah beberapa caranya:

Analitik prediktif memungkinkan prospek Anda bergerak melalui corong penjualan dengan kecepatan mereka

Sebagai pemasar, salah satu pekerjaan inti kami adalah memelihara prospek – menggerakkan prospek baru melalui berbagai tahapan corong penjualan (alias “perjalanan pembeli”) hingga mereka menjadi pelanggan.

Kami melakukan ini dengan mengirimkan konten tepat waktu, dengan mempersonalisasi beberapa konten tersebut, dengan membujuk mereka untuk mengambil langkah kecil menuju tujuan kami. Ini sering dikenal sebagai "konversi mikro" – buku putih yang diunduh. Kalkulator online yang digunakan. Sebuah demo dijadwalkan.

Sebagian besar dari Anda sangat mengenal proses ini. Lagipula itu tugasmu.

Nah, analitik prediktif memungkinkan Anda mengalihdayakan sebagian dari pekerjaan itu. Dengan menganalisis puluhan ribu (bahkan jutaan) tindakan prospek, ini dapat memperkirakan kapan setiap prospek kemungkinan besar akan menyelesaikan salah satu konversi mikro kecil tersebut.

Dengan kata lain, ini membawa orang melalui corong penjualan lebih efektif daripada Anda.

Jangan biarkan kemampuan itu membuat Anda khawatir kehilangan pekerjaan – masih banyak pekerjaan yang harus Anda lakukan. Tapi sama seperti itu bukan penggunaan waktu Anda yang baik untuk memformat ulang kesalahan ketik secara manual di milis Anda (gmial.com ke gmail.com, misalnya), itu bukan penggunaan waktu Anda yang baik untuk menjalankan penilaian pada setiap prospek individu karena mereka bergerak melalui corong penjualan.

Melakukan itu hanya untuk 100 prospek mungkin menghabiskan seluruh hari Anda. Jadi kami membiarkan algoritme analitik prediktif melakukannya. Saat Anda pergi, pastikan anggota tim Anda bekerja dengan baik (misalnya), dan pastikan TI memahami kebutuhan aplikasi baru Anda, dan…. Anda mengerti. Sementara Anda pergi melakukan sisa pekerjaan Anda.

Memprediksi permintaan

Dengan menggabungkan umpan data (penjualan masa lalu, kondisi ekonomi saat ini, liputan media, aktivitas media sosial, dan lainnya), algoritme dapat menjadi tebakan yang sangat cerdas tentang produk mana yang akan diminati kapan.

Pemasar dapat menggunakan dua cara ini:

• Tingkatkan apa yang sudah berhasil.

Jika sistem memprediksi kenaikan besar pada sandal fuzzy biru (misalnya), pemasar dapat menghasilkan konten dan iklan untuk mendorong sandal tersebut. Mereka dapat memposisikan produk mereka di tempat yang tepat pada waktu yang tepat untuk menangkap permintaan.

• Menanggapi masalah inventaris.

Jika diperkirakan ada permintaan untuk sandal fuzzy, tetapi inventaris tidak cukup untuk memenuhi pesanan, pemasar memiliki beberapa pilihan. Mereka dapat menaikkan harga sandal tersebut, sehingga menghasilkan margin yang lebih tinggi pada inventaris yang mereka miliki. Atau mereka dapat memberikan kesempatan kepada pelanggan terbaik mereka untuk membeli sandal berbulu halus itu terlebih dahulu.

Itu hanya dua cara yang mengetahui tentang permintaan sebelumnya dapat membantu pemasar melakukan pekerjaan mereka dengan lebih baik. Anggap saja seperti laporan cuaca untuk menghasilkan permintaan.

Temukan pembeli serupa

Jika Anda pernah melakukan iklan apa pun, Anda tahu tentang ide pemirsa serupa. Ini adalah individu yang saat ini bukan pelanggan atau calon pelanggan, tetapi mereka cocok dengan banyak karakteristik pelanggan terbaik Anda.

Dengan memilih atribut yang tepat dari pelanggan terbaik Anda, Anda dapat meminta platform periklanan (seperti Facebook, misalnya) untuk mencari orang yang sesuai dengan parameter Anda, lalu menampilkan iklan Anda kepada mereka.

Caranya adalah memilih parameter yang tepat. Demografi dasar mungkin tidak cukup untuk menentukan pemirsa yang akan tergila-gila pada iklan Anda.

Di situlah analitik prediktif masuk. Dengan mampu menganalisis ratusan, bahkan ribuan atribut tentang pelanggan terbaik Anda, sistem analitik prediktif dapat membuat profil lebih detail daripada apa pun yang Anda, sebagai manusia, punya waktu untuk mendefinisikannya.

Jadi algoritme dapat memilih pemirsa serupa mana yang akan diiklankan. Mungkin juga ditugaskan untuk membuat iklan yang akan Anda tampilkan grup yang dipilih AI ini. Dan bahkan mungkin mempersonalisasi iklan tersebut untuk Anda.

Ingat – setelah algoritme analitik prediktif mengetahui cara memilih pemirsa, membuat iklan, dan mempersonalisasikannya, algoritme tersebut dapat memperbesar pekerjaan itu dengan kecepatan komputer. Kecepatan yang sama memproses data lainnya. Itu jauh lebih cepat daripada kecepatan klik… ketik… klik… klik dua kali yang kita lakukan sebagai manusia.

Ingin bukti seberapa baik ini bekerja? Satu dealer Harley Davidson meningkatkan prospeknya sebesar 2.930% dalam tiga bulan berkat analitik prediktif. Separuh dari prospek tersebut berasal dari audiens serupa yang sebelumnya tidak pernah dipertimbangkan oleh dealer untuk dijangkau. Tapi AI tahu persis di mana menemukan mereka.

Menawarkan harga terbaik

Beberapa dari kita tidak akan terlalu menyukai taktik ini. Ini memiliki bau yang licik, bahkan agak busuk. Tapi sayangnya - itu berhasil.

Karena algoritme tahu banyak tentang kami dan cara kami merespons iklan, penawaran, dan produk yang kami telusuri, algoritme tahu bahwa kami merespons poin harga yang berbeda. Sehingga mereka dapat menawarkan harga yang berbeda kepada pelanggan yang berbeda.

Jika itu menurut Anda tidak adil, saya mengerti. Beberapa dari kita juga sedikit keren dalam pendekatan ini. Tetapi pemasar sebenarnya telah melakukan ini setidaknya selama satu dekade; mereka hanya melakukannya pada tingkat yang lebih sederhana. Perusahaan katalog biasa mencetak harga yang berbeda untuk orang-orang dengan kode pos yang berbeda. Baru-baru ini, maskapai penerbangan dan situs perjalanan telah menyempurnakan tekniknya.

Begini cara kerjanya: Jika Anda hidup dalam kode pos berpenghasilan sangat tinggi, harga karangan bunga Natal tertentu mungkin $175. Jika Anda tinggal di daerah berpendapatan rendah, karangan bunga akan menjadi $125.

Tentu saja, ini memotong margin yang dibuat perusahaan. Tetapi jika mereka masih melakukannya dengan cukup baik bahkan dengan harga yang lebih rendah, itu adalah kemenangan. Mereka juga mendapatkan keuntungan dari melakukan penjualan. Setelah Anda menjadi pelanggan, mereka dapat memasarkan kepada Anda dengan lebih akurat dan berhasil.

Bagi banyak perusahaan, bahkan jika mereka merugi sedikit pada pesanan pertama, mereka memiliki sistem pemasaran yang cukup canggih untuk menutup kerugian nanti saat Anda membeli lagi.

Buat persona pelanggan yang jauh lebih halus

Taktik ini mirip dengan segmentasi, kecuali lebih seperti segmentasi 10.0. Anda akan mensegmentasi pelanggan dan prospek Anda berdasarkan setiap poin data yang Anda miliki – Anda tidak akan melakukan itu, algoritme analitik prediktif akan melakukannya.

Saat pemasar manusia membuat persona, kita cenderung harus berpegang pada 3-5 persona utama. Terlalu banyak pekerjaan dan waktu untuk membuat persona untuk setiap contoh kecil. Kami melakukan yang terbaik, tentu saja, tetapi pada titik tertentu, Anda harus pulang untuk tidur dan Anda harus memenuhi tuntutan lain dari pekerjaan Anda.

Jadi Anda memilih persona yang menghasilkan pendapatan terbesar, Anda membangun konten dan perjalanan pembeli yang paling sesuai dengan kebutuhan mereka, dan Anda menyebutnya cukup baik.

Dan itu sangat bagus. Itu jauh lebih baik daripada hanya memperlakukan semua orang dengan sama, itu sudah pasti. Dan tingkat segmentasi dan persona ini berhasil – Anda akan mendapatkan hasil 50-300% lebih banyak hanya dengan memperlakukan grup ini secara berbeda.

Tetapi dibandingkan dengan apa yang dapat dilakukan oleh program analitik prediktif berbasis AI, ini adalah permainan anak-anak. AI dapat mengolah setiap elemen data – terabyte dan petabyte – untuk menemukan “cluster” dari berbagai jenis persona. Ini akan melihat kesamaan di antara pelanggan dan prospek yang tidak akan dilihat manusia kecuali kita memiliki lebih banyak waktu dan fokus daripada yang kita miliki.

AI kemudian dapat memenuhi kebutuhan klaster tersebut dengan konten yang paling mereka sukai, melalui saluran yang mereka sukai, pada saat mereka kemungkinan besar akan merespons.

Hasil? Jumlah prospek yang jauh lebih tinggi, prospek yang lebih baik, dan prospek yang bergerak melalui corong penjualan lebih cepat.

Kesimpulan

Kami baru saja menyentuh permukaan dari apa yang dapat dilakukan analitik prediktif untuk pemasar. Posting ini dapat dengan mudah diperluas menjadi sebuah buku.

Tapi kami telah cukup membahas untuk menunjukkan kepada Anda apa yang mungkin. Dan mudah-mudahan cukup untuk menunjukkan bahwa analitik prediktif tidak mencuri pekerjaan Anda.

Anggap saja AI dan analitik prediktif sebagai komputer 2.0. Mereka adalah alat canggih untuk mengelola tumpukan data yang diperoleh bisnis Anda setiap jam.

Analitik prediktif dan AI hanyalah alat yang lebih baik daripada spreadsheet dan bahkan CRM dan sistem manajemen konten yang bagus. Pikirkan sistem lama itu seperti sekop, atau bahkan mungkin sekop. AI dan analitik prediktif lebih seperti backhoe dan peralatan pertambangan.

Pemasar bisa bermain dengan mainan besar sekarang.