L'avènement de nouveaux algorithmes, d'un traitement plus rapide et d'énormes ensembles de données basés sur le cloud rend cela possible pour tous les principaux fournisseurs de médias numériques. Ils vendent de la publicité pour expérimenter l'intelligence artificielle afin d'améliorer les performances de leurs annonceurs. Et bien que tous les domaines du marketing soient particulièrement mûrs pour la transformation, je me concentrerai sur les domaines de l'acquisition de nouveaux clients et de la croissance des revenus, car c'est là que la plupart des startups dépensent généralement l'argent le plus discrétionnaire. Ces domaines, appelés collectivement Customer Acquisition 3.0, ont l'impact le plus important sur la croissance de votre entreprise et le pouvoir de débloquer de futurs cycles de financement. De nouvelles dimensions pour l'échelle et l'apprentissage Définissons d'abord rapidement Customer Acquisition 1.0 comme la phase de cloisonnement des données client vivant dans différents serveurs physiques qui a entraîné des efforts d'acquisition d'utilisateurs payants avec des données médiocres sans une confiance totale dans leurs performances. Customer Acquisition 2.0 est la capacité à tirer parti des capacités de traitement du cloud et des données pour intégrer toutes vos données clients provenant de plusieurs sources dans une plate-forme de données client unifiée. Avec cela, vous pouvez partager de bonnes données pour tirer parti des capacités d'IA individuelles et de l'automatisation des principaux partenaires publicitaires fonctionnant en silos comme Facebook, Google, Snapchat et d'autres pour vous aider à mieux optimiser votre budget pour atteindre vos objectifs de performance. Cela nous amène à ce que j'appelle le monde de l'acquisition client 3.0 ; L'échelle ne représentera plus seulement la valeur traditionnelle consistant à atteindre la maîtrise des coûts et à optimiser la fourniture d'une offre stable. Au lieu de cela, l'échelle créera de la valeur de nouvelles manières à travers de multiples dimensions : échelle de la quantité de données pertinentes que les entreprises peuvent générer et accéder, échelle de la quantité d'apprentissage qui peut être extraite de ces données, échelle pour réduire les risques d'expérimentation, échelle de la taille et de la valeur des écosystèmes collaboratifs, de l'échelle du nombre de nouvelles idées qu'ils peuvent générer grâce à ces facteurs, et de l'échelle pour amortir les risques de chocs imprévus. L'apprentissage a toujours été important dans les affaires. Comme , les entreprises peuvent généralement réduire leurs coûts de production marginaux à un rythme prévisible à mesure que leur expérience cumulée augmente. Mais dans les modèles d'apprentissage traditionnels, les connaissances qui comptent (apprendre à fabriquer un produit ou à exécuter un processus plus efficacement) sont statiques et durables. Il sera nécessaire de développer des capacités organisationnelles pour un apprentissage dynamique – apprendre à faire de nouvelles choses et « apprendre à apprendre » en tirant parti des nouvelles technologies et de vastes ensembles de données. Bruce Henderson l'a observé il y a plus de 50 ans Aujourd'hui, l'intelligence artificielle, les capteurs et les plateformes numériques ont déjà augmenté les possibilités d'apprendre plus efficacement, mais selon le BCG, la concurrence sur le rythme d'apprentissage deviendra une nécessité dans les années 2020. L'environnement commercial dynamique et incertain obligera les entreprises à se concentrer davantage sur la découverte et l'adaptation plutôt que sur la prévision et la planification. Les entreprises adopteront et élargiront de plus en plus leur utilisation de l'IA, élevant la barre concurrentielle de l'apprentissage. Et les avantages généreront un effet de «volant de données» - les entreprises qui apprennent plus rapidement auront de meilleures offres, attirant plus de clients et de données, augmentant encore leur capacité à apprendre. Cependant, il existe un énorme fossé entre le défi traditionnel d'apprendre à améliorer un processus statique et le nouvel impératif d'apprendre continuellement de nouvelles choses dans toute l'organisation. Par conséquent, pour être compétitif dans l'apprentissage, il faudra plus que simplement brancher l'IA sur les processus et les structures d'aujourd'hui. Au lieu de cela, les entreprises devront : Poursuivre un programme numérique qui englobe tous les modes de technologie pertinents pour l'apprentissage, y compris les capteurs, les plateformes, les algorithmes, les données et la prise de décision automatisée Connectez-les dans des architectures d'apprentissage intégrées qui peuvent apprendre à la vitesse des données, plutôt que d'être bloquées par une prise de décision hiérarchique plus lente Développer des modèles commerciaux capables de créer et d'agir sur des informations client dynamiques et personnalisées Jamais auparavant les spécialistes du marketing n'avaient eu accès à autant de données sur les clients. Les données de première partie que les entreprises collectent avec les profils d'utilisateurs peuvent aller au-delà des données nominatives et démographiques de base et peuvent inclure des points de données riches en aval sur l'engagement, la rétention, la monétisation et bien plus encore ; les entreprises peuvent l'utiliser pour créer des segments d'utilisateurs importants pour les campagnes de prospection et de reciblage pour les équipes de croissance. L'ingestion et le traitement de toutes ces données de première partie des marques superposées aux riches données des utilisateurs permettent à ces partenaires médias d'effectuer une modélisation et une analyse sophistiquées avec l'apprentissage automatique, ce qui n'était pas possible il y a encore quelques années. Cela se traduit par un meilleur ciblage avec de nouvelles informations et analyses de données. Si vous optimisez encore manuellement les campagnes de la même manière qu'il y a une demi-décennie, vous risquez de vous retrouver parmi une race en voie de disparition rapide dans le jeu d'acquisition de clients. Tout processus manuel est probablement beaucoup moins efficace et beaucoup plus sujet aux erreurs humaines que les nouvelles solutions qui émergent rapidement pour attaquer les inefficacités. L'avenir de Customer Acquisition 3.0 repose sur l'épaule de machines intelligentes, qui orchestrent des campagnes complexes sur et entre les principales plateformes marketing, allouant dynamiquement des budgets, élaguant les créations, faisant apparaître des informations et prenant des mesures de manière autonome. Ces machines ont le potentiel de générer des performances exceptionnelles avec une équipe Lean beaucoup plus efficace, une approche de gestion sans intervention alimentée par l'intelligence artificielle. A propos de l'auteur est un leader avant-gardiste avec 20 ans d'expérience dans l'aide aux startups pour devenir des entreprises prospères. Lomit a joué un rôle essentiel dans la mise à l'échelle de la croissance des startups, notamment Roku (IPO), TrustedID (acquis par Equifax), Texture (acquis par Apple) et IMVU (application de jeu n°2 la plus rentable). Lomit est un conférencier, un auteur et un conseiller, avec de nombreuses distinctions et récompenses tout au long de sa carrière, notamment en étant reconnu comme un Mobile Hero par Liftoff. Le livre de Lomit fait partie de la série à succès "The Lean Startup" d'Eric Ries. Lomit Patel Lean AI
