O mundo da aquisição de clientes 3.0

O advento de novos algoritmos, processamento mais rápido e enormes conjuntos de dados baseados em nuvem tornam isso possível para todos os principais provedores de mídia digital. Eles vendem publicidade para experimentar a inteligência artificial para ajudar a melhorar o desempenho de seus anunciantes. E embora todas as áreas de marketing estejam particularmente maduras para a transformação, vou me concentrar nas áreas de aquisição de novos clientes e crescimento de receita, porque é onde a maioria das startups geralmente gasta mais dinheiro discricionário. Essas áreas—chamadas coletivamente de Aquisição de Clientes 3.0—têm o impacto mais significativo na escalabilidade do crescimento de seus negócios e o poder de desbloquear futuras rodadas de financiamento.

Novas Dimensões para Escala e Aprendizagem

Vamos primeiro definir rapidamente a Aquisição de Clientes 1.0 como a fase de dados de clientes isolados em diferentes servidores físicos que resultou em esforços de aquisição de usuários pagos com dados ruins sem total confiança em seu desempenho.

O Customer Acquisition 2.0 é a capacidade de aproveitar os recursos de nuvem e processamento de dados para integrar todos os dados do cliente de várias fontes em uma plataforma unificada de dados do cliente. Com isso, você pode compartilhar bons dados para aproveitar os recursos individuais de IA e a automação dos principais parceiros de publicidade executados em silos como Facebook, Google, Snapchat e outros para ajudá-lo a otimizar melhor seu orçamento para atingir suas metas de desempenho.

Isso nos leva ao que chamo de mundo de Aquisição de Clientes 3.0; a escala não representará mais apenas o valor tradicional de alcançar a liderança de custos e otimizar o fornecimento de uma oferta estável. Em vez disso, a escala criará valor de novas maneiras em várias dimensões: escala na quantidade de dados relevantes que as empresas podem gerar e acessar, escala na quantidade de aprendizado que pode ser extraído desses dados, escala para diminuir os riscos de experimentação, escala no tamanho e no valor dos ecossistemas colaborativos, na escala do número de novas ideias que podem gerar como resultado desses fatores e na amortecimento dos riscos de choques imprevistos.

Aprender sempre foi importante nos negócios. Como Bruce Henderson observou há mais de 50 anos , as empresas geralmente podem reduzir seus custos marginais de produção a uma taxa previsível à medida que sua experiência cumulativa aumenta. Mas nos modelos tradicionais de aprendizagem, o conhecimento que importa – aprender como fazer um produto ou executar um processo com mais eficiência – é estático e duradouro. Será necessário desenvolver capacidades organizacionais para aprendizagem dinâmica – aprender a fazer coisas novas e “aprender a aprender” aproveitando novas tecnologias e vastos conjuntos de dados.

Hoje, a inteligência artificial, os sensores e as plataformas digitais já aumentaram a oportunidade de aprender de forma mais eficaz – mas, de acordo com o BCG, competir no ritmo de aprendizado se tornará uma necessidade na década de 2020.

O ambiente de negócios dinâmico e incerto exigirá que as empresas se concentrem mais na descoberta e na adaptação, em vez de apenas na previsão e no planejamento. As empresas adotarão e expandirão cada vez mais o uso da IA, elevando o nível competitivo de aprendizado. E os benefícios gerarão um efeito de “volante de dados” – as empresas que aprendem mais rápido terão melhores ofertas, atraindo mais clientes e dados, aumentando ainda mais sua capacidade de aprender.

No entanto, existe uma enorme lacuna entre o desafio tradicional de aprender a melhorar um processo estático e o novo imperativo de aprender coisas novas em toda a organização continuamente. Portanto, competir com sucesso no aprendizado exigirá mais do que simplesmente conectar a IA aos processos e estruturas atuais. Em vez disso, as empresas precisarão:

• Buscar uma agenda digital que abranja todos os modos de tecnologia relevantes para a aprendizagem, incluindo sensores, plataformas, algoritmos, dados e tomada de decisão automatizada

• Conecte-os em arquiteturas de aprendizado integrado que podem aprender na velocidade dos dados, em vez de serem controlados por decisões hierárquicas mais lentas

• Desenvolva modelos de negócios que possam criar e agir com base em percepções dinâmicas e personalizadas dos clientes

  
  

Nunca antes os profissionais de marketing tiveram acesso a mais dados de clientes. Os dados próprios que as empresas coletam com os perfis dos usuários podem ir além do nome básico e dos dados demográficos e podem incluir pontos de dados valiosos downstream sobre engajamento, retenção, monetização e muito mais; as empresas podem usar isso para criar segmentos de usuários significativos para campanhas de prospecção e redirecionamento para equipes de crescimento. A ingestão e o processamento de todos esses dados primários de marcas em camadas sobre os dados avançados do usuário permitem que esses parceiros de mídia executem modelagem e análise sofisticadas com aprendizado de máquina que não era possível até alguns anos atrás. Isso resulta em melhor segmentação com novos insights e análise de dados.

Se você ainda otimiza campanhas manualmente da mesma forma que era feito há meia década, pode se encontrar entre uma raça que está desaparecendo rapidamente no jogo de aquisição de clientes. Qualquer processo manual provavelmente é muito menos eficaz e muito mais propenso a erros humanos do que as novas soluções que surgem rapidamente para atacar ineficiências.

O futuro do Customer Acquisition 3.0 depende de máquinas inteligentes, orquestrando campanhas complexas entre as principais plataformas de marketing – alocando orçamentos dinamicamente, cortando criativos, revelando insights e realizando ações de forma autônoma. Essas máquinas têm o potencial de impulsionar um desempenho excepcional com uma equipe Lean muito mais eficiente, abordagem de gerenciamento sem intervenção, alimentada por inteligência artificial.

Sobre o autor

Lomit Patel é um líder visionário com 20 anos de experiência ajudando startups a se transformarem em negócios de sucesso. Lomit desempenhou um papel crítico na expansão do crescimento em startups, incluindo Roku (IPO), TrustedID (adquirida pela Equifax), Texture (adquirida pela Apple) e IMVU (2º aplicativo de jogos de maior bilheteria). Lomit é um orador público, autor e consultor, com inúmeros elogios e prêmios ao longo de sua carreira, inclusive sendo reconhecido como um Mobile Hero pela Liftoff. O livro Lean AI de Lomit faz parte da série best-seller "The Lean Startup" de Eric Ries.