“Era exatamente o que eu estava precisando”  

Não sabemos de verdade o que cada uma das pessoas impactadas pelas mídias de oferta contextual querem. Por isso, a frase acima é tão emblemática e uma reação tão sonhada. 

Há apenas uma década, achávamos o máximo o surgimento de tecnologias que nos possibilitavam personalização on-line. Naquele momento chamávamos de personalização, as técnicas que criavam experiências de um para muitos. Em outras palavras, uma mesma experiência era oferecida a muitas pessoas com base em suas características (por exemplo: visitantes de primeira viagem, leitores fiéis, uma determinada geografia) e por meio de hipóteses pré-definidas a personalização era manualmente criada.  

O salto de um grupo demográfico para um indivíduo, só é possível quando pegamos o grande volume de dados que temos disponíveis hoje, e aplicamos a inteligência artificial (neste caso mais precisamente machine-laerning).  

Na pesquisa “2019 Trends in Personalization”, conseguimos notar que as marcas estão buscando colocar o indivíduo no centro da personalização, ou seja, a experiência é para aquele indivíduo naquele momento.  

Um grande exemplo disso é a Netflix, onde a frase “Uma imagem vale mais que mil palavras”, faz muito sentido. Por muitos anos, o principal objetivo do sistema de recomendação personalizada da Netflix era conseguir oferecer os filmes/ séries/documentários certos para cada indivíduo no momento certo. Com um catálogo que contempla milhares de títulos e uma base de membros diversificada (mais de cem milhões de contas) é fundamental recomendar títulos que são perfeitos para cada membro.  

Para melhorar a precisão do modelo, a Netflix entendeu que o trabalho de recomendação está longe de acabar, o que gerou as questões: Por que você deveria se importar com algum título específico recomendado? O que pode ser dito sobre um título novo que despertaria o interesse do usuário? Como é possível convencê-lo de que vale a pena a assistir a um título?  

Com todas essas questões colocadas em foco, a Netflix passou a considerar as imagens utilizadas para retratar os títulos. Se a imagem que representa um título captar algo atraente, ela pode ser utilizada como “evidência visual” de que o filme pode ser bom para o usuário. A ideia é: Se apresentarmos essa imagem perfeita na sua página inicial, então talvez, apenas talvez, você experimente. 

Mas como funciona a inteligência artificial aplicada à oferta contextual?  

 

Com cada interação nos diversos canais disponíveis, aprendemos mais sobre cada pessoa (clientes ou visitantes). A mágica acontece na capacidade de transformar os terabytes de dados (no caso, interações) em ofertas de conteúdo (ou experiências) ajustadas, relevantes e no contexto para cada indivíduo – em milissegundos.  

O primeiro passo é criar um perfil de cada pessoa, este perfil deve se alimentar dos dados de todas as interações on-line e off-line. Desta forma somos capazes de entender completamente a jornada do cliente, ou melhor de cada pessoa. A parte mais difícil é o processamento em tempo real de um alto volume de dados, muitas vezes de diferentes origens (ou melhor, sistemas).  

Conhecendo as jornadas, entra em cena a inteligência artificial. Pois ela é capaz de criar padrões de comportamento que possibilitam modelos detalhados de cada clientes, onde nestes modelos os dados demográficos passam a perder importância para o comportamento observado.  

A partir da leitura dos mesmos, é possível prever o que você está precisando agora, neste exato momento e, tomar decisões automatizadas sobre quais conteúdos e promoções que devem ser oferecidas para cada cliente.  

Na figura abaixo o modelo de recomendação da Netflix é por meio de Teste A/B e Machine Learning. Um teste A/B ajuda a identificar se um novo algoritmo é melhor ou não do que está em produção, testando – o em um subconjunto aleatório de usuários. Os usuários do Grupo A obtém a experiência atual enquanto os do Grupo B recebem um novo algoritmo. Se os usuários do Grupo B apresentarem um envolvimento maior do que o Grupo A, então o algoritmo é lançado para toda a população.  

Na medida que as organizações procuram aplicar a personalização mais facilmente, de forma coesa e generalizada, elas demonstram os dois desafios que desejam superar, que são:  

Conectando os pontos

 

Na jornada do cliente – 74% dos profissionais dizem que sua empresa tem “poucos” ou “não tem” canais conectados – impedindo a entrega de dados relevantes de um ponto de contato para outro.  

Dificuldade em adquirir os dados

 

45% dos entrevistados dizem que não possuem os dados e insights necessários para potencializar a personalização efetiva. Isso está abaixo dos 55% dos resultados do ano passado. 

Portanto, embora haja claramente um trabalho a ser feito em termos de coleta, síntese, processamento e ativação de dados: o mercado está avançando.  

Um dos maiores exemplos e um dos percussores de toda esta estratégia é a Amazon.com, que muitos varejistas online procuram. Eles possuem um grande foco em marketing orientado por dados. Só em 2015, eles geraram 107,1 bilhões em receita líquida.

Eles possuem bilhões de dados para testar tantas coisas diferentes para descobrir o que funciona e o que não funciona, bem rapidamente. Quando observamos a Amazon ao longo dos anos vemos que eles fazem recomendações tanto no local quanto fora, via e-mail. Além disso, constatamos que suas recomendações via e-mail possuem uma conversão melhor do que as recomendações via site. O que não nos surpreende, pois, o e-mail foi mais uma vez considerado o melhor canal digital para ROI pela Econsultancy.com.  

Inteligência artificial no comando do marketing

 

Quer saber mais como a inteligência artificial está mudando o marketing? Baixe nosso ebook gratuitamente e aprenda a conviver pacificamente (e tirar proveito!) das ferramentas de inteligência artificial.