Я очень рад объявить, что на этой неделе я принимаю у себя моего дорогого друга, который также является одним из талантливых экспертов в области компьютерных наук, машинного обучения (ML)/глубокого обучения (DL), с которым я работал. Ронен Чен. Вместе с #customerconversionchallenge мы решили добавить новое преимущество в вызов и объединить его с точки зрения ML/DL.
Итак, на этой неделе мы собираемся изучить реферальные программы как мощный двигатель конверсии и роста, используя алгоритм ML/AI, чтобы сделать его более умным, быстрым и эффективным процессом, который может творить чудеса с ростом компании.
Самый известный пример реферальной программы — пример Dropbox. Погуглите, и вы найдете много статей об этом. Я дам вам краткую предысторию с наиболее значительными тенденциями в этом отношении.
Рекомендации друзей — один из самых мощных двигателей роста и конвертации пользователей. Продукты Saas, B2B2C и B2C должны рассмотреть возможность добавления его в свою стратегию, поскольку в некоторых случаях, и если вы все делаете правильно, он сильнее любого платного маркетингового инструмента. Еще одним важным аспектом реферальной программы является то, что ее успех очень просто измерить, поскольку это инструмент прямого маркетинга с назначенной ссылкой для каждого пользователя, который направляет его другу.
В случае с Dropbox у отправителя есть стимул распространить информацию о Dropbox — получить дополнительное место, а у референта также есть стимул зарегистрироваться — больше места, чем если бы они просто зарегистрировались в обычном порядке. Беспроигрышная ситуация.
Самое главное в случае с Dropbox — это цифры :)
Они использовали сарафанное радио и вирусные стратегии.
35% ежедневных регистраций по реферальной программе
20% от общих папок и других вирусных функций
Устойчивый рост на 15–20%+ в месяц с момента запуска
Вы можете посмотреть отличный слайд-шоу генерального директора Dropbox Дрю Хьюстона об их стратегии роста.
Теперь, когда мы лучше понимаем стимулы для использования реферальной программы, давайте перейдем к тому, как сделать эту программу более умным, быстрым и эффективным процессом при использовании алгоритмов ML/AI. Самый простой пример — процесс регистрации. В процессе регистрации, например, через Facebook/Google, общедоступные данные можно легко собрать с помощью специального алгоритма глубокого обучения. Это означает, что мы можем узнать о поведении пользователей, сообществах, интересах и друзьях. Затем мы могли бы использовать эти данные для умного ретаргетинга новых клиентов. Мы могли бы даже персонализировать контент и предложение пользователям, лучше понимая их поведение. Например, мы могли бы предложить персонализированный шаблон, основанный на интересах пользователей, чтобы предоставить их своим друзьям. Он основан на данных, а не на предположениях, которые являются наиболее существенным отличием при использовании алгоритмов ML/AI. И суть в том, что это экономит время, деньги и много ресурсов.
Я знаю, что это только вершина айсберга, и это такая захватывающая тема для обсуждения. Мы готовим вебинар на эту тему, поэтому, если вы хотите получать обновления, пожалуйста, зарегистрируйтесь здесь.
Спасибо, Ронен, за то, что добавили ценность этой статье, и с нетерпением ждем новых совместных статей в будущем.
Ура на данный момент,
Керен
