Некоторые виды деятельности, связанные с электронной коммерцией и цифровым маркетингом, могут извлечь выгоду из машинного обучения (ML), а также из других областей искусственного интеллекта (ИИ). Конечными целями интеграции машинного обучения и искусственного интеллекта являются стандартные маркетинговые цели: удержание, вовлечение и конверсия. Вот список наиболее важных областей электронной коммерции, которые в конечном итоге будут улучшены или автоматизированы с помощью ML:

Рекомендации по продуктам.

Это наиболее типичное использование машинного обучения для электронной коммерции. Машинное обучение может генерировать более персонализированные рекомендации (на основе ваших покупок и истории переходов), чем обычная система рекомендаций. Традиционная система рекомендаций обычно требует только доступа к коллекции заказов и брошенных корзин, сгруппированных пользователем. В то время как проприетарные системы рекомендаций на основе машинного обучения становятся стандартом для крупных компаний, мы начинаем видеть системы рекомендаций, предлагаемые в качестве услуги для сайтов электронной коммерции. Например, Google Рекомендации AI предлагает сервисы рекомендаций, которые можно интегрировать через API. Если вы не хотите делиться своими данными с Google, взгляните на Recombee.

Маркетинговые электронные письма.

Машинное обучение может помочь создавать персонализированные сообщения (выбирая наиболее релевантный контент) и оптимизировать частоту и CTA для каждого клиента и сообщения электронной почты. Машинное обучение может дать результаты гораздо быстрее и эффективнее, чем простое A/B-тестирование. Например, используя машинное обучение для настройки своих сообщений электронной почты, Dell добилась 50-процентного увеличения CTR электронной почты, а Harley-Davidson — 40-процентного увеличения продаж.

Управление уведомлениями.

Подобно почтовым программам, ML может определять частоту, время суток, контент, CTA и контент для уведомлений. Работая с ML, в 2018 году Facebook смог восстановить большую часть недавнего падения DAU (ежедневных активных пользователей), используя ML для выбора частоты уведомлений своего приложения. Одним из стартапов, работающих над оптимизацией уведомлений, является Градиент.

Персонализированная навигация и взаимодействие с пользователем.

Веб-сайт и приложение будут адаптироваться к каждому пользователю, предлагая варианты и выбор, соответствующие его/ее истории, предпочтениям и личности. Основная цель — персонализировать веб-сайт в соответствии с профилем и намерениями пользователя. Согласно отчету Accenture, 75% потребителей с большей вероятностью совершат покупку у ритейлера, который узнает их по имени, рекомендует варианты на основе прошлых покупок и знает историю их покупок.

Управление рекламной кампанией.

Это уже происходит. В Google Ads у нас есть возможность позволить системе машинного обучения в Google Ads управлять кампанией, оптимизируя набор ключевых слов и процесс торгов. Более качественные и релевантные объявления приносят пользу рекламодателям, а также поисковой системе.

Копирование и создание контента.

Мы видим первую волну стартапов, таких как Phrasee, работающих над автоматическим созданием контента для маркетинговых электронных писем с использованием подполя искусственного интеллекта под названием Генерация естественного языка (NLG). Еще один продукт на этом рынке — Джинни, простой модуль для Shopify, автоматизирующий создание копий. На данный момент он минимален, не применяет никаких знаний, специфичных для магазина или покупателей. Генерация контента используется для повышения конверсии и эффективности SEO, помогая продавцам создавать уникальный контент, который нравится покупателям и Google. Еще несколько интересных компаний, которые стоит посмотреть в этой области: Narrative Science, Mash’n Learn, Crew Machine и Arria.

Автоматизация ChatBot.

Это захватывающее приложение машинного обучения и обработки естественного языка (NLP), которое может затрагивать различные области, включая продажи, техническую поддержку и обслуживание клиентов. В США слишком много компаний, чтобы их можно было назвать. Поищите в Google чатбот, и вы получите весь список. Если будете в Италии, рекомендую заглянуть в b-Optimist.

Управление доставкой и запасами.

Система машинного обучения может назначать каждый заказ определенному складу на основе исторических данных, запасов продукции и предпочтений пользователя в отношении доставки. Даже инвентарем можно управлять с помощью машинного обучения, чтобы лучше прогнозировать время покупки каждого продукта, сводя к минимуму стоимость избыточного запаса. Вся система цепочки поставок подвержена влиянию машинного обучения.

На данный момент некоторые из областей воздействия машинного обучения, перечисленных выше, кажутся недоступными для мелких продавцов, но я ожидаю, что это быстро изменится. Тем временем новые компании электронной коммерции уже организуют весь свой бизнес электронной коммерции вокруг технологии машинного обучения. Среди самых известных брендов StitchFix — отличный пример широкого использования машинного обучения и алгоритмов.

Франкоживет и работает на территории электронной коммерции, дикой местности между Королевством технологий и Землей маркетинга. Он свободно говорит на языке обоих царств. На протяжении многих лет Франко помогает людям преодолевать разногласия и успешно сотрудничать.

Если вы хотите узнать больше о Франко, посетите его профиль LinkedIn или отправьте ему электронное письмоfolini[at]gmail.com