Algoritme strømliner målrettet marketingindsats med uovertruffen præcision

I dagens digitale tidsalder, der indsamles flere forbrugerdata end nogensinde før. På tur, forbrugere bliver bombarderet med reklamer, der mangler målet for at identificere det "rigtige" budskab til den "rigtige" kunde, og ikke opfylder kundernes behov til den "rigtige" pris, sted eller produkt.

Virksomheder kunne gøre et bedre stykke arbejde med at målrette kunder med de data, de indsamler. Desværre, traditionelle computere har svært ved at analysere denne enorme mængde information og omsætte dataene til handlekraftige markedsføringsindsatser.

For at løse dette problem, Leeds Assistant Professor of Marketing Rico Bumbaca og forskere fra University of Chicagos Booth School of Business og Anderson School of Management ved UCLA har skabt en ny algoritme designet til at skalere ekstraordinært store datasæt og generere meget nøjagtige fremskrivninger af kundernes ønsker og ønsker.

Bumbaca og hans team beskriver, hvordan denne metode virker i deres nye papir, "Scalable Target Marketing:Distribueret Markov Chain Monte Carlo for Bayesianske hierarkiske modeller, ", som for nylig blev offentliggjort i Journal of Marketing Research .

"Metoden udnytter supercomputere ved at opdele dataene i mindre bidder og behandle hver chunk parallelt og kombinere resultaterne for at give meget præcise estimater af en forbrugers præferencer, " siger Bumbaca.

Disse oplysninger om forbrugernes præferencer kan derefter bruges af virksomheder til mere præcist at målrette deres budskaber og øge sandsynligheden for, at forbrugerne reagerer på deres annoncering.

"Kunderne vinder ved at have færre irriterende beskeder, de skal behandle fra firmaer, og de beskeder, de modtager, er spot-on i forhold til at opfylde deres behov. Virksomheder vinder ved at øge effektiviteten af ​​deres marketingindsats til reducerede omkostninger, tjene større afkast på deres mindre marketingbudgetter."

Holdet anvendte metoden til en velgørende organisation, der ønsker at målrette potentielle donorer mere effektivt. Ved at bruge deres algoritme, de forudsagde en stigning på $1,6 mio. til $4,2 mio. i trinvise donationer pr. kampagne, over mængden af ​​donationer ved hjælp af en traditionel statistisk metode.

Disse resultater viser, at nuværende traditionelle computere simpelthen ikke er kraftige nok til at håndtere den enorme mængde data eller til at nå den potentielle nøjagtighed, som dataene kan give.

Bumbaca og hans kollegers arbejde har et utroligt potentiale for marketingfirmaer, der håndterer data fra millioner af forbrugere. Dataanalysefirmaet In4mation Insights har allerede forespurgt om algoritmen i håb om at anvende den i deres virksomhedskonsulentprojekter.