Hvordan blockchain og machine learning kan levere løftet om omnichannel marketing

Forskere fra University of Minnesota, New York University, University of Pennsylvania, Handelshøjskolen BI, University of Michigan, National Bureau of Economic Research, og University of North Carolina udgav et nyt papir i Journal of Marketing der undersøger, hvordan fremskridt inden for machine learning (ML) og blockchain kan adressere iboende friktioner i omnichannel marketing og rejser mange spørgsmål til praksis og forskning.

Studiet, kommende i Journal of Marketing , har titlen "Informationsmæssige udfordringer i omnichannel marketing remedies and Future Research" og er forfattet af Koen Pauwels, Haitao (Tony) Cui, Catherine Tucker, Raghu Iyengar, S. Sriram, Anindya Ghose, Sriraman Venkataraman, og Hanna Halaburda.

I denne nye undersøgelse i Journal of Marketing , forskere definerer omnichannel marketing som "synergistisk styring af alle kundekontaktpunkter og kanaler både interne og eksterne for virksomheden, der sikrer, at kunden oplever på tværs af kanaler og virksomhedsside marketingaktivitet, herunder marketingmix og marketingkommunikation (ejet, betalt, og tjent), er optimeret."

Ofte opfattet som universalmidlet for en-til-en markedsføring, omnichannel-oplevelsesdata, markedsføringstilskrivning, og forbrugernes privatlivsfriktioner. Forskerholdet viser, at fremskridt inden for maskinlæring (ML) og blockchain kan adressere disse gnidninger. Imidlertid, disse teknologier kan til gengæld også byde på nye udfordringer for virksomheder og muligheder for akademisk forskning.

Først, fuldt ud realisere potentialet i omnichannel marketing, virksomheder har brug for information om alle deres interaktioner med hver enkelt kunde, når de gennemgår de forskellige stadier af kunderejsen. Undersøgelsen overvejer hele spektret af interaktioner, såsom kommunikation mellem virksomheden og dens kunder, aktiviteter, hvor kunderne interagerer med virksomheden (eller dens partnere) på tværs af informationsindsamling, indkøb, produktopfyldelse, vender tilbage, og service efter køb. Sådanne data er muligvis ikke let tilgængelige eller brugbare.

Spørgsmål til fremtidig forskning omfatter:Hvordan beslutter man, hvilke maskinlæringsmetoder der er bedst og kan tilskrive manglende information ved hjælp af data, som allerede er tilgængelige for virksomheden? Hvad er det optimale design af matchmakere/platforme, der indsamler information fra forskellige parter, der spænder over forskellige kundekontaktpunkter? Hvad er virkningen af ​​datadeling inden for og på tværs af virksomheder på forbrugerne (priser, de betaler), virksomheder (effektivitet i forsyningskæden, avancer), og politiske beslutningstagere (markedsstruktur, effektivitet, og samlet overskud)? Hvordan tilskynder man interne og eksterne partnere til at deltage i blockchains? Og kan blockchain-aktiveret omnichannel marketingindsats øge eller mildne konkurrencen?

Sekund, fremskridt inden for tilskrivningsmodellering har væsentligt forbedret virksomheders evne til at tildele kredit til et specifikt marketingkontaktpunkt. Imidlertid, Eksisterende tilskrivningsmodeller er begrænset af manglende evne til at tilskrive overgangen til en enkelt intervention, eller de antager, at virkningen af ​​den tidligere intervention stopper med det næste trin i købstragten og ikke overføres til efterfølgende trin i tragten. I øvrigt, fremtidig forskning bør udvikle tilskrivningsmodeller, der kombinerer mikro- og makrodata ved at udnytte afprøvede metoder inden for økonomi og markedsføring. Pauwels siger, at "Vi har brug for mere forskning, der sammenligner tilgange på aggregeret niveau ved hjælp af traditionel tilskrivningsmodellering med tilgange på individuelt niveau og multi-touch-tilskrivning. Det er nyttigt at sammenligne, hvordan eksisterende tilskrivningsmetoder kan tilpasses til at studere fremadrettede målinger såsom kunde levetidsværdi (CLV), som kvantificerer indtægtsstrømme, som en virksomhed forventer at tjene efter at have erhvervet en kunde." Til sidst, efterhånden som omnichannel marketingfolk anvender teknologier som blockchain, virksomheder vil realisere større gennemsigtighed og mere pålidelig integration af forbrugerdata på tværs af kontaktpunkter inden for og uden for virksomheden. Dette garanterer naturligvis en bedre forståelse af, hvordan tilskrivningseffekter ændrer sig med og uden blockchain-aktiverede marketingplatforme.

Tredje, forbrugernes privatliv fremmes af regulering, kundebemyndigelse, og blockchain-garantier. Stadig, der er flere spørgsmål om, hvordan man forbedrer forbrugernes privatliv. Er det muligt at bruge prædiktiv analyse på en måde, der er bevidst om forbrugernes sandsynlige privatlivspræferencer? I øvrigt, er der en måde at efterligne eksisterende blockchain-baserede økosystemer i en omnichannel kontekst? For eksempel, kan en virksomhed bruge blockchain til at skabe et token, der etablerer en valuta, der gør det muligt for forbrugere at blive belønnet for at dele deres data som en del af en omnichannel marketingindsats? Og mere ambitiøst, er der en måde, hvorpå flere virksomheder kan koordinere omkring en enkelt-token-baseret ordning for at hjælpe med at kickstarte et større økosystem? Hvor succesrige er ad-tech-initiativer, der har hjulpet omnichannel-marketingfolk med at blive kompatible med privatlivsregulering? Er de i sagens natur blot en omkostning, der afbryder den nøjagtige behandling af oplysninger, eller er der fordele i form af øget forbrugertillid? Partnerskaber mellem akademiske virksomheder kan vurdere nytten af ​​sådanne værktøjer for virksomheder, forbrugere, og lovoverholdelse – samt komme med anbefalinger til forbedringer. Den seneste udvikling inden for fødereret læring sigter mod at give privatlivskontrol; imidlertid, der er stadig plads til indirekte lækage af forbrugerinformation. Disse lækager kan stamme fra smuthuller i kollaborative maskinlæringssystemer, hvorved en modstridende deltager kan udlede medlemskab samt egenskaber forbundet med en delmængde af træningsdataene. I en blokkædeforbundet fødereret læringsarkitektur, de lokale læringsmodelopdateringer udveksles og verificeres ved at udnytte en blockchain. Kan en sådan udvikling dæmpe bekymringer om privatlivets fred og føre til mere effektive omnichannel-marketingprogrammer?

Endelig, offentlig politik har hidtil fokuseret på de skadelige virkninger af maskinlærings-inducerede algoritmiske skævheder, såsom race- eller kønsdiskrimination. Cui forklarer, at "Der er ringe forskning eller politik, der ser på brugen af ​​personlige oplysninger i algoritmer. F.eks. gør større gennemsigtighed i kundens vej-til-købsrejse, selv med udtrykkeligt kundesamtykke, resultere i den utilsigtede konsekvens af at give omnichannel-virksomheder plads til at prisdiskriminere effektivt, og ved at gøre det, udhuler forbrugernes velfærd?"