用新的 AI 工具如何轉變客戶互動和保留

<div><h2>數位廣告轉型及其挑戰</h2>

<p>隨著全球數位廣告行業不斷發展，由 cookie 引發的費瑟康達（Generative AI revolution）正席捲而至，網路銷售觸角被迫重塑觸及客戶的方式。長期以來，第三方 cookie 和出售大量資料的資料經紀商主導了線上銷售，但這是一個幾十億美元的行業想到了一個死路，主要原因是新的隱私法、巨頭科技公司的約束以及全球消費者隱私趨勢。雖然 cookies 的消亡是不可避免的，但企業仍然苦於尋找新的廣告技術。Statista 的一份報告顯示，83%的銷售人仍然依賴第三方 cookie，2021 年在這項過時技術上花費了 220 億美元。</p>

<h3>資料隱私法和挑戰</h3>

<p>使用第三方資料已經成為一種高風險策略。不遵守資料隱私法的企業可能會因資料洩露或濫用而面臨數百萬的罰款。例如，違反《通用資料保護規則》（GDPR）將在 2023 年面臨最高 2000 萬歐元（約 2170 萬美元）罰款，或者是公司年全球營業額的 4%。而資料法規的範圍遠不止於 GDPR，這個領域多樣性很大，不斷演變增長。從像加利福尼亞消費者隱私法（CCPA）這樣的州法規到像醫療保險便攜性和負責制度法（HIPAA）這樣的聯邦法規，企業必須確保哪些法律適用於自己的營運，並理解其中的風險。</p>

<p>第三方資料活動的風險不僅止於司法程式。不符合消費者期望的品牌也面臨失去客戶和業務機會的風險。根據 2022 年 MediaMath 的一項調查，84%的消費者更願意相信那些以保護個人訊息為優先的品牌。隱私問題並不新鮮 - 關於公司如何使用他們的資料的擔憂已經多年增長。2019 年，Pew Research 報告稱 79%的美國人“關心公司如何使用他們的資料”。到了 2023 年，隱私已經成為一個首要問題，顧客期望企業保護他們的資料。如果無法做到這一點，品牌形象將受到貶值，並可能失去顧客和商業合作夥伴。</p>

<h3>第三方資料的最大障礙</h3>

<p>約束最大的來自於線上巨頭公司，比如蘋果（Apple）、Google（Google）和微軟（Microsoft）正引領著結束 cookie 的浪潮。越來越多的約束使得銷售人員每天更難獲取消費者的資料。第一方資料 - 在與使用者建立直接關係時獲得的資料，例如在支付交易或註冊時同意的條款 - 正處於風頭浪尖，被認為是第三方資料的替代品。第一方資料質量更好，因為它超越了基於年齡、地點和性別的有限訊息。而且企業可以使用第一方資料來建立現代化的資料庫。 </p>

<h4>使用機器學習（ML）和人工智慧（AI）從原始資料到價值和行動</h4>

<p>透過點銷售終端等採集的第一方資料可以生成用於定位長期價值（LFT）客戶的資料和潛力。據路透社報導，像 Uber、DoorDash 和 Spotify 等公司正在尋找與他們的客戶建立新的接觸方式。初創企業和大公司共享的挑戰是構建、維護和管理從客戶那裡收集到的第一方資料，即所謂的“資料庫”。想像一下一家公司可以生成的大量原始資料，即使這些資料是直接從客戶那裡獲取，但並非所有的資料都可以使用、準確且有價值。這就是 LFT 銷售管理者需要面臨的挑戰。他們必須在大量原始資料中尋找特定的訊息。這就是 AI 和 ML 的用武之地。AI/ML 應用程式可以在海量資料中找到眼鏡針，並在管理資料庫時實現更多功能。 </p>

<h4>深入理解資料庫</h4>

<p>資料庫是在資料倉庫中找到的訊息子集。它們為需要快速存取麾下客戶資料的決策者和商業智慧分析師提供支援。當它們被有效地編譯時，資料庫可以支撐生產、銷售和市場策略。但是構建資料庫並非易事。第一方資料庫的挑戰在於需要進行大量的原始資料分析。這就是為什麼機器學習（ML）和人工智慧（AI）的自動化、增助和計算處理能力成為資料驅動銷售預測分析的新時代的尖端。</p>

<h4>特徵工程：建立消費者購買訊號</h4>

<p>特徵工程是 AI 和 ML 應用程式有效識別特徵（有價值的資料）的關鍵過程。選擇 AI 算法可以使用來生成準確預測的正確特徵是一個耗時的過程。這通常由資料科學家團隊手動進行測試不同的特徵並進行最佳化，這個過程可能需要幾個月的時間。基於 ML 的特徵搜尋和工程可以將此過程加速到幾分鐘或幾天。自動特徵工程可以同時評估數十億個資料點中多個類別的關鍵客戶資料。公司可以使用 ML 特徵工程技術從其資料庫中提取關鍵訊息，例如客戶習慣、歷史、行為等。像亞馬遜（Amazon）和 Netflix 這樣的公司已經掌握了特徵工程的技術，並且每天使用它來向客戶推薦產品並提高參與度。他們使用客戶資料來建立所謂的消費者購買訊號。消費者購買訊號利用相關的特徵來建立群組、子集或類別，透過聚類分析進行分組。通常，訊號是根據客戶的需求進行分組，例如“女性和男性的運動愛好者，對健康有興趣”。但是開發和部署基於訊號的 AI 應用程式或 ML 模型並不是一次性的任務。AI/ML 系統需要不斷維護以確保它們不會漂移 - 隨著時間的推移生成不準確的預測。同時資料庫需要持續更新以適應資料變化、新資料新增和新產品趨勢。這一步驟中的自動化也是至關重要的。此外視覺化是關鍵。所有利益相關者都必須能夠存取系統生成的資料。將 ML 模型整合到商業智慧儀表板中可以實現這一目標。透過商業智慧儀表板，即使是那些沒有高級資料科學或計算技能的公司內部人士也可以使用該資料。銷售團隊、產品開發人員、高級管理人員等可以使用 BI 儀表板。</p>

<h2>結論</h2>

<p>雖然 AI 和 ML 技術已經存在數十年，但直到近幾年（以及生成 AI 的幾個月）它們才真正取得了突破性的進步。儘管創新的步伐加快，但企業和開發人員必須努力保持領先地位。未來的方向很簡單。企業必須尋找使用技術解決現實問題的方法。就資料隱私、cookies 的終結以及第三方資料的終結而言，AI 可以透過重新思考這個問題，創新找到前所未有的獨特解決方案，對每個企業都是獨特的。然而種植 AI 的種子只是開始。構建和實現需要勤奮和努力。在這方面，ML 和 AI 的潛力是無窮的，並且非常可定制，能夠幫助每個組織實現其獨特的目標和目標。</p></div><div>AI 技術-AI 工具,客戶互動,保留,技術創新,資料分析,資料處理,自動化,</div>