Koneoppimismallien käyttäminen on perinteisesti ollut sidottu yksittäisiin työkaluihin. Sitä hyödynnetään useissa verkkosivuston personointialustoissa. Sekä Google Ads että Metan mainosalusta käyttävät koneoppimista kohdennusten ja budjettien optimoimiseen. Ne - ja monet muut mainosalustat - ottavat vastaan koneoppimismallien avulla tuotettuja ennusteita ja segmentointimalleja. Mallien käyttöönotto on kuitenkin yleensä integroitu eri teknologioihin koneoppimisalustalta jokaiselle alustalle erikseen.

Kuvatun kaltainen arkkitehtuuri on toki täysin toimiva ja tietyissä konteksteissa jopa paras ratkaisu koneoppimismallien saamiseksi käyttöön käytetyissä työkaluissa. Toimintamallin haittapuolena on kuitenkin se, että tällä tavalla koneoppimismallin ennusteista ja suosituksista täytyy luoda yhteydet jokaisen alustan rajapintaan. Tämä on aikaavievää ja edellyttää osaamista useasta eri teknologiasta.

Google Tag Manager on työkalu, jolla voidaan välittää dataa suureen valikoimaan digimarkkinoinnissa käytettyihin työkaluihin suoraan verkkosivustolta reaaliaikaisesti sivustovierailun aikana. Kehittämällämme ratkaisulla Tag Manager voidaan ottaa käyttöön integraatiomoduulina, jonka avulla koneoppimismallin ennusteet välitetään valmiiksi rakennettujen integraatioiden välityksellä hyödynnettäväksi kaikille halutuille alustoille samalla kertaa.

Lamian ratkaisun suurimmat hyödyt ovat sen helppo käyttöönotto ja se, että keskitetyn järjestelmän kautta saadaan samat tiedot välitettyä joka paikkaan. Eri mainosalustat, Google Analytics ja personointityökalut saavat saman tiedon reaaliaikaisesti yhden käyttöönoton avulla. Tätä kautta voidaan madaltaa kynnystä kokeilla koneoppimismallien hyödyntämistä ja saavuttaa tehokkuushyötyjä.

Koneoppimismallien tehokkuushyötyjä markkinointikäytössä voidaan jäsentää muutaman eri näkökulman kautta.

1. Asiakassegmentointeihin perustuvat lookalike -yleisöt
2. Konversiotodennäköisyyksiin perustuvat markkinointitoimet
3. Tuotesuositusten monikanavainen hyödyntäminen

Asiakkaiden luokitteleminen tarkempiin segmentteihin on koneoppimisen peruskauraa. Segmentoinnissa voidaan hyödyntää monia erilaisia malleja, joiden avulla voidaan paremmin ennustaa, mitä asiakkaat haluavat tai miten he ovat aikaisemmin toimineet. Erilaiset ostohistoriaan perustuvat segmentoinnit kuten ostokäytöksen aikasykleihin perustuva RFM-segmentointi tai asiakkaan elinkaariarvoon perustuva jäsentäminen on melko helppo toteuttaa mistä tahansa verkkokaupasta, jossa Google Analyticsin verkkokauppaseuranta on otettu käyttöön.

Näiden mallien ennustesegmenteistä arvojen lisääminen analytiikka-alustalle on hyödyllistä jo puhtaasti sen vuoksi, että sivuston myyntikehitystä voidaan helposti analysoida kullekin segmentille erikseen. Merkittävin tehokkuushyöty tämän kaltaisista segmenteistä on kuitenkin niiden kytkeminen mainosalustojen Lookalike/Similar -kohdennusten käyttöön.

Toinen hyvin tyypillinen käyttötarkoitus koneoppimismalleille on konversiotodennäköisyyksien ennustaminen. Koneoppimismalleille on melko vaivatonta ennustaa verkko- ja asiakasdatan perusteella, kuinka todennäköistä on, että käyttäjä ostaa jonkun tietyn tuotteen tai tietyn kategorian tuotteen esimerkiksi seuraavan kuukauden sisällä.

Tämä tieto on hyödyllistä, koska sitä voi käyttää uudelleenkohdennusyleisöjen painottamiseen. Yhtäältä voimme käyttää mainospanostuksia todennäköisimpien ostajien päätöksen vahvistamiseen. Toisaalta voimme tavoitella mainonnalla konversiotodennäköisyyden nostamista hieman matalamman konversiotodennäköisyyden segmentille. Kolmanneksi voimme käyttää myös konversiotodennäköisyyksiä Lookalike/Similar audience -mainontaan.

Kolmas melko helposti hyödynnettävä koneoppimisratkaisu on tuote- tai tuoteryhmäkohtaisten suositusten hyödyntäminen sekä verkkosivustolla että mainoskanavissa. Yleisen konversiotodennäköisyyden lisäksi voidaan laskea konversiotodennäköisyys myös yksittäiselle tuotteelle tai tuoteryhmälle.

Riittävän tehokkaalla mallilla tämä heijastuu suoraan siihen, kuinka tehokkaasti saamme yrityksen tuotteita tai palveluita myytyä. Ihmiset ostavat herkemmin heille mieluisia tarjoustuotteita, jolloin hyvällä arvauksella siitä, mikä tuote kiinnostaisi tiettyä henkilöä, voimme tehostaa myyntiä suhteessa tarvittavaan mediabudjettiin.

Tehokkuushyöty tämän kaltaisesta mallintamisesta on konversioasteen ja mainostehon parantamisessa, mutta lisäarvoa tuo myös siihen sisäänrakennettu takaisinkytkentä. Jos mallin ennusteet kiinnostavista tuotteista pitävät paikkansa, jää niiden ostamisesta tieto suoraan analytiikkaan, jonka pohjalta mallin on osiltaan rakennettu. Jos malli ei ennustakaan tehokkaasti myyntiä, se pyrkii korjaamaan itseään automaattisesti.

Edellä kuvaamani tapa ottaa koneoppiminen käyttöön verkkokaupallesi perustuu Lamian kasvumarkkinointitiimin kehittämään rajapintaratkaisuun Google Cloud Platformissa. Valmis ratkaisu on nopea ottaa kokeiluun kunhan käytössäsi on Google Tag Manager ja Google Analytics 4. Olemme varmoja, että ainakin RFM-segmentointi saadaan käyttöön ensimmäisen päivän aikana.

Ota yhteyttä tiimiimme, niin kerromme yksityiskohtaisemmin, miten ratkaisumme toimii!