Crédit :CC0 Domaine public
À l'ère numérique d'aujourd'hui, plus de données sur les consommateurs sont collectées que jamais auparavant. À son tour, les consommateurs sont bombardés de publicités qui ratent la cible pour identifier le "bon" message au "bon" client, et ne satisfait pas les besoins des clients pour le « juste » prix, lieu ou produit.
Les entreprises pourraient mieux cibler les clients avec les données qu'elles collectent. Malheureusement, les ordinateurs traditionnels ont du mal à analyser cette énorme quantité d'informations et à traduire les données en efforts de marketing exploitables.
Pour résoudre ce problème, Le professeur adjoint de marketing de Leeds Rico Bumbaca et des chercheurs de la Booth School of Business de l'Université de Chicago et de la Anderson School of Management de l'UCLA ont créé un nouvel algorithme conçu pour mettre à l'échelle des ensembles de données extrêmement volumineux et générer des projections très précises des désirs et des désirs des clients.
Bumbaca et son équipe décrivent le fonctionnement de cette méthode dans leur nouvel article, "Marketing cible évolutif :chaîne de Markov distribuée Monte Carlo pour les modèles hiérarchiques bayésiens, " qui a été récemment publié dans le Journal de recherche marketing .
"La méthode tire parti des superordinateurs en divisant les données en morceaux plus petits et traite chaque morceau en parallèle et combine les résultats pour fournir des estimations très précises des préférences d'un consommateur, " dit Bumbaca.
Ces informations sur les préférences des consommateurs peuvent ensuite être utilisées par les entreprises pour cibler plus précisément leurs messages et augmenter la probabilité des réponses des consommateurs à leur publicité.
"Les clients gagnent en ayant moins de messages ennuyeux qu'ils doivent traiter de la part des entreprises, et les messages qu'ils reçoivent sont parfaits pour répondre à leurs besoins. Les entreprises gagnent en augmentant l'efficacité de leurs efforts marketing à un coût réduit, gagner des retours plus importants sur leurs plus petits budgets de marketing."
L'équipe a appliqué la méthode pour une organisation caritative qui souhaite cibler plus efficacement les donateurs potentiels. En utilisant leur algorithme, ils ont prédit une augmentation de 1,6 M$ à 4,2 M$ en dons supplémentaires par campagne, sur le montant des dons selon une méthode statistique traditionnelle.
Ces résultats démontrent que les ordinateurs traditionnels actuels ne sont tout simplement pas assez puissants pour gérer l'énorme quantité de données ni pour atteindre la précision potentielle que les données peuvent fournir.
Le travail de Bumbaca et de ses collègues a un potentiel incroyable pour les entreprises de marketing traitant les données de millions de consommateurs. La société d'analyse de données In4mation Insights s'est déjà renseignée sur l'algorithme dans l'espoir de l'appliquer dans leurs projets de conseil aux entreprises.