Des chercheurs de l'Université du Minnesota, L'Université de New York, Université de Pennsylvanie, BI Norwegian Business School, Université du Michigan, Bureau Nationale de la Recherche Economique, et l'Université de Caroline du Nord ont publié un nouvel article dans le Journal du marketing qui examine comment les progrès de l'apprentissage automatique (ML) et de la blockchain peuvent résoudre les frictions inhérentes au marketing omnicanal et soulève de nombreuses questions pour la pratique et la recherche.

L'étude, à venir dans le Journal du marketing , s'intitule "Informational Challenges in Omnichannel Marketing Remedies and Future Research" et est rédigé par Koen Pauwels, Haitao (Tony) Cui, Catherine Tucker, Raghu Iyengar, S. Sriram, Anindia Ghose, Sriraman Venkataraman, et Hanna Halaburda.

Dans cette nouvelle étude du Journal du marketing , les chercheurs définissent le marketing omnicanal comme « la gestion synergique de tous les points de contact client et de tous les canaux internes et externes à l'entreprise qui garantit que l'expérience client à travers les canaux et l'activité marketing côté entreprise, y compris le marketing-mix et la communication marketing (en propriété, payé, et gagné), est optimisé."

Souvent considérée comme la panacée du marketing one-to-one, données d'expériences omnicanales, attribution marketing, et les frictions sur la vie privée des consommateurs. L'équipe de recherche démontre que les progrès de l'apprentissage automatique (ML) et de la blockchain peuvent résoudre ces frictions. Cependant, ces technologies peuvent à leur tour présenter de nouveaux défis pour les entreprises et des opportunités pour la recherche universitaire.

D'abord, réaliser pleinement le potentiel du marketing omnicanal, les entreprises ont besoin d'informations sur toutes leurs interactions avec chaque client au fur et à mesure qu'elles traversent les différentes étapes du parcours client. L'étude considère toute la gamme des interactions, telles que les communications entre l'entreprise et ses clients, activités où les clients interagissent avec l'entreprise (ou ses partenaires) à travers la collecte d'informations, achats, réalisation du produit, Retour, et service après-vente. Ces données peuvent ne pas être facilement disponibles ou utilisables.

Les questions pour les recherches futures comprennent : Comment décider quelles méthodes d'apprentissage automatique sont les meilleures et peuvent imputer les informations manquantes à l'aide de données déjà disponibles pour l'entreprise ? Quelle est la conception optimale des marieurs/plateformes qui collectent des informations auprès de différentes parties couvrant différents points de contact avec les clients ? Quel est l'impact du partage de données au sein et entre les entreprises sur les consommateurs (prix qu'ils paient), entreprises (efficacité de la chaîne d'approvisionnement, marges bénéficiaires), et les décideurs (structure du marché, Efficacité, et excédent global) ? Comment inciter les partenaires internes et externes à participer aux blockchains ? Et les efforts de marketing omnicanal activés par la blockchain pourraient-ils augmenter ou atténuer la concurrence ?

Seconde, les progrès de la modélisation d'attribution ont considérablement amélioré la capacité des entreprises à attribuer des crédits à un point de contact marketing spécifique. Cependant, les modèles d'attribution existants sont limités par une incapacité à attribuer la transition à une seule intervention ou ils supposent que l'impact de l'intervention précédente s'arrête à l'étape suivante dans l'entonnoir d'achat et ne se prolonge pas aux étapes suivantes dans l'entonnoir. De plus, les recherches futures devraient développer des modèles d'attribution qui combinent des données micro et macro en s'appuyant sur des méthodes éprouvées en économie et en marketing. Pauwels déclare que « Nous avons besoin de plus de recherches qui comparent les approches au niveau agrégé utilisant la modélisation d'attribution traditionnelle avec les approches au niveau individuel et l'attribution multi-touch. Il est utile de comparer comment les méthodes d'attribution existantes peuvent être adaptées pour étudier des métriques prospectives telles que le client valeur à vie (CLV), qui quantifie les flux de revenus qu'une entreprise s'attend à gagner après l'acquisition d'un client. à mesure que les spécialistes du marketing omnicanal adoptent des technologies telles que la blockchain, les entreprises bénéficieront d'une plus grande transparence et d'une intégration plus fiable des données des consommateurs à travers les points de contact à l'intérieur et à l'extérieur de l'entreprise. Cela justifie naturellement une meilleure compréhension de la façon dont les effets d'attribution changent avec et sans les plateformes de marketing activées par la blockchain.

Troisième, la vie privée des consommateurs est renforcée par la réglementation, responsabilisation du client, et les garanties blockchain. Toujours, il y a plusieurs questions sur la façon d'améliorer la confidentialité des consommateurs. Est-il possible d'utiliser l'analyse prédictive d'une manière qui tienne compte des préférences probables des consommateurs en matière de confidentialité ? De plus, existe-t-il un moyen d'émuler les écosystèmes existants basés sur la blockchain dans un contexte omnicanal ? Par exemple, une entreprise peut-elle utiliser la blockchain pour créer un jeton qui établit une devise qui permet aux consommateurs d'être récompensés pour le partage de leurs données dans le cadre d'un effort de marketing omnicanal ? Et plus ambitieusement, Existe-t-il un moyen pour plusieurs entreprises de se coordonner autour d'un système basé sur un seul jeton pour aider à lancer un écosystème plus large ? Quel est le succès des initiatives de technologie publicitaire qui ont aidé les spécialistes du marketing omnicanal à se conformer à la réglementation en matière de confidentialité ? S'agit-il en soi d'un simple coût qui interrompt le traitement précis de l'information ou y a-t-il des avantages en termes de confiance accrue des consommateurs ? Les partenariats universités-entreprises peuvent évaluer l'utilité de tels outils pour les entreprises, consommateurs, et la conformité réglementaire, ainsi que de faire des recommandations d'amélioration. Les développements récents de l'apprentissage fédéré visent à fournir des contrôles de confidentialité; cependant, il reste de la place pour des fuites indirectes d'informations sur les consommateurs. Ces fuites peuvent provenir de failles dans les systèmes collaboratifs d'apprentissage automatique, grâce à quoi un participant adverse peut déduire l'appartenance ainsi que les propriétés associées à un sous-ensemble des données d'apprentissage. Dans une architecture d'apprentissage fédéré blockchain, les mises à jour du modèle d'apprentissage local sont échangées et vérifiées en tirant parti d'une blockchain. De tels développements pourraient-ils atténuer les problèmes de confidentialité et conduire à des programmes de marketing omnicanal plus efficaces ?

Finalement, les politiques publiques se sont jusqu'à présent focalisées sur les effets délétères des biais algorithmiques induits par le machine learning, comme la discrimination raciale ou de genre. Cui explique qu'« il existe peu de recherches ou de politiques sur l'utilisation des informations personnelles dans les algorithmes. Par exemple, fait une plus grande transparence dans le parcours d'achat du client, même avec le consentement explicite du client, avoir pour conséquence involontaire de donner aux entreprises omnicanales la possibilité de discriminer efficacement les prix, et ce faisant, éroder le bien-être des consommateurs ?"