Targeted Marketing

በምክንያታዊ ድምዳሜ የሚመራ Targeted Marketing የትኞቹ ደንበኞች ለማስታወቂያ ምላሽ እንደሚሰጡ ብቻ ሳይሆን ለምን ምላሽ እንደሚሰጡ እና የተለያዩ መልዕክቶች በተለያዩ ሰዎች ላይ እንዴት ተፅእኖ እንደሚፈጥሩ ይለያ። የተለመደው የደንበኞች ክፍፍል (segmentation) በዝምድና (correlation) ላይ ይተማመናል፤ የእኛ አቀራረብ ግን በተለያዩ የደንበኛ ቡድኖች ውስጥ ምክንያታዊ የህክምና ውጤቶችን ያሳያል።

እኛ ውስብስብ የቢዝነስ ተግዳሮቶችን ለመፍታትCausal Machine Learningን እንጠቀማለን።

የእያንዳንዱን ማስታወቂያ ትክክለኛ ተፅእኖ ለመለየት Randomized Controlled Trials እና Observation Causal Inference ዘዴዎችን እንጠቀማለን። ይህ ማለት ያለ ማስታወቂያም ሊገዙ ለሚችሉ ደንበኞች የሚወጣውን አላስፈላጊ ወጪ ያስቀራሉ እና ማስታወቂያዎ ከፍተኛ ምክንያታዊ ተፅእኖ ያላቸውን ደንበኞች ይለያሉ። እንደ Causal Forests እና Bayesian Additive Regression Trees ያሉ ዘዴዎችን በመጠቀም የደንበኛ ባህሪያት ለተወሰኑ መልዕክቶች እና ቻናሎች የሚሰጡትን ምላሽ የሚተነብዩ [ተለዋዋጭ የህክምና ውጤቶችን](/research#heterogeneous-treatment-effects) እንገምታለን።

የእኛን ፕላቲፎርም የሚጠቀሙ ድርጅቶች የደንበኞችን ጥራት ሳይቀንሱ ደንበኞችን ለማግኘት የሚወጣውን ወጪ በከፍተኛ ሁኔታ መቀነስ ይችላሉ። የኢ-ኮሜርስ ነጋዴዎች ለተወሰኑ ምርቶች ምላሽ ሊሰጡ የሚችሉ ደንበኞችን በትክክል በመለየት የኢሜይል ማስታወቂያ ውጤታማነትን ያሻሽላሉ። የB2B ኩባንያዎች ደግሞ መልዕክታቸው የሚለካ የባህሪ ለውጥ የሚያመጣባቸውን ውሳኔ ሰጪዎች በመለየት ስራቸውን ያመቻቻሉ።

ፕላቲፎርሙ በእያንዳንዱ ማስታወቂያ የትኛው ክፍል ተጨማሪ ገቢ እያስገኘ እንደሆነ በግልጽ የሚያሳይ መረጃ ያቀርባል።