Czy zatem inwestycja w tego typu działania ma sens ekonomiczny? Może klasyczne podejście oparte o modele przeliczane cyklicznie, zastosowane na masową skalę, nadal jest w stanie zapewnić wysoką skuteczność prowadzonej komunikacji z klientami?
Jednym z głównych wyzwań przy zastosowaniu analityki na masową skalę jest zapewnienie odpowiedniej liczby modeli analitycznych, które nie tylko pozwalają na ocenę skłonności do zakupu poszczególnych ofert czy też produktów, ale również wspierają proces doboru kanału kontaktu czy też momentu tego kontaktu. Modele te nie tylko muszą być cyklicznie przeliczane, ale również ich jakość musi być na bieżąco monitorowana, aby w odpowiednim momencie zidentyfikować te, których skuteczność spada i konieczne jest ich przeuczenie na nowych danych. To cały szereg operacji związanych z bieżącym zarządzaniem analitycznym cyklem życia. Przy ograniczonych zasobach zespołów CRM i zespołów analitycznych działanie takie na masową skalę stanowi niemałe wyzwanie.
Co robić w przypadku nowych usług, dopiero wdrażanych na rynek? Jak zapewnić ich właściwą komunikację, bez odpowiedniej ilości zebranych danych, które pozwolą na wytworzenie dedykowanego modelu – bez niepotrzebnego opóźnienia w komunikacji oferty względem jej komercyjnego startu? Jednym ze sposobów zaadresowania tego zagadnienia jest zastosowanie podejścia opartego o eksperymenty na bazie testów A/B.
Dodatkowo zaletą tego typu algorytmów jest to, że wśród zwracanych wyników pojawiają się również warianty z mniejszym prawdopodobieństwem konwersji. Nie tylko pozwala to na ciągłe porównywanie wariantów z najwyższym prawdopodobieństwem konwersji z ich alternatywami, ale również pozwala na adresowanie braku danych dla nowych wariantów ofert czy produktów.
Innym przykładem zastosowania analityki w czasie rzeczywistym jest użycie do oceny stopnia istotności zdarzeń występujących w cyklu życia klienta. Komunikacja zdarzeniowa już dawno pokazała, jak ważny jest kontekst w skutecznej komunikacji marketingowej. Im bardziej nasz komunikat (kierowany do klienta) powiązany jest z jego bieżącymi potrzebami, tym bardziej wzrasta prawdopodobieństwo konwersji. Na przestrzeni wielu wdrożeń, które realizowaliśmy dla klientów z branży telekomunikacyjnej i bankowej, wykonywane były pomiary skuteczności w zależności od czasu, który upływał od momentu wystąpienia zdarzenia do momentu komunikacji. W zdecydowanej większości przypadków skrócenie tego czasu zawsze podnosiło wartość wskaźnika konwersji. Ale czy zawsze powinniśmy reagować tak samo, niezależnie od tego, u kogo dane zdarzenie wystąpiło? Czy dla każdego z nas te same zdarzenia są równie istotne?
Różnice widać choćby na przykładzie prostego zdarzenia, którym jest zbliżanie się do końca pakietu danych. Dla osoby, która w danym momencie ogląda np. transmisję wideo, moment reakcji powinien być ustawiony odpowiednio wcześnie, ponieważ transmisja danych w wysokiej jakości 4K potrafi bardzo szybko konsumować setki megabajtów danych. W tym samym czasie zupełnie inna osoba, która korzysta z transmisji danych do czytania maili, znacznie wolniej te dane konsumuje. Reagując w tym samym czasie w obu przypadkach, reakcja albo będzie spóźniona albo przedwczesna w zależności od konkretnej osoby.
