Machine Learning: cos’è, esempi e come MagNews apprende dai tuoi utenti

Da dove derivano i suggerimenti di ricerca su Google? E la percentuale di compatibilità di un film su Netflix? Come vengono scelti i brani della sezione “For you” di Spotify?
La risposta è la stessa: machine learning.

Una partita di dama iniziata negli Anni ’50

Se ne sente parlare spesso oggi, ma le prime origini del termine risalgono al 1959. Arthur Samuel ne parlò la prima volta in un articolo dal titolo “Some Studies in Machine Learning Using the Game of Checkers”, uscito per la rivista specialistica dell’IBM. Samuel creò un programma in grado di giocare a dama che, grazie ad un algoritmo, “leggeva” le diverse variabili in campo (numero di dame, pezzi, distanza) e sceglieva le proprie mosse. In questo senso la macchina apprendeva ad ogni mossa, offrendo una soluzione. A metà degli anni Settanta il suo programma poteva competere con giocatori di alto livello.

Cos’è dunque il Machine Learning?

Un ottimo giocatore di dama che impara dalle azioni passate migliorando le proprie mosse successive, riuscendo a rispondere autonomamente alla domanda “Cosa fare adesso?”.
Più dati vengono introdotti in questo modello più la risposta sarà affidabile. L’algoritmo che regola questo processo costruisce un pattern tra queste informazioni.

I metodi più utilizzati di machine learning sono:

Apprendimento supervisionato

Dove vengono forniti sia i dati di input che di output. Il compito del sistema è trovare una regola che unisca queste informazioni.

Apprendimento per rinforzo

Lo step ulteriore rispetto ai precedenti. L’algoritmo lavora su un contesto dinamico e impara per tentativi ed errori a raggiungere l’obiettivo. Viene data una ricompensa nel caso positivo e una punizione per il negativo, la macchina massimizza le ricompense per arrivare all’obiettivo.

Apprendimento non supervisionato

In questo caso, non vengono forniti i dati di output. Si chiede al modello di trovare una regola che leghi i dati ad una possibile soluzione.

Deep Learning

Sviluppare un apprendimento profondo, composto da una rete neurale artificiale che analizza le informazioni a più livelli (da un minimo di 2 ad oltre 20). Con l’aumento dei dati e grazie al miglioramento delle performance dei software, questo tipo di comprensione procede spedita.

Apprendere dai migliori: esempi di Machine Learning

Sembra tutto un po’ astratto e complesso, ma in realtà facciamo già spesso uso di funzionalità di Machine Learning.

Ad esempio, come abbiamo detto all’inizio, i suggerimenti di ricerca delle piattaforme web (come Google, Youtube, Spotify, Netflix, Amazon, ecc.) si basano sulle precedenti ricerche, cercano un pattern comune e offrono una “soluzione”, una risposta per le possibili future scelte correlate.
Chi non ha sentito parlare dei veicoli a guida autonoma. Un esempio di apprendimento in un contesto pieno di variabili ed incognite. Le difficoltà stanno proprio nelle moltissime imprevedibilità e, di conseguenza, le scelte della macchina non sono sempre win-win.

Le applicazioni di Business

Dove viene applicato il Machine Learning all’interno delle aziende?

  • Marketing: su tutte. Diminuire churn rate, migliorare le campagne, segmentare customer base, ottimizzare le politiche di prezzo, perfezionare il Lead Scoring. Molte delle strategie di Business in capo al marketing possono essere rafforzate dall’introduzione del Machine Learning.
  • Operation: aumentando il tasso di engagement dei propri utenti, interagendo tramite chatbots, affinando l’efficacia del proprio CRM, potenziando i processi di Automation.
  • Sales Area: nel riconoscere opportunità non ancora presidiate. Possibilità di intercettare nuovi prospect, grazie al riconoscimento di affinità con i clienti. Strutturare campagne di upsell/cross-sell, analizzando le passate conversioni.

 

Quali sono le prospettive di applicazione di tool di analisi avanzata, secondo 40 decision maker di aziende leader in Italia?

Il nostro Machine Learning

Lavorare sui dati è da sempre una caratteristica della nostra suite MagNews. Negli anni ne abbiamo aumentato la potenza di calcolo, portando informazioni dai più diversi sistemi aziendali: dal CRM, dalle campagne di Email Marketing & Automation, dai Social Network, dai siti proprietari e, presto, anche da quelli esterni, grazie alla DMP.

Questo ha permesso di creare campagne sempre più mirate e specifiche. Ma l’errore umano è sempre dietro l’angolo. Può accadere che per l’invio di una comunicazione massiva di un brand internazionale, non siano stati calcolati i diversi fusi orari e un contatto riceva una comunicazione a notte fonda. Così come spesso succede che i contenuti di una DEM non siano in linea con gli interessi di tutto il pubblico, perdendo il loro engagement.

Come pensiamo di evitare questi errori? Lasciando che sia MagNews a decidere le mosse.

Send Time Optimization: essere sempre a tempo

Inviare le comunicazioni nel momento più adatto al singolo utente è possibile, basta un flag.

La nuova funzionalità di MagNews, grazie ad un algoritmo predittivo, studia il comportamento dei destinatari delle comunicazioni. Aperture, click, conversioni: entrano tutte a far parte del modello.
La tua comunicazione massiva viene inviata normalmente, ma flaggando l’opzione STO, MagNews consegnerà al singolo utente nel momento che è risultato il migliore, il più efficace, quando il tuo destinatario preferisce.
Quindi STO migliora da un lato le tue performance di email marketing, dall’altro solidifica la relazione con i tuoi utenti.

A|B test Automated: sono i destinatari a scegliere

L’A|B test è una pratica ormai consolidata nel digital marketing. Creare due contenuti, mandarli online, aspettare qualche giorno per avere dati, scegliere la versione vincente, rimandare online. Questo è il tipico processo che sta dietro all’A|B test.

Facilitiamo le cose.

Creo due contenuti, scelgo su quali elementi fare A|B test (subject, mittente, copy), mando online.
Anche in questo caso, MagNews spedirà autonomamente la comunicazione migliore, quella che i tuoi utenti preferiscono. Una funzione che ti permette di rimanere al passo con i potenziali cambiamenti nelle aspettative, esigenze e preferenze dei tuoi utenti. In questo senso, i vantaggi dell’A|B test si dispiegano nell’immediato, ma migliorano i risultati soprattutto nel lungo periodo.

Vuoi conoscere tutti i trucchi per raggiungere la casella di posta dei tuoi utenti?

A come Automation, B come Borgione

Vediamo come Borgione ha utilizzato il nostro A|B test combinato all’Email Marketing & Automation.

Chi

Borgione, specializzati nella vendita di materiali didattici per le scuole e per i privati.

Progetto

Automation per eCommerce

Obiettivi

Migliorare i Conversion Rate nella fase di Welcome, la più critica per l’eCommerce.

Come

Flusso di Automation per i nuovi iscritti, logiche differenti di ingaggio, grazie all’A|B test. Gruppo A: riceve un coupon con 10% di scontistica; Gruppo B: spedizione gratuita.

Risultati

Le campagne hanno dato un’ottima redemption, specie se confrontate con i risultati delle DEM. Oltre ad avere tassi di apertura e click molti elevati, 4 volte superiori, i dati di conversione sono la vera sorpresa: il 50% degli utenti ha convertito grazie al flusso.

Il Machine Learning fa al caso tuo

Il Machine Learning può sembrare complicato e non alla porta di tutti i Brand. Abbiamo cercato di renderlo il più semplice possibile, automatizzando le implementazioni e lasciando che sia MagNews a scegliere per te. Le tue campagne migliorano dal primo momento, ma con un’ottica sempre di lungo periodo.

 

Scopri come possiamo aiutarti in questo processo di valorizzazione delle tue strategie

Niccolò Milazzo

Content Marketing Specialist.