Công nghệ “Học máy” (Machine learning – ML) cho phép các chuyên gia Marketing phá vỡ rào cản của các phương pháp tiếp thị cá nhân hóa truyền thống, bằng cách xử lý các bộ dữ liệu khổng lồ và nhận thức hành vi của khách hàng. Đây có thể được xem như là tiền đề của các hệ thống gợi ý (recommender systems) thế hệ tiếp theo, mà nhờ đó các tổ chức doanh nghiệp có thể đạt đến mức độ “siêu cá nhân hóa” (hyper-personalization) trong các hoạt động tiếp thị và chào hàng của mình.
Comarch Loyalty Marketing Platform là một nền tảng đầu cuối (end-to-end), được hỗ trợ AI mà các công ty ngày nay có thể sử dụng để tăng giá trị vòng đời khách hàng (customer lifetime value), nâng cao nhận thức về thương hiệu và tăng lợi nhuận. Người sử dụng nền tảng có thể mang lại trải nghiệm khách hàng (customer experience) được cá nhân hóa qua nhiều kênh tương tác khác nhau, song song với việc xây dựng, triển khai và quản lý các chương trình khách hàng thân thiết đa dạng cho B2B, B2C và B2E, cũng như các chiến dịch tiếp thị phù hợp với nhu cầu và mong muốn của khách hàng. Việc kết hợp các thuật toán AI / Học máy mới nhất cho phép khách hàng của Comarch thu thập, phân tích dữ liệu “zero” và dữ liệu bên thứ nhất (first-party) một cách hiệu quả, từ đó có thể xác định và tác động đến hành vi của người tiêu dùng trên các mặt trận tiếp thị khác nhau.
Trước khi đi vào chi tiết các công cụ và kỹ thuật học máy đang được áp dụng hiện nay cho mục tiêu tiếp thị siêu cá nhân hóa, hãy cùng điểm qua ba loại dữ liệu tổng thể mà các tổ chức doanh nghiệp thường dễ thu thập và có thể đưa vào hệ thống ML để phục vụ trong các trường hợp sử dụng khác nhau:
Tương tác khách hàng
Lịch sử tương tác khách hàng là “mỏ vàng” cho các hệ thống ML vì từ đây thông tin khách hàng có thể được khai thác trên phạm vi rất rộng. Tất cả những thông tin liên quan đến khách hàng dù là cơ bản nhất như việc mua hàng, truy vấn thông tin, đặt chỗ, yêu cầu, cuộc họp hoặc các tương tác khác, đều là những thông tin có giá trị. Hệ thống CRM là một ví dụ điển hình về nguồn dữ liệu khách hàng, nhưng quan trọng nó phải ghi nhận được càng nhiều tương tác khách hàng càng tốt, cả trực tuyến và ngoại tuyến nếu khả thi.
Đánh giá sản phẩm hoặc dịch vụ
Đánh giá của khách hàng về sản phẩm hoặc dịch vụ là nền tảng cơ sở của hệ thống gợi ý và cá nhân hóa của các tên tuổi lớn như Amazon, Netflix và Spotify. Chúng không nhất thiết phải được thể hiện rõ ràng dưới dạng điểm số hay bình luận, mà có thể được phản ánh qua các lựa chọn và hành vi của khách hàng. Ví dụ: khách hàng chọn mua một sản phẩm được gợi ý sau khi xem qua các sản phẩm trong cùng một danh mục trên một trang thương mại điện tử có thể được ngầm hiểu là một đánh giá tích cực. Tương tự, nếu một khách hàng thường xuyên đột nhiên không tương tác nữa sau khi mua một sản phẩm hoặc dịch vụ nào đó, có thể hiểu là chất lượng của sản phẩm hoặc dịch vụ đã không đáp ứng được mong đợi của khách hàng và cần phải có hành động để giữ chân họ.
Thông tin nhân khẩu học
Mặc dù lịch sử tương tác của khách hàng thường được xem là nguồn dữ liệu cao cấp để dự đoán hành vi của họ, thông tin nhân khẩu học vẫn là dữ liệu đầu vào quan trọng cho các hệ thống cá nhân hóa tiếp thị. Thông thường, những thông tin này được sử dụng cho các hệ thống gợi ý sử dụng thuật toán lọc tương tác (collaborative filtering recommender systems). Chúng được thiết kế để gợi ý các sản phẩm được lựa chọn bởi những người có đặc tiểm tương tự với các khách hàng tiềm năng. Những điểm giống nhau trong ngữ cảnh này thường là nhóm tuổi, vị trí, kênh bán hàng ưa thích, lịch sử mua hàng,...
Đến đây thì chúng ta đã điểm qua hết các loại dữ liệu chính có thể được đưa vào hệ thống học máy. Giờ hãy cùng tìm hiểu một số phương pháp ML / AI hiện hành có thể sử dụng cho mục đích cá nhân hóa tiếp thị, cũng như phương pháp đang được áp dụng cho nhánh Nghiên cứu và Phát triển của nền tảng Quản lý khách hàng thân thiết của Comarch (Comarch Loyalty Management platform).
Mạng thần kinh nhân tạo (Artificial neural networks – ANN)
Mạng thần kinh nhân tạo [ANN] là một danh mục phần mềm được mô phỏng theo cách thức hoạt động của bộ não và hệ thống thần kinh của con người. Ở góc độ Marketing, các hệ thống dựa trên ANN có thể được sử dụng để hỗ trợ hoặc tự động hóa hoàn toàn một số quy trình ra quyết định (decision-making processes). Để có thể tính toán các dự đoán, ANN cần trải qua quy trình “đào tạo” trong đó sử dụng một số dữ liệu để tham khảo. Trong tình huống đã được được đề cập ở trên, có thể sử dụng toàn bộ dữ liệu lịch sử được thu thập về một khách hàng cá nhân, bao gồm thông tin nhân khẩu học, đánh giá về sảm phẩm hoặc dịch vụ và nội dung chi tiết của tất cả các tương tác giữa khách hàng đó với tổ chức doanh nghiệp ban đầu. ANN có khả năng xử lý khối lượng dữ liệu khổng lồ và điều chỉnh các phép tính tùy thuộc vào tập dữ liệu đã nhận được trong quy trình “đào tạo”. Điều đó có nghĩa là một mô hình tương tự có thể được sử dụng lại cho mọi khách hàng, vì nó có thể thích ứng với dữ liệu đào tạo mà không cần thêm bất kỳ dữ liệu đầu vào nào hoặc chỉnh sửa thủ công. Tiếp đó, một ANN đã được “đào tạo” có thể được sử dụng cho những mục đích sau:
- Tạo các ưu đãi tốt nhất tiếp theo được cá nhân hóa dựa trên hành vi trước đó của khách hàng
- Mô phỏng phản ứng của khách hàng đối với một sản phẩm hoặc chiến dịch tiếp thị mới, bằng cách chỉ định thủ công nhóm khách hàng mục tiêu tiềm năng nhất hoặc để ANN tự động chỉ định
- Lựa chọn nhóm khách hàng mục tiêu tiềm năng nhất cho một ưu đãi hoặc chương trình khuyến mãi mới mà không cần phải thiết lập trước các nhóm điều kiện
Các sản phẩm “Nhúng”
Đây là một kỹ thuật học máy thú vị khác được phát triển với mục đích ban đầu là để xử lý ngôn ngữ tự nhiên [NLP]. Mục tiêu của nó là phát hiện nghĩa tiềm ẩn của một từ bằng cách phân tích các từ khác có mối liên hệ chặt chẽ hoặc được sử dụng trong một ngữ cảnh tương tự. Ở góc độ Marketing, cách tiếp cận này cho phép các sản phẩm tương tự được nhận biết bằng cách phân tích các mặt hàng thường xuyên được mua cùng nhau. Điều này dựa trên giả định rằng, nếu các sản phẩm A và B thường xuyên được mua cùng với các sản phẩm C, D và E, thì A và B có thể liên quan với nhau; là các sản phẩm thuộc cùng một danh mục, được mua bởi những khách hàng tương tự, là sản phẩm bổ sung, v.v.
Việc phát hiện các mối quan hệ giữa các sản phẩm có thể tạo điều kiện cho tổ chức doanh nghiệp chạy các chiến dịch bán thêm (up-selling) hoặc bán kèm (cross-selling) được cá nhân hóa. Từ ví dụ trước, nếu sản phẩm B là phiên bản đắt tiền hơn của sản phẩm A thì có thể tiếp thị sản phẩm B cho những khách hàng đã mua sản phẩm A trước đây, với mục tiêu bán thêm một thương hiệu cao cấp cho một nhóm đối tượng có thể tiềm năng. Tương tự, nếu sản phẩm B đã hết hàng trong một khoảng thời gian, có thể gợi ý sản phẩm A cho khách hàng để thay thế.
Lọc tương tác sâu
Lọc tương tác là một trong những phương pháp thường được áp dụng cho các hệ thống gợi ý thông thường. Nó dựa trên giả định rằng những khách hàng có lịch sử mua hàng tương tự nhau có thể mua các sản phẩm tương tự trong tương lai. Do đó, nếu một trong hai khách hàng tương tự nhau mua một mặt hàng nào đó, thì việc giới thiệu mặt hàng đó cho người kia có thể sẽ rất hiệu quả. Giả định đơn giản này đang là cơ sở của phần lớn các hệ thống gợi ý thương mại.
Kết luận, lợi ích lớn nhất của các hệ thống ML là có thể xử lý các tập dữ liệu rất lớn, cũng như tự động phát hiện các thói quen rất khó nhận biết của người dùng. Hiệu quả thực tế và giá trị gia tăng của việc sử dụng hệ thống ML để cá nhân hóa các gợi ý phụ thuộc vào nhiều yếu tố, trong đó quan trọng nhất là khối lượng và chất lượng dữ liệu được sử dụng cho quá trình đào tạo thuật toán. Mặc dù trong một số trường hợp nhất định, hệ thống ML không phải lúc nào cũng là giải pháp tối ưu, nhưng việc đầu tư vào các hệ thống này chắc chắn sẽ mang lại những lợi ích như tối ưu hóa quy trình tiếp thị, giảm chi phí tổng thể của các chiến dịch quảng bá và cải thiện tỷ lệ chuyển đổi.
Thông tin về Comarch
Comarch là công ty công nghệ toàn cầu, chuyên thiết kế, cung cấp và tích hợp các công cụ quản lý khách hàng thân thiết & tiếp thị kỹ thuật số tiên tiến nhưng dễ sử dụng, giúp các công ty gia tăng giá trị vòng đời khách hàng, nâng cao nhận thức về thương hiệu và tăng lợi nhuận. Bên cạnh đó, Comarch cũng cung cấp các dịch vụ tư vấn chuyên nghiệp về giải pháp khách hàng thân thiết, nhằm giúp các doanh nghiệp xây dựng và chạy các chương trình đa dạng cho B2B, B2C và B2E, cũng như các chiến dịch tiếp thị phù hợp với nhu cầu và mong muốn của khách hàng. Với hơn 25 năm kinh nghiệm trong việc triển khai các dự án khách hàng thân thiết, Comarch đã mang lại hiệu quả cho nhiều thương hiệu nổi tiếng trên khắp thế giới, trong đó có Vietnam Airlines - doanh nghiệp đoạt giải đồng hạng mục “Best Loyalty Program Travel & Hospitality” trong khuôn khổ giải thưởng Loyalty & Engagement Awards.
Comarch hiện đang hợp tác với FINTEK, một doanh nghiệp hàng đầu trong lĩnh vực Đầu tư, Tư vấn & Chuyển giao Công nghệ, để triển khai các dự án tại thị trường Việt Nam, cũng như xây dựng nhận thức về thương hiệu Comarch.
