p Na era digital de hoje, mais dados do consumidor estão sendo coletados do que nunca. Por sua vez, os consumidores são bombardeados com publicidade que erra o alvo por identificar a mensagem "certa" para o cliente "certo", e não consegue satisfazer as necessidades dos clientes pelo preço "certo", local ou produto. p As empresas poderiam fazer um trabalho melhor de direcionar os clientes com os dados que coletam. Infelizmente, os computadores tradicionais têm dificuldade em analisar essa enorme quantidade de informações e traduzir os dados em esforços de marketing acionáveis.

p Para resolver este problema, O professor assistente de marketing de Leeds, Rico Bumbaca, e pesquisadores da Booth School of Business da University of Chicago e da Anderson School of Management da UCLA criaram um novo algoritmo projetado para dimensionar conjuntos de dados extraordinariamente grandes e gerar projeções altamente precisas dos desejos e necessidades dos clientes.

p Bumbaca e sua equipe descrevem como esse método funciona em seu novo artigo, "Scalable Target Marketing:Distributed Markov Chain Monte Carlo for Bayesian Hierarchical Models, "que foi publicado recentemente no Journal of Marketing Research .

p "O método tira vantagem dos supercomputadores dividindo os dados em pedaços menores e processa cada pedaço em paralelo e combina os resultados para fornecer estimativas muito precisas das preferências do consumidor, "diz Bumbaca.

p Essas informações sobre as preferências dos consumidores podem então ser usadas pelas empresas para direcionar com mais precisão suas mensagens e aumentar a probabilidade de respostas dos consumidores à sua publicidade.

p "Os clientes ganham por terem menos mensagens irritantes que precisam processar das empresas, e as mensagens que recebem são precisas em termos de atender às suas necessidades. As empresas ganham aumentando a eficiência de seus esforços de marketing a um custo reduzido, ganhando maiores retornos em seus orçamentos de marketing menores. "

p A equipe aplicou o método para uma organização de caridade que deseja atingir doadores em potencial com mais eficiência. Usando seu algoritmo, eles previram um aumento de $ 1,6 milhões a $ 4,2 milhões em doações incrementais por campanha, sobre a quantidade de doações usando um método estatístico tradicional.

p Esses resultados demonstram que os computadores tradicionais atuais simplesmente não são poderosos o suficiente para lidar com a enorme quantidade de dados nem para atingir a precisão potencial que os dados podem fornecer.

p O trabalho de Bumbaca e seus colegas tem um potencial incrível para empresas de marketing que lidam com dados de milhões de consumidores. A empresa de análise de dados In4mation Insights já perguntou sobre o algoritmo na esperança de aplicá-lo em seus projetos de consultoria de negócios.