Pesquisadores da Universidade de Minnesota, Universidade de Nova York, Universidade da Pensilvânia, BI Norwegian Business School, Universidade de Michigan, Escritório Nacional de Pesquisa Econômica, e a Universidade da Carolina do Norte publicou um novo artigo no Jornal de Marketing que examina como os avanços em aprendizado de máquina (ML) e blockchain podem resolver atritos inerentes ao marketing omnicanal e levanta muitas questões para prática e pesquisa.

O estudo, próximo no Jornal de Marketing , é intitulado "Desafios informativos em remédios de marketing omnichannel e pesquisas futuras" e é de autoria de Koen Pauwels, Haitao (Tony) Cui, Catherine Tucker, Raghu Iyengar, S. Sriram, Anindya Ghose, Sriraman Venkataraman, e Hanna Halaburda.

Neste novo estudo no Jornal de Marketing , os pesquisadores definem o marketing omnicanal como a "gestão sinérgica de todos os pontos de contato do cliente e canais internos e externos à empresa que garante que a experiência do cliente em todos os canais e atividade de marketing do lado da empresa, incluindo mix de marketing e comunicação de marketing (própria, pago, e ganhou), é otimizado. "

Muitas vezes visto como a panacéia para o marketing individual, dados de experiências omnicanal, atribuição de marketing, e fricções de privacidade do consumidor. A equipe de pesquisa demonstra que os avanços em aprendizado de máquina (ML) e blockchain podem resolver esses atritos. Contudo, essas tecnologias, por sua vez, também podem apresentar novos desafios para as empresas e oportunidades para a pesquisa acadêmica.

Primeiro, para perceber totalmente o potencial do marketing omnicanal, as empresas precisam de informações sobre todas as suas interações com cada cliente à medida que percorrem os diferentes estágios da jornada do cliente. O estudo considera toda a gama de interações, como comunicações entre a empresa e seus clientes, atividades em que os clientes interagem com a empresa (ou seus parceiros) durante a coleta de informações, compras, atendimento do produto, retorna, e serviço pós-compra. Esses dados podem não estar prontamente disponíveis ou utilizáveis.

As perguntas para pesquisas futuras incluem:Como decidir quais métodos de aprendizado de máquina são melhores e podem imputar informações ausentes usando dados já disponíveis para a empresa? Qual é o design ideal de matchmakers / plataformas que coletam informações de diferentes partes abrangendo diferentes pontos de contato com o cliente? Qual é o impacto do compartilhamento de dados dentro e entre as empresas sobre os consumidores (preços que pagam), empresas (eficiência da cadeia de abastecimento, margens de lucro), e formuladores de políticas (estrutura de mercado, eficiência, e superávit geral)? Como incentivar parceiros internos e externos a participarem dos blockchains? E será que os esforços de marketing omnicanal habilitado para blockchain podem aumentar ou suavizar a competição?

Segundo, avanços na modelagem de atribuição melhoraram significativamente a capacidade das empresas de atribuir crédito a um ponto de contato de marketing específico. Contudo, os modelos de atribuição existentes são limitados por uma incapacidade de atribuir a transição a uma única intervenção ou presumem que o impacto da intervenção anterior para com a próxima etapa dentro do funil de compra e não continua para as etapas subsequentes dentro do funil. Além disso, pesquisas futuras devem desenvolver modelos de atribuição que combinem dados micro e macro, alavancando métodos experimentados e testados em economia e marketing. Pauwels diz que "Precisamos de mais pesquisas que comparem abordagens de nível agregado usando modelagem de atribuição tradicional com abordagens de nível individual e atribuição multitoque. É útil comparar como os métodos de atribuição existentes podem ser adaptados para estudar métricas prospectivas, como cliente valor vitalício (CLV), que quantifica os fluxos de receita que uma empresa espera ganhar depois de adquirir um cliente. "Por fim, à medida que os profissionais de marketing omnicanal adotam tecnologias como blockchain, as empresas obterão maior transparência e integração mais confiável dos dados do consumidor nos pontos de contato dentro e fora da empresa. Isso naturalmente garante uma melhor compreensão de como os efeitos da atribuição mudam com e sem plataformas de marketing habilitadas para blockchain.

Terceiro, a privacidade do consumidor é promovida por regulamentação, capacitação do cliente, e garantias de blockchain. Ainda, existem várias questões sobre como melhorar a privacidade do consumidor. É possível usar a análise preditiva de uma maneira que esteja ciente das prováveis ​​preferências de privacidade dos consumidores? Além disso, existe uma maneira de emular ecossistemas baseados em blockchain existentes em um contexto omnicanal? Por exemplo, uma empresa pode usar o blockchain para criar um token que estabeleça uma moeda que permita aos consumidores serem recompensados ​​por compartilhar seus dados como parte de um esforço de marketing omnicanal? E de forma mais ambiciosa, Existe uma maneira de várias empresas se coordenarem em torno de um esquema baseado em um único token para ajudar a iniciar um ecossistema maior? Quão bem-sucedidas são as iniciativas de tecnologia de publicidade que ajudaram os profissionais de marketing omnicanal a se tornarem compatíveis com as regulamentações de privacidade? São inerentemente apenas um custo que interrompe o processamento preciso das informações ou há benefícios em termos de maior confiança do consumidor? Parcerias acadêmico-empresa podem avaliar a utilidade de tais ferramentas para empresas, consumidores, e conformidade regulatória - além de fazer recomendações para melhorias. Desenvolvimentos recentes no aprendizado federado visam fornecer controles de privacidade; Contudo, ainda há espaço para vazamento indireto de informações ao consumidor. Esses vazamentos podem resultar de lacunas em sistemas de aprendizagem de máquina colaborativos, por meio do qual um participante adversário pode inferir associação, bem como propriedades associadas a um subconjunto dos dados de treinamento. Em uma arquitetura de aprendizagem federada bloqueada, as atualizações do modelo de aprendizagem local são trocadas e verificadas por meio de um blockchain. Esses desenvolvimentos podem moderar as preocupações com a privacidade e levar a programas de marketing omnicanal mais eficientes?

Finalmente, a política pública, até agora, tem se concentrado nos efeitos deletérios dos vieses algorítmicos induzidos pelo aprendizado de máquina, como discriminação racial ou de gênero. Cui explica que "Existem poucas pesquisas ou políticas sobre o uso de informações pessoais em algoritmos. Por exemplo, oferece maior transparência na jornada do cliente até a compra, mesmo com o consentimento explícito do cliente, resultam na consequência não intencional de dar às empresas omnicanal espaço para discriminar preços de forma eficiente, e ao fazer isso, corroer o bem-estar do consumidor? "