Каждый год крупнейший американский ритейлер получает около 14–15 миллиардов долларов продаж, связанных с маркетингом, а это означает, что решения о том, как распределять маркетинговые средства — и, в частности, расходы на средства массовой информации, — не воспринимаются легкомысленно. Но использовать исторические данные, чтобы решить, на что потратить деньги среди десятков доступных каналов — от традиционного телевидения до Tik Tok — непросто. Данные часто устаревают к тому времени, когда их можно анализировать, а количество новых каналов и платформ постоянно растет. Учитывая, что на карту поставлено так много денег и трудно получить быстрые ответы, повышенная скорость и гибкость были на первом месте в списке желаний ритейлера, и компания поставила задачу: быстрее получать более конкретную и действенную информацию. Когда технологии встречаются с человеческой изобретательностью заключила партнерское соглашение с ритейлером для разработки решения на основе ИИ , которое позволит быстрее и лучше собирать данные и более точно моделировать для оптимизации расходов на медиа. Первая задача заключалась в ускорении существующего процесса потока данных, а затем в агрегировании и обработке всех данных из медиаканалов, продаж и расходов, которые использовались в модели измерения. Настроив AIP+ , предварительно интегрированные услуги и возможности искусственного интеллекта, для агрегации данных, мы помогли сократить существующий процесс на 80 %, используя автоматизацию для ускорения обработки и проверки.

После рассмотрения потока данных команда решила изменить базовую модель, которая произвела измерение. Раньше эти модели основывались на гипотезах, т. е. люди тщательно выдвигали гипотезы о каждой возможной взаимозависимости между различными каналами. В процесс было введено новое машинное обучение, помогающее заблаговременно выявлять те взаимозависимости между каналами, которые потенциально стимулируют продажи. Благодаря новой ежемесячной каденции команда могла обновлять модели каждый месяц, повторяя модель предыдущего месяца, а не начинать с нуля. Проводя углубленные учебные занятия для сотрудников по методологии моделирования, команда предложила им прозрачность, которая вызвала одобрение и доверие к решению.

Количество маркетинговых каналов, включенных в моделирование, было увеличено почти на 40 %, что позволило им тонко нарезать данные (например, разбив все каналы «социальных сетей» на каждую платформу социальных сетей). Ценная разница Результаты были значительными. Решение сократило задержку между периодом измерения и анализом производительности с пяти месяцев до пяти недель, открыв 10 с половиной месяцев планирования на тот же период в следующем году. Кроме того, переход от одного ежегодного измерения (где производительность выражалась как среднее значение) к ежемесячным измерениям означал, что понимание было более детальным, поэтому команда могла видеть, как производительность того или иного канала может меняться в течение года. Более конкретно, по оценкам команды, благодаря внедрению нового инструмента были открыты возможности для покупки медиа и создания стоимости на 300 миллионов долларов. Это означало, что команда могла потратить ту же сумму на медиа и увеличить продажи на 300 миллионов долларов. .