Como aplicar o Machine Learning para reengajar os usuários e aumentar o LTV
Lomit Patel é vice-presidente de crescimento do IMVU. Antes do IMVU, Lomit gerenciava o crescimento em estágios iniciais, incluindo Roku (IPO), TrustedID (adquirido pela Equifax), Texture (adquirida pela Apple) e Earthlink. Lomit é um palestrante frequente em conferências, além de ser reconhecido como Mobile Hero pela Liftoff e Mobile All-Stars pela Appsflyer.
Entenda mais sobre Patel e sua estratégia em: Mobile Hero Profile
__________________________________________________________________________________
A IMVU analisou recentemente as jornadas de usuários com a nossa equipe de dados para explorar quais comportamentos orgânicos resultaram nos usuários ou compradores mais valiosos. Um insight importante ficou muito claro: se conseguirmos alguém para fazer uma compra no aplicativo, nos primeiros sete dias, isso é um indicador significativo de maior valor da vida útil. Além disso, os usuários que interagem com diferentes recursos e exibem determinados comportamentos no IMVU provaram ser bons indicadores do que leva a uma compra. Nosso objetivo era encontrar maneiras de aumentar o valor da vida útil do cliente (CLV) e criar um aumento em relação às compras orgânicas.
Para colocar as ideias deste estudo em prática, segmentamos nossos clientes em três grupos principais:
- Pessoas que instalaram o aplicativo, mas não se registraram
- Pessoas que estavam em uma jornada dos “Primeiros Sete Dias”
- Compradores passados
Usando as informações de nosso estudo da jornada do usuário, a equipe de marketing criou um repositório peças para cada segmento, agrupado por onde eles pareciam estar em suas jornadas. Aqui estão os “vencedores” para nós em cada etapa da sequência:
Introdução ao Marketing Autônomo
Em seguida, aproveitamos uma plataforma de marketing autônoma com inteligência artificial da Nectar9, chamada Athena Prime, para orquestrar e automatizar a entrega de anúncios sequenciados em vários canais, de maneira sincronizada, para obter melhores resultados.
Normalmente, executar esse tipo de campanha sofisticada com uma variedade complexa de públicos, canais, peças e sequenciamento dinâmico, usando processos manuais, é um desafio, para dizer o mínimo. Mas a inteligência artificial está possibilitando identificar o seqüenciamento correto para diferentes grupos de pessoas em diferentes estágios de seu ciclo de vida.
A aplicação da IA
Teste Interativo
A enorme escala com a qual podemos experimentar, aprender e otimizar as mensagens ao longo da jornada do usuário simplesmente não é possível sem um mecanismo autônomo de marketing de inteligência artificial. Podemos testar, aprender e interagir em um ritmo muito mais rápido para identificar rapidamente o que funciona e o que não funciona nas peças, audiências, mensagens e muito mais. Ele nos permite segmentar melhor as pessoas com os anúncios e mensagens corretos, com base em onde eles estão no ciclo de vida do IMVU, incentivando-os a tomar ações que naturalmente levam a um maior valor da vida útil.
Especificamente, toda essa orquestração e aprendizado automatizado geraram 46% de aumento em comparação com o grupo de controle ao conduzir compras no aplicativo.
Inteligência Artificial
Vamos revisar os processos de negócios em jogo e como a aplicação da IA
Começando com nossa estratégia geral, definimos nossos objetivos (resultados desejados), peças criativas e outras restrições de campanha. Em seguida, obtemos dados de segmentação de nosso armazém de dados e fontes de CRM, juntamente com públicos-alvo personalizados que desenvolvemos ao longo do tempo. A IA automatiza modelos de segmentação combinados com posicionamento de mensagens entre canais, que explora, observa e otimiza automaticamente para os resultados comerciais certos. A partir daí, buscamos uma audiência potencial maior ou ideias criativas, atualizamos nossa abordagem e o ciclo continua.
Experimentação Rapidfire
O que está acontecendo nos bastidores, quando a inteligência artificial orquestra a experimentação entre canais? Você pode pensar nisso com testes divididos de diferentes variáveis,
O que tiramos de tudo isso? Além de melhorar drasticamente o desempenho e a eficiência, obtivemos informações sobre as peças e os segmentos com melhor desempenho.
Constatações
Para o nosso segmento de compradores ‘vencidos’ – definido como qualquer pessoa que fez uma compra no aplicativo nos últimos 180 dias, mas não nos últimos 30 dias – descobrimos que havia dois tipos de conteúdo que funcionavam melhor:
- Destacar o conteúdo dos criadores mais influentes do IMVU, criando essencialmente uma vitrine de produtos dos melhores criadores do IMVU.
- Os concursos semanais, nos quais os usuários podem participar para ganhar créditos gratuitos, mostraram-se muito populares e fizeram um ótimo trabalho ao atrair usuários atrasados
para participar e comprar novamente.
Também aprendemos que nossos usuários do primeiro dia foram motivados por uma mensagem simples: lembrando que eles podem resgatar créditos gratuitos para começar. Isso os envolveu no aplicativo e os incentivou a se tornar um cliente de alto valor ao longo da vida.
Pensamentos finais
O crescimento em escala não é fácil. Faça deste o seu roteiro para maximizar o valor da vida útil do cliente (CLV), sempre executando testes seqüenciais para diferentes grupos em diferentes estágios ao longo de toda a jornada do usuário. Para turbinar seu desempenho, considere trabalhar com ou criar uma máquina inteligente de IA para ajudá-lo a automatizar as alavancas principais, como misturar modelos de segmentação com posicionamentos criativos em vários canais, obtendo resultados controlados por dados muito além dos recursos manuais.