Cosa è più importante: i soldi che hai o i soldi che guadagni?

In generale, i team sono piuttosto eccitati quando iniziano a provare il machine learning, l’intelligenza artificiale, l’analisi predittiva e gli algoritmi che hanno il potenziale per migliorare le loro prestazioni lavorative. Tuttavia, il feedback della stampa spesso sovrastima i risultati ottenuti e dà l’impressione che presto tutto sarà fatto da una macchina.

Sfortunatamente, quei marketer che hanno provato un software di marketing basato sull’IA si sono trovati delusi. Il nostro team è rimasto molto sorpreso di ciò e ha quindi aperto discussioni con i primi utenti di soluzioni basate sull’IA, principalmente negli Stati Uniti.

La prima lezione di questo workshop è stata la sensazione di una “Blackbox“. Questo termine copre molte cose diverse, ma il problema principale era che volevano sapere e capire come funzionava la macchina. Quindi, anche se lo strumento ha fatto bene il suo lavoro, ha ignorato il fatto che i team di marketing non sono lì per copiare e incollare semplicemente la decisione presa, almeno non al nostro attuale livello di maturità. E questo non senza dimenticare che i risultati non rispondevano nemmeno alle aspettative dei team o del management.

Tuttavia, questa situazione ci ha fornito l’occasione perfetta per ripensare la nostra strategia di ricerca e sviluppo. Prima di tutto, il nostro team ha deciso di aiutare i marketer a comprendere i criteri che influenzano una conversione: per conversione intendiamo qualsiasi tipo di valore che porta ad eventi come l’acquisto, la compilazione di un modulo, l’iscrizione a una newsletter, il coinvolgimento sui social media o la visualizzazione di pagine.

Il machine learning è un argomento molto vasto, ma abbiamo deciso di applicare un approccio piuttosto classico e popolare chiamato Prediction Tree. Viene utilizzato nell’analisi delle decisioni per aiutare i responsabili delle decisioni a identificare una strategia che molto probabilmente raggiungerà un obiettivo.

Un albero decisionale è una struttura simile a un diagramma di flusso in cui ogni nodo interno rappresenta un “test” su un attributo (ad esempio, se una moneta lanciata risulta testa o croce), ogni ramo rappresenta l’esito del test, e ogni nodo foglia rappresenta un’etichetta di classe (decisione presa dopo aver calcolato tutti gli attributi). I percorsi dalla radice alla foglia dell’albero rappresentano le regole di classificazione.