Nell'era digitale di oggi, vengono raccolti più dati sui consumatori che mai. A sua volta, i consumatori sono bombardati da pubblicità che mancano il segno per identificare il messaggio "giusto" al cliente "giusto", e non riesce a soddisfare le esigenze dei clienti per il "giusto" prezzo, luogo o prodotto.

Le aziende potrebbero fare un lavoro migliore nel rivolgersi ai clienti con i dati che raccolgono. Sfortunatamente, i computer tradizionali hanno difficoltà ad analizzare questa enorme quantità di informazioni e a tradurre i dati in azioni di marketing attuabili.

Per affrontare questo problema, Rico Bumbaca, Assistant Professor di Marketing di Leeds, e i ricercatori della Booth School of Business dell'Università di Chicago e della Anderson School of Management dell'UCLA hanno creato un nuovo algoritmo progettato per scalare set di dati straordinariamente grandi e generare proiezioni estremamente accurate dei desideri e dei desideri dei clienti.

Bumbaca e il suo team descrivono come funziona questo metodo nel loro nuovo articolo, "Marketing target scalabile:catena di Markov Monte Carlo distribuita per modelli gerarchici bayesiani, " che è stato recentemente pubblicato nel Giornale di ricerche di mercato .

"Il metodo sfrutta i supercomputer suddividendo i dati in blocchi più piccoli ed elabora ciascun blocco in parallelo e combina i risultati per fornire stime molto precise delle preferenze di un consumatore, "dice Bumbaca.

Queste informazioni sulle preferenze dei consumatori possono quindi essere utilizzate dalle aziende per indirizzare in modo più accurato i loro messaggi e aumentare la probabilità di risposte dei consumatori alla loro pubblicità.

"I clienti vincono avendo meno messaggi fastidiosi che devono elaborare dalle aziende, e i messaggi che ricevono sono azzeccati in termini di soddisfare le loro esigenze. Le aziende vincono aumentando l'efficienza dei loro sforzi di marketing a costi ridotti, guadagnando maggiori ritorni sui loro budget di marketing più piccoli."

Il team ha applicato il metodo per un'organizzazione di beneficenza che vuole rivolgersi in modo più efficiente ai potenziali donatori. Usando il loro algoritmo, hanno previsto un aumento da $ 1,6 a $ 4,2 milioni in donazioni incrementali per campagna, sull'importo delle donazioni utilizzando un metodo statistico tradizionale.

Questi risultati dimostrano che gli attuali computer tradizionali semplicemente non sono abbastanza potenti per gestire l'enorme quantità di dati né per raggiungere la potenziale precisione che i dati possono fornire.

Il lavoro di Bumbaca e dei suoi colleghi ha un potenziale incredibile per le società di marketing che gestiscono i dati di milioni di consumatori. La società di analisi dei dati In4mation Insights ha già chiesto informazioni sull'algoritmo nella speranza di applicarlo nei propri progetti di consulenza aziendale.