Ricercatori dell'Università del Minnesota, Università di New York, Università della Pennsylvania, BI Norwegian Business School, Università del Michigan, Ufficio nazionale di ricerca economica, e l'Università della Carolina del Nord hanno pubblicato un nuovo documento nel Giornale di Marketing che esamina come i progressi nell'apprendimento automatico (ML) e nella blockchain possono affrontare gli attriti intrinseci nel marketing omnicanale e solleva molte domande per la pratica e la ricerca.

Lo studio, imminente nel Giornale di Marketing , è intitolato "Informational Challenges in Omnichannel Marketing Remedies and Future Research" ed è scritto da Koen Pauwels, Haitao (Tony) Cui, Catherine Tucker, Raghu Iyengar, S. Sriram, Anindya Ghose, Sriraman Venkataraman, e Hanna Halaburda.

In questo nuovo studio in Giornale di Marketing , i ricercatori definiscono il marketing omnicanale come la "gestione sinergica di tutti i punti di contatto con il cliente e i canali sia interni che esterni all'azienda che garantisce che l'esperienza del cliente attraverso i canali e l'attività di marketing lato azienda, compreso il marketing mix e la comunicazione di marketing (di proprietà, pagato, e guadagnato), è ottimizzato."

Spesso visto come la panacea per il marketing one-to-one, dati sulle esperienze omnicanale, attribuzione di marketing, e gli attriti sulla privacy dei consumatori. Il team di ricerca dimostra che i progressi nell'apprendimento automatico (ML) e nella blockchain possono affrontare questi attriti. Però, queste tecnologie possono a loro volta presentare anche nuove sfide per le imprese e opportunità per la ricerca accademica.

Primo, realizzare appieno il potenziale del marketing omnicanale, le aziende hanno bisogno di informazioni su tutte le loro interazioni con ciascun cliente mentre attraversano le diverse fasi del percorso del cliente. Lo studio considera l'intera gamma di interazioni, come le comunicazioni tra l'azienda e i suoi clienti, attività in cui i clienti interagiscono con l'azienda (o i suoi partner) attraverso la raccolta di informazioni, acquisti, realizzazione del prodotto, ritorna, e servizio post-acquisto. Tali dati potrebbero non essere prontamente disponibili o utilizzabili.

Le domande per la ricerca futura includono:come decidere quali metodi di apprendimento automatico sono i migliori e possono imputare le informazioni mancanti utilizzando i dati già disponibili per l'azienda? Qual è il design ottimale di matchmaker/piattaforme che raccolgono informazioni da parti diverse che abbracciano diversi punti di contatto con i clienti? Qual è l'impatto della condivisione dei dati all'interno e tra le imprese sui consumatori (prezzi che pagano), imprese (efficienza della filiera, margini di profitto), e decisori politici (struttura del mercato, efficienza, e avanzo complessivo)? Come incentivare i partner interni ed esterni a partecipare alle blockchain? E gli sforzi di marketing omnicanale abilitati alla blockchain potrebbero aumentare o ammorbidire la concorrenza?

Secondo, i progressi nei modelli di attribuzione hanno notevolmente migliorato la capacità delle aziende di assegnare credito a uno specifico punto di contatto di marketing. Però, i modelli di attribuzione esistenti sono limitati dall'impossibilità di attribuire la transizione a un singolo intervento o presumono che l'impatto dell'intervento precedente si fermi con il passaggio successivo all'interno del funnel di acquisto e non si riporti ai passaggi successivi all'interno del funnel. Inoltre, la ricerca futura dovrebbe sviluppare modelli di attribuzione che combinino dati micro e macro sfruttando metodi collaudati in economia e marketing. Pauwels afferma che "Abbiamo bisogno di più ricerca che confronti gli approcci a livello aggregato utilizzando il modello di attribuzione tradizionale con approcci a livello individuale e attribuzione multi-touch. È utile confrontare il modo in cui i metodi di attribuzione esistenti possono essere adattati per studiare metriche lungimiranti come il cliente valore della vita (CLV), che quantifica i flussi di entrate che un'azienda si aspetta di guadagnare dopo aver acquisito un cliente." Infine, poiché i marketer omnicanale adottano tecnologie come blockchain, le aziende realizzeranno una maggiore trasparenza e un'integrazione più affidabile dei dati dei consumatori attraverso i punti di contatto all'interno e all'esterno dell'azienda. Ciò garantisce naturalmente una migliore comprensione di come cambiano gli effetti di attribuzione con e senza piattaforme di marketing abilitate alla blockchain.

Terzo, la privacy dei consumatori è avanzata dalla normativa, responsabilizzazione del cliente, e garanzie blockchain. Ancora, ci sono diverse domande su come migliorare la privacy dei consumatori. È possibile utilizzare l'analisi predittiva in modo consapevole delle probabili preferenze sulla privacy dei consumatori? Inoltre, esiste un modo per emulare gli ecosistemi basati su blockchain esistenti in un contesto omnicanale? Per esempio, un'azienda può utilizzare la blockchain per creare un token che stabilisca una valuta che consenta ai consumatori di essere ricompensati per la condivisione dei propri dati come parte di uno sforzo di marketing omnicanale? E più ambiziosamente, c'è un modo in cui più aziende possono coordinarsi attorno a uno schema basato su un singolo token per aiutare a dare il via a un ecosistema più ampio? Quanto successo hanno le iniziative ad-tech che hanno aiutato i marketer omnicanale a diventare conformi alla normativa sulla privacy? Sono intrinsecamente solo un costo che interrompe l'elaborazione accurata delle informazioni o ci sono vantaggi in termini di maggiore fiducia dei consumatori? Le partnership accademico-impresa possono valutare l'utilità di tali strumenti per le imprese, consumatori, e conformità normativa, oltre a formulare raccomandazioni per miglioramenti. I recenti sviluppi nell'apprendimento federato mirano a fornire controlli sulla privacy; però, rimane spazio per la fuga indiretta di informazioni sui consumatori. Queste perdite possono derivare da scappatoie nei sistemi di apprendimento automatico collaborativo, per cui un partecipante in contraddittorio può dedurre l'appartenenza e le proprietà associate a un sottoinsieme dei dati di addestramento. In un'architettura di apprendimento federato blockchain, gli aggiornamenti del modello di apprendimento locale vengono scambiati e verificati sfruttando una blockchain. Tali sviluppi potrebbero mitigare le preoccupazioni sulla privacy e portare a programmi di marketing omnicanale più efficienti?

Finalmente, la politica pubblica si è finora concentrata sugli effetti deleteri dei pregiudizi algoritmici indotti dall'apprendimento automatico, come la discriminazione razziale o di genere. Cui spiega che "C'è poca ricerca o politica che guarda all'uso delle informazioni personali negli algoritmi. Ad esempio, fa una maggiore trasparenza nel percorso di acquisto del cliente, anche con il consenso esplicito del cliente, comportare la conseguenza indesiderata di dare alle aziende omnicanale spazio per discriminare i prezzi in modo efficiente, e così facendo, erodere il benessere dei consumatori?"