En la era digital actual, se recopilan más datos de consumidores que nunca. Sucesivamente, los consumidores son bombardeados con publicidad que pierde la marca para identificar el mensaje "correcto" para el cliente "correcto", y no satisface las necesidades de los clientes por el precio "correcto", lugar o producto.

Las empresas podrían hacer un mejor trabajo al dirigirse a los clientes con los datos que recopilan. Desafortunadamente, las computadoras tradicionales tienen dificultades para analizar esta enorme cantidad de información y traducir los datos en esfuerzos de marketing procesables.

Para abordar este problema, El profesor asistente de marketing de Leeds Rico Bumbaca e investigadores de la Booth School of Business de la Universidad de Chicago y la Anderson School of Management de UCLA crearon un nuevo algoritmo diseñado para escalar conjuntos de datos extraordinariamente grandes y generar proyecciones altamente precisas de los deseos y deseos de los clientes.

Bumbaca y su equipo describen cómo funciona este método en su nuevo artículo, "Marketing de destino escalable:cadena de Markov distribuida Monte Carlo para modelos jerárquicos bayesianos, "que se publicó recientemente en Revista de investigación de mercados .

"El método aprovecha las ventajas de las supercomputadoras al dividir los datos en fragmentos más pequeños y procesa cada fragmento en paralelo y combina los resultados para proporcionar estimaciones muy precisas de las preferencias de un consumidor, "dice Bumbaca.

Las empresas pueden utilizar esta información sobre las preferencias de los consumidores para orientar con mayor precisión sus mensajes y aumentar la probabilidad de que los consumidores respondan a su publicidad.

"Los clientes ganan al tener menos mensajes molestos que necesitan procesar de las empresas, y los mensajes que reciben son acertados en términos de satisfacer sus necesidades. Las empresas ganan al aumentar la eficiencia de sus esfuerzos de marketing a un costo reducido, obteniendo mayores retornos con sus presupuestos de marketing más pequeños ".

El equipo aplicó el método para una organización benéfica que desea dirigirse de manera más eficiente a los posibles donantes. Usando su algoritmo, predijeron un aumento de $ 1,6 millones a $ 4,2 millones en donaciones incrementales por campaña, sobre la cantidad de donaciones utilizando un método estadístico tradicional.

Estos resultados demuestran que las computadoras tradicionales actuales simplemente no son lo suficientemente potentes para manejar la enorme cantidad de datos ni para alcanzar la precisión potencial que los datos pueden proporcionar.

El trabajo de Bumbaca y sus colegas tiene un potencial increíble para las empresas de marketing que manejan datos de millones de consumidores. La firma de análisis de datos In4mation Insights ya ha preguntado sobre el algoritmo con la esperanza de aplicarlo en sus proyectos de consultoría empresarial.