Investigadores de la Universidad de Minnesota, Universidad de Nueva York, Universidad de Pennsylvania, BI Escuela de Negocios de Noruega, Universidad de Michigan, Oficina Nacional de Investigación Económica, y la Universidad de Carolina del Norte publicaron un nuevo artículo en el Revista de marketing que examina cómo los avances en el aprendizaje automático (ML) y blockchain pueden abordar las fricciones inherentes en el marketing omnicanal y plantea muchas preguntas para la práctica y la investigación.

El estudio, próximamente en el Revista de marketing , se titula "Desafíos informativos en las soluciones de marketing omnicanal y la investigación futura" y está escrito por Koen Pauwels, Haitao (Tony) Cui, Catherine Tucker, Raghu Iyengar, S. Sriram, Anindya Ghose, Sriraman Venkataraman, y Hanna Halaburda.

En este nuevo estudio en el Revista de marketing , Los investigadores definen el marketing omnicanal como la "gestión sinérgica de todos los puntos de contacto con el cliente y los canales, tanto internos como externos a la empresa, que garantiza que la experiencia del cliente en todos los canales y la actividad de marketing del lado de la empresa, incluyendo marketing-mix y comunicación de marketing (propiedad, pagado, y ganado), está optimizado ".

A menudo visto como la panacea para el marketing uno a uno, datos de experiencias omnicanal, atribución de marketing, y fricciones de privacidad del consumidor. El equipo de investigación demuestra que los avances en el aprendizaje automático (ML) y blockchain pueden abordar estas fricciones. Sin embargo, estas tecnologías, a su vez, también pueden presentar nuevos desafíos para las empresas y oportunidades para la investigación académica.

Primero, para aprovechar al máximo el potencial del marketing omnicanal, las empresas necesitan información sobre todas sus interacciones con cada cliente a medida que atraviesan las diferentes etapas del recorrido del cliente. El estudio considera toda la gama de interacciones, como las comunicaciones entre la empresa y sus clientes, actividades en las que los clientes interactúan con la empresa (o sus socios) a través de la recopilación de información, compras cumplimiento del producto, devoluciones, y servicio post-compra. Es posible que dichos datos no estén disponibles o no se puedan utilizar fácilmente.

Las preguntas para futuras investigaciones incluyen:¿Cómo decidir qué métodos de aprendizaje automático son mejores y pueden imputar la información faltante utilizando datos que ya están disponibles para la empresa? ¿Cuál es el diseño óptimo de los emparejadores / plataformas que recopilan información de diferentes partes que abarcan diferentes puntos de contacto con el cliente? ¿Cuál es el impacto del intercambio de datos dentro y entre empresas en los consumidores (precios que pagan), empresas (eficiencia de la cadena de suministro, márgenes de beneficio), y formuladores de políticas (estructura de mercado, eficiencia, y excedente global)? ¿Cómo incentivar a los socios internos y externos a participar en las blockchains? ¿Y los esfuerzos de marketing omnicanal habilitados por blockchain podrían aumentar o suavizar la competencia?

Segundo, Los avances en el modelo de atribución han mejorado significativamente la capacidad de las empresas para asignar crédito a un punto de contacto de marketing específico. Sin embargo, Los modelos de atribución existentes están limitados por la incapacidad de atribuir la transición a una única intervención o suponen que el impacto de la intervención anterior se detiene con el siguiente paso dentro del embudo de compra y no se traslada a los pasos posteriores dentro del embudo. Es más, La investigación futura debería desarrollar modelos de atribución que combinen datos micro y macro que aprovechen métodos probados en economía y marketing. Pauwels dice que "Necesitamos más investigación que compare los enfoques de nivel agregado utilizando modelos de atribución tradicionales con enfoques de nivel individual y atribución multitáctil. Es útil comparar cómo se pueden adaptar los métodos de atribución existentes para estudiar métricas prospectivas como el cliente valor de por vida (CLV), que cuantifica los flujos de ingresos que una empresa espera obtener después de adquirir un cliente ". Por último, a medida que los especialistas en marketing omnicanal adoptan tecnologías como blockchain, las empresas obtendrán una mayor transparencia y una integración más confiable de los datos de los consumidores a través de los puntos de contacto dentro y fuera de la empresa. Esto, naturalmente, garantiza una mejor comprensión de cómo cambian los efectos de atribución con y sin plataformas de marketing habilitadas por blockchain.

Tercera, la privacidad del consumidor se promueve mediante la regulación, empoderamiento del cliente, y garantías de blockchain. Todavía, Hay varias preguntas sobre cómo mejorar la privacidad del consumidor. ¿Es posible utilizar análisis predictivos de una manera consciente de las probables preferencias de privacidad de los consumidores? Es más, ¿Hay alguna forma de emular los ecosistemas existentes basados ​​en blockchain en un contexto omnicanal? Por ejemplo, ¿Puede una empresa usar blockchain para crear un token que establezca una moneda que permita a los consumidores ser recompensados ​​por compartir sus datos como parte de un esfuerzo de marketing omnicanal? Y de forma más ambiciosa, ¿Existe alguna manera de que varias empresas puedan coordinarse en torno a un esquema basado en un solo token para ayudar a impulsar un ecosistema más grande? ¿Cuán exitosas son las iniciativas de tecnología publicitaria que han ayudado a los especialistas en marketing omnicanal a cumplir con las regulaciones de privacidad? ¿Son inherentemente solo un costo que interrumpe el procesamiento preciso de la información o existen beneficios en términos de una mayor confianza del consumidor? Las asociaciones entre académicos y empresas pueden evaluar la utilidad de tales herramientas para las empresas, consumidores y cumplimiento normativo, además de hacer recomendaciones para mejoras. Los desarrollos recientes en el aprendizaje federado tienen como objetivo proporcionar controles de privacidad; sin embargo, queda margen para la filtración indirecta de información al consumidor. Estas fugas pueden deberse a lagunas en los sistemas colaborativos de aprendizaje automático, mediante el cual un participante adversario puede inferir membresía, así como propiedades asociadas con un subconjunto de los datos de entrenamiento. En una arquitectura de aprendizaje federado encadenada, Las actualizaciones del modelo de aprendizaje local se intercambian y verifican aprovechando una cadena de bloques. ¿Podrían estos desarrollos moderar las preocupaciones sobre la privacidad y conducir a programas de marketing omnicanal más eficientes?

Finalmente, Hasta ahora, la política pública se ha centrado en los efectos nocivos de los sesgos algorítmicos inducidos por el aprendizaje automático, como la discriminación racial o de género. Cui explica que "Hay poca investigación o política que analice el uso de información personal en algoritmos. Por ejemplo, hace una mayor transparencia en la ruta de compra del cliente, incluso con el consentimiento explícito del cliente, dar lugar a la consecuencia no deseada de dar a las empresas omnicanal espacio para discriminar precios de manera eficiente, y al hacerlo, erosionar el bienestar del consumidor? "