In het digitale tijdperk van vandaag, er worden meer consumentengegevens verzameld dan ooit tevoren. Beurtelings, consumenten worden gebombardeerd met advertenties die het doel missen om de "juiste" boodschap aan de "juiste" klant te identificeren, en niet voldoet aan de behoeften van klanten voor de "juiste" prijs, plaats of product.

Bedrijven zouden zich beter kunnen richten op klanten met de gegevens die ze verzamelen. Helaas, traditionele computers hebben moeite om deze enorme hoeveelheid informatie te analyseren en de gegevens om te zetten in bruikbare marketinginspanningen.

Om dit probleem aan te pakken, Leeds Assistant Professor of Marketing Rico Bumbaca en onderzoekers van de Booth School of Business van de University of Chicago en de Anderson School of Management aan de UCLA hebben een nieuw algoritme ontwikkeld dat is ontworpen om buitengewoon grote datasets te schalen en zeer nauwkeurige projecties van de wensen en verlangens van klanten te genereren.

Bumbaca en zijn team beschrijven hoe deze methode werkt in hun nieuwe paper, "Scalable Target Marketing:gedistribueerde Markov-keten Monte Carlo voor Bayesiaanse hiërarchische modellen, " die onlangs werd gepubliceerd in de Journal of Marketing Research .

"De methode maakt gebruik van supercomputers door de gegevens op te splitsen in kleinere stukjes en elk blok parallel te verwerken en de resultaten te combineren om zeer nauwkeurige schattingen te geven van de voorkeuren van een consument, ' zegt Bumbaca.

Deze informatie over de voorkeuren van consumenten kan vervolgens door bedrijven worden gebruikt om hun berichten nauwkeuriger te richten en de kans te vergroten dat consumenten op hun advertenties reageren.

"Klanten winnen doordat ze minder vervelende berichten van bedrijven hoeven te verwerken, en de berichten die ze wel ontvangen, voldoen precies aan hun behoeften. Bedrijven winnen door de efficiëntie van hun marketinginspanningen te verhogen tegen lagere kosten, meer rendement halen uit hun kleinere marketingbudgetten."

Het team paste de methode toe voor een liefdadigheidsorganisatie die zich efficiënter wil richten op potentiële donateurs. Met behulp van hun algoritme, ze voorspelden een toename van $ 1,6 miljoen tot $ 4,2 miljoen in incrementele donaties per campagne, over het bedrag van de donaties met behulp van een traditionele statistische methode.

Deze resultaten tonen aan dat de huidige traditionele computers gewoon niet krachtig genoeg zijn om de enorme hoeveelheid gegevens aan te kunnen en evenmin om de potentiële nauwkeurigheid te bereiken die de gegevens kunnen bieden.

Het werk van Bumbaca en zijn collega's heeft een ongelooflijk potentieel voor marketingbedrijven die gegevens van miljoenen consumenten verwerken. Het data-analysebedrijf In4mation Insights heeft al naar het algoritme gevraagd in de hoop het toe te passen in hun bedrijfsadviesprojecten.