Onderzoekers van de Universiteit van Minnesota, New York Universiteit, Universiteit van Pennsylvania, BI Noorse Business School, Universiteit van Michigan, Nationaal Bureau voor Economisch Onderzoek, en University of North Carolina publiceerden een nieuw artikel in de Tijdschrift voor Marketing dat onderzoekt hoe vooruitgang in machine learning (ML) en blockchain inherente wrijvingen in omnichannelmarketing kan aanpakken en roept veel vragen op voor praktijk en onderzoek.

De studie, aanstaande in de Tijdschrift voor Marketing , is getiteld "Informional Challenges in Omnichannel Marketing Remedies and Future Research" en is geschreven door Koen Pauwels, Haïto (Tony) Cui, Catharina Tucker, Raghu Iyengar, S. Sriram, Anindya Ghose, Sriraman Venkataraman, en Hanna Halaburda.

In deze nieuwe studie in de Tijdschrift voor Marketing , onderzoekers definiëren omnichannelmarketing als het "synergetische beheer van alle klantcontactpunten en -kanalen, zowel intern als extern van het bedrijf, dat ervoor zorgt dat de klantervaring via kanalen en bedrijfsmarketingactiviteiten, inclusief marketingmix en marketingcommunicatie (eigendom, betaald, en verdiend), wordt geoptimaliseerd."

Vaak gezien als het wondermiddel voor één-op-één marketing, gegevens over omnichannel-ervaringen, marketing attributie, en wrijvingen met de privacy van de consument. Het onderzoeksteam toont aan dat vooruitgang in machine learning (ML) en blockchain deze wrijvingen kan aanpakken. Echter, deze technologieën kunnen op hun beurt ook nieuwe uitdagingen voor bedrijven en kansen voor academisch onderzoek opleveren.

Eerst, het potentieel van omnichannelmarketing volledig realiseren, Bedrijven hebben informatie nodig over al hun interacties met elke klant terwijl ze de verschillende stadia van de klantreis doorlopen. De studie houdt rekening met het hele scala van interacties, zoals communicatie tussen het bedrijf en zijn klanten, activiteiten waarbij de klanten interactie hebben met het bedrijf (of haar partners) over het verzamelen van informatie, aankopen, productvervulling, geeft terug, en service na aankoop. Dergelijke gegevens zijn mogelijk niet direct beschikbaar of bruikbaar.

Vragen voor toekomstig onderzoek zijn onder meer:​​Hoe te beslissen welke methoden voor machinaal leren het beste zijn en ontbrekende stukjes informatie kunnen toeschrijven met behulp van gegevens die al beschikbaar zijn voor het bedrijf? Wat is het optimale ontwerp van matchmakers/platforms die informatie verzamelen van verschillende partijen die verschillende klantcontactpunten omvatten? Wat is de impact van het delen van gegevens binnen en tussen bedrijven op consumenten (prijzen die ze betalen), bedrijven (efficiëntie van de toeleveringsketen, winstmarges), en beleidsmakers (marktstructuur, efficiëntie, en algemeen overschot)? Hoe interne en externe partners te stimuleren om deel te nemen aan de blockchains? En kunnen blockchain-enabled omnichannel-marketinginspanningen de concurrentie vergroten of verminderen?

Tweede, vooruitgang in attributiemodellering heeft het vermogen van bedrijven om krediet toe te kennen aan een specifiek marketingcontactpunt aanzienlijk verbeterd. Echter, bestaande attributiemodellen worden beperkt door het onvermogen om de overgang toe te schrijven aan een enkele interventie of ze veronderstellen dat de impact van de vorige interventie stopt bij de volgende stap in de aankooptrechter en niet wordt overgedragen naar volgende stappen binnen de trechter. Bovendien, toekomstig onderzoek zou attributiemodellen moeten ontwikkelen die micro- en macrogegevens combineren door gebruik te maken van beproefde methoden in economie en marketing. Pauwels zegt:"We hebben meer onderzoek nodig dat benaderingen op geaggregeerd niveau vergelijkt met behulp van traditionele attributiemodellering met benaderingen op individueel niveau en multi-touch attributie. Het is nuttig om te vergelijken hoe bestaande attributiemethoden kunnen worden aangepast om toekomstgerichte statistieken te bestuderen, zoals klantgegevens. levenslange waarde (CLV), die de inkomstenstromen kwantificeert die een bedrijf verwacht te verdienen na het verwerven van een klant." terwijl omnichannel-marketeers technologieën als blockchain adopteren, bedrijven zullen grotere transparantie en betrouwbaardere integratie van consumentengegevens realiseren op verschillende contactpunten binnen en buiten het bedrijf. Dit vereist natuurlijk een beter begrip van hoe attributie-effecten veranderen met en zonder blockchain-enabled marketingplatforms.

Derde, consumentenprivacy wordt bevorderd door regelgeving, empowerment van de klant, en blockchain-garanties. Nog altijd, er zijn verschillende vragen over het verbeteren van de privacy van de consument. Is het mogelijk om voorspellende analyses te gebruiken op een manier die rekening houdt met de waarschijnlijke privacyvoorkeuren van consumenten? Bovendien, is er een manier om bestaande op blockchain gebaseerde ecosystemen te emuleren in een omnichannel-context? Bijvoorbeeld, kan een bedrijf blockchain gebruiken om een ​​token te creëren dat een valuta creëert waarmee consumenten kunnen worden beloond voor het delen van hun gegevens als onderdeel van een omnichannel marketinginspanning? En ambitieuzer, is er een manier waarop meerdere bedrijven kunnen coördineren rond een op één token gebaseerd schema om een ​​groter ecosysteem op gang te helpen? Hoe succesvol zijn ad-tech-initiatieven die omnichannel-marketeers hebben geholpen om aan de privacyregelgeving te voldoen? Zijn ze inherent slechts een kost die de nauwkeurige verwerking van informatie onderbreekt of zijn er voordelen in de zin van een groter consumentenvertrouwen? Partnerschappen tussen academische bedrijven kunnen het nut van dergelijke instrumenten voor bedrijven beoordelen, consumenten, en naleving van de regelgeving, evenals aanbevelingen voor verbeteringen. Recente ontwikkelingen in federatief leren zijn bedoeld om privacycontroles te bieden; echter, er blijft ruimte voor indirect lekken van consumenteninformatie. Deze lekkages kunnen het gevolg zijn van mazen in samenwerkende machine-learningsystemen, waarbij een vijandige deelnemer lidmaatschap kan afleiden, evenals eigenschappen die zijn gekoppeld aan een subset van de trainingsgegevens. In een blockchain-gefedereerde leerarchitectuur, de updates van het lokale leermodel worden uitgewisseld en geverifieerd door gebruik te maken van een blockchain. Zouden dergelijke ontwikkelingen privacyzorgen kunnen verminderen en kunnen leiden tot efficiëntere omnichannelmarketingprogramma's?

Eindelijk, het overheidsbeleid heeft zich tot nu toe gericht op de schadelijke effecten van door machine learning veroorzaakte algoritmische vooroordelen, zoals discriminatie op grond van ras of geslacht. Cui legt uit:"Er is weinig onderzoek of beleid naar het gebruik van persoonlijke informatie in algoritmen. zorgt voor meer transparantie in het traject van de klant naar de aankoop, zelfs met uitdrukkelijke toestemming van de klant, resulteren in het onbedoelde gevolg dat omnichannel-bedrijven de ruimte krijgen om efficiënt te discrimineren, en daarbij, consumentenwelvaart uithollen?"