I dagens digitala tidsålder, mer konsumentdata samlas in än någonsin tidigare. I tur och ordning, konsumenter bombarderas med reklam som missar målet för att identifiera "rätt" budskap till "rätt" kund, och misslyckas med att tillfredsställa kundernas behov för "rätt" pris, plats eller produkt.

Företag skulle kunna göra ett bättre jobb med att rikta in sig på kunder med den data de samlar in. Tyvärr, traditionella datorer har svårt att analysera denna enorma mängd information och översätta data till handlingskraftiga marknadsföringsinsatser.

För att lösa detta problem, Leeds biträdande professor i marknadsföring Rico Bumbaca och forskare från University of Chicagos Booth School of Business och Anderson School of Management vid UCLA skapade en ny algoritm utformad för att skala extraordinärt stora datamängder och generera mycket exakta prognoser av kundernas önskemål och önskemål.

Bumbaca och hans team beskriver hur denna metod fungerar i sin nya uppsats, "Skalbar målmarknadsföring:distribuerad Markov-kedja Monte Carlo för Bayesianska hierarkiska modeller, " som nyligen publicerades i Journal of Marketing Research .

"Metoden drar fördel av superdatorer genom att dela upp data i mindre bitar och bearbeta varje bit parallellt och kombinerar resultaten för att ge mycket exakta uppskattningar av en konsuments preferenser, säger Bumbaca.

Denna information om konsumenternas preferenser kan sedan användas av företag för att mer exakt rikta in sina meddelanden och öka sannolikheten för att konsumenterna svarar på deras reklam.

"Kunder vinner genom att ha färre irriterande meddelanden de behöver bearbeta från företag, och de meddelanden de får är perfekta när det gäller att möta deras behov. Företag vinner genom att öka effektiviteten i sina marknadsföringsinsatser till lägre kostnad, tjänar större avkastning på sina mindre marknadsföringsbudgetar."

Teamet tillämpade metoden för en välgörenhetsorganisation som mer effektivt vill rikta in sig på potentiella givare. Med hjälp av deras algoritm, de förutspådde en ökning på 1,6 miljoner USD till 4,2 miljoner USD i inkrementella donationer per kampanj, över mängden donationer med en traditionell statistisk metod.

Dessa resultat visar att nuvarande traditionella datorer helt enkelt inte är tillräckligt kraftfulla för att hantera den enorma mängden data eller för att nå den potentiella noggrannhet som data kan ge.

Bumbaca och hans kollegors arbete har en otrolig potential för marknadsföringsföretag som hanterar data från miljontals konsumenter. Dataanalysföretaget In4mation Insights har redan frågat om algoritmen i hopp om att kunna tillämpa den i sina affärskonsultprojekt.