Forskare från University of Minnesota, New York University, University of Pennsylvania, Handelshögskolan BI, Michigans universitet, National Bureau of Economic Research, och University of North Carolina publicerade en ny uppsats i Journal of Marketing som undersöker hur framsteg inom maskininlärning (ML) och blockchain kan hantera inneboende friktioner i omnikanalmarknadsföring och väcker många frågor för praktik och forskning.

Studien, kommande i Journal of Marketing , har titeln "Informationsutmaningar i omnikanalmarknadsföring och framtidsforskning" och är författad av Koen Pauwels, Haitao (Tony) Cui, Catherine Tucker, Raghu Iyengar, S. Sriram, Anindya Ghose, Sriraman Venkataraman, och Hanna Halaburda.

I denna nya studie i Journal of Marketing , forskare definierar omnikanalmarknadsföring som "synergistisk hantering av alla kundkontaktpunkter och kanaler både internt och externt för företaget som säkerställer att kundens upplevelse över kanaler och marknadsföringsaktivitet på företagssidan, inklusive marknadsföringsmix och marknadskommunikation (ägd, betalt, och tjänat), är optimerad."

Ses ofta som ett universalmedel för en-till-en marknadsföring, omnikanal-upplevelsedata, marknadsföringstillskrivning, och konsumenternas integritetsfriktioner. Forskargruppen visar att framsteg inom maskininlärning (ML) och blockchain kan hantera dessa friktioner. Dock, Dessa teknologier kan i sin tur också innebära nya utmaningar för företag och möjligheter till akademisk forskning.

Först, till fullo inse potentialen med omnikanalsmarknadsföring, företag behöver information om alla deras interaktioner med varje kund när de går igenom de olika stadierna av kundresan. Studien tar hänsyn till hela skalan av interaktioner, såsom kommunikation mellan företaget och dess kunder, aktiviteter där kunder interagerar med företaget (eller dess partners) genom informationsinsamling, inköp, produktuppfyllelse, returnerar, och service efter köp. Sådan data kanske inte är lättillgänglig eller användbar.

Frågor för framtida forskning inkluderar:Hur avgör man vilka maskininlärningsmetoder som är bäst och kan tillskriva saknad information med hjälp av data som redan är tillgänglig för företaget? Vilken är den optimala designen av matchmakers/plattformar som samlar in information från olika parter som spänner över olika kundkontaktpunkter? Vilken effekt har datadelning inom och mellan företag på konsumenterna (priserna de betalar), företag (effektivitet i försörjningskedjan, vinstmarginaler), och beslutsfattare (marknadsstruktur, effektivitet, och totalt överskott)? Hur kan man motivera interna och externa partners att delta i blockkedjorna? Och kan blockchain-aktiverade omnikanalmarknadsföring öka eller mildra konkurrensen?

Andra, Framsteg inom attributionsmodellering har avsevärt förbättrat företagens förmåga att tilldela kredit till en specifik marknadsföringskontaktpunkt. Dock, Befintliga tillskrivningsmodeller begränsas av en oförmåga att tillskriva övergången till en enskild intervention eller de förutsätter att effekten av den tidigare interventionen upphör med nästa steg i inköpstratten och inte överförs till efterföljande steg i tratten. Dessutom, Framtida forskning bör utveckla tillskrivningsmodeller som kombinerar mikro- och makrodata som utnyttjar beprövade metoder inom ekonomi och marknadsföring. Pauwels säger att "Vi behöver mer forskning som jämför aggregatnivåmetoder med traditionell attributionsmodellering med individuella nivåmetoder och multi-touch attribution. Det är användbart att jämföra hur befintliga attributionsmetoder kan anpassas för att studera framåtblickande mätvärden som kund livstidsvärde (CLV), som kvantifierar intäktsströmmar som ett företag förväntar sig att tjäna efter att ha förvärvat en kund." Slutligen, när omnikanalmarknadsförare anammar teknologier som blockchain, företag kommer att inse större transparens och mer tillförlitlig integration av konsumentdata över kontaktpunkter inom och utanför företaget. Detta garanterar naturligtvis en bättre förståelse för hur attributionseffekter förändras med och utan blockchain-aktiverade marknadsföringsplattformar.

Tredje, konsumenternas integritet främjas genom förordning, kundbemyndigande, och blockchain-garantier. Fortfarande, det finns flera frågor om hur man kan förbättra konsumenternas integritet. Är det möjligt att använda prediktiv analys på ett sätt som är medvetet om konsumenternas troliga integritetspreferenser? Dessutom, finns det ett sätt att emulera existerande blockkedjebaserade ekosystem i en omnikanalkontext? Till exempel, kan ett företag använda blockchain för att skapa en token som etablerar en valuta som gör att konsumenter kan belönas för att de delar sin data som en del av en omnikanal marknadsföringssatsning? Och mer ambitiöst, Finns det ett sätt som flera företag kan samordna kring ett system baserat på singeltoken för att hjälpa till att kickstarta ett större ekosystem? Hur framgångsrika är ad-tech-initiativ som har hjälpt omnikanalmarknadsförare att bli kompatibla med integritetsbestämmelser? Är de i sig bara en kostnad som avbryter korrekt behandling av information eller finns det fördelar i form av ökat konsumentförtroende? Partnerskap mellan akademiska företag kan bedöma användbarheten av sådana verktyg för företag, konsumenter, och regelefterlevnad – samt ge rekommendationer för förbättringar. Den senaste utvecklingen inom federerat lärande syftar till att tillhandahålla integritetskontroller; dock, Det finns fortfarande utrymme för indirekt läckage av konsumentinformation. Dessa läckage kan härröra från kryphål i system för samverkande maskininlärning, varigenom en kontradiktorisk deltagare kan sluta sig till medlemskap såväl som egenskaper associerade med en delmängd av träningsdata. I en blockchained federated-learning-arkitektur, uppdateringarna av lokalinlärningsmodellen utbyts och verifieras genom att utnyttja en blockchain. Kan en sådan utveckling dämpa integritetsproblem och leda till effektivare omnikanalmarknadsföringsprogram?

Till sist, offentlig politik har hittills fokuserat på de skadliga effekterna av maskininlärning-inducerade algoritmiska fördomar, såsom ras- eller könsdiskriminering. Cui förklarar att "Det finns knapphändig forskning eller policy som tittar på användningen av personlig information i algoritmer. Till exempel, gör större insyn i kundens väg till köpresa, även med uttryckligt kundens samtycke, resultera i den oavsiktliga konsekvensen av att ge omnikanalföretag utrymme att prisdiskriminera effektivt, och därvid, urholka konsumenternas välfärd?"