OfferFit 25 میلیون دلار برای از بین بردن تست A/B برای بازاریابی با شخصی سازی یادگیری ماشین دریافت می کند

“تست A/B مرده است” کپی روی آن را اعلام می کند صفحه اصلی OfferFitیک استارت آپ سه ساله در بوستون ماساچوست که توسط جورج خاچاتریان به عنوان مدیر عامل، ریاضیدان دکترا و یکی از بنیانگذاران سابق استارتاپ نرم افزار آموزشی Reasoning Mind تأسیس و رهبری می شود.

این یک اعلامیه جسورانه است، اما شرکت مطمئن است که می‌تواند برای برندهایی که به دنبال بهینه‌سازی و شخصی‌سازی تلاش‌های بازاریابی دیجیتال خود هستند، راحت‌تر و با نتایج بسیار بهتری نسبت به روش‌های قبلی، پشتیبان بگیرد. (“تست A/B” به این روش اشاره دارد که نیمی از گیرندگان یک نوع ارتباط و نیمی دیگر نوع دیگر ارسال می کنند و می بینند کدام پیام از نظر معیارهایی مانند نرخ باز کردن، تعداد کلیک ها، فعال سازی ها، ثبت نام ها عملکرد بهتری دارد. ، خریدها، اشتراک ها و غیره).

و سرمایه گذاران به نظر می رسد موافقند: امروز این شرکت یک دور سرمایه گذاری ۲۵ میلیون دلاری سری B را اعلام کرد به رهبری Menlo Ventures، Ridge Ventures و سرمایه گذاران قبلی Canvas Ventures، Harmony Partners، Alumni Ventures Group، Carbide Ventures و Burst Capital به آنها پیوست.

علاوه بر این، Capital One Ventures، بازوی VC از قابل تشخیص و تاجر محبوب کارت اعتباری و بانکی، پس از موفقیت خود با استفاده از OfferFit برای ارسال خودکار پیام های بازاریابی انبوه شخصی سازی شده در مورد محصولات خدمات مالی خود به مشتریان، سرمایه گذاری انجام داد.

آنچه OfferFit ارائه می دهد

کلید موفقیت OfferFit در برنده شدن حامیان و مشتریان تبدیل به حامیان، رویکرد آن به بازاریابی دیجیتال است: به طور خاص از یادگیری ماشینی استفاده می کند. یادگیری تقویتیکه در آن الگوریتم‌ها برای انجام اقداماتی آموزش داده می‌شوند که منجر به “جریمه” یا “پاداش” می‌شود، که اساساً فرآیند یادگیری را بازی‌سازی می‌کنند و بر آزمون و خطا تکیه می‌کنند، مشابه نحوه یادگیری نوزادان انسان.

یادگیری تقویتی ستون فقرات راه حل بازاریابی خودکار OfferFit را تشکیل می دهد که داده های مشتریان مشتریان و تلاش های بازاریابی تا به امروز را دریافت می کند و به طور خودکار پیام های بهینه را برای ارسال در زمان های بهینه در کانال های بهینه به تک تک مشتریان مشخص می کند. – حتی اگر پایگاه کاربر میلیون ها نفر باشد، همانطور که در مورد شرکت های بزرگ مانند Capital One وجود دارد.

Jean-Paul (JP) Sanday، یکی از شرکای Menlo Ventures، در یک مصاحبه ویدئو کنفرانس با VentureBeat گفت: «زیبایی این کار این است که یک بار نیست. “شما می توانید خود را آزمایش کنید و نیازی به اعلام برنده ندارید. فقط همیشه بهینه می شود و روشن می ماند – بالابر در واقع با گذشت زمان بهبود می یابد.”

و حتی اگر و زمانی که رفتار کاربر نهایی تغییر کند – همانطور که اغلب در طول زندگی ما تغییر می کند، با رشد و ورود ما به سطوح مختلف مدرسه، نیروی کار، ازدواج، بچه دار شدن – OfferFit می تواند پیام های مناسبی را برای مرحله کاربر نهایی ارائه دهد. زندگی

Sanday توضیح داد: “اگر الگوها و رفتار کاربر شما تغییر کند، آن را متوجه می شود و شروع به گفتن می کند، “این یک رفتار نوظهور جدید است.” هنگامی که یک کانال جدید نشان داده می شود، یا شخصی شروع به صرف زمان بیشتری در یک برنامه دیگر می کند، آن را تشخیص می دهد و بازاریابی را برای سازگاری با آن تغییر می دهد.

راه‌حل ML OfferFit همچنین به اندازه کافی انعطاف‌پذیر است تا بدون نیاز به ابزار جدید، روی شاخص‌های عملکرد کلیدی مختلف (KPI) کار کند. خواه مشتری به دنبال افزایش نرخ باز، تعامل، تعداد کلیک ها یا تقریباً هر نتیجه قابل تصور و قابل اندازه گیری دیگری باشد، پلتفرم می تواند زمان و کانال های پیام رسانی خود را برای رسیدن به اهداف مشتری بهینه کند.

ساندی خاطرنشان کرد: «با چه فرکانسی پیام‌ها را ارسال می‌کنید، چه روزی در چه ساعتی از روز، همه چیز به نوعی توسط سیستم مشخص می‌شود و بنابراین شما فقط آزمایش را در مقیاس اعمال می‌کنید».

جام مقدس بازاریابی شخصی خودکار در مقیاس؟

ساندی اعتراف کرد که در ابتدا برای سرمایه‌گذاری در OfferFit مردد بود، زیرا به نظر می‌رسید که این موضوع بیش از حد خوب باشد.

او به VentureBeat گفت: “وقتی این را دیدم، ابتدا گفتم، این دوباره مانند جام مقدس است. نمی دانم، من بارها به جام مقدس وارد شده ام.”

اما خاچاتریان و بنیانگذارانش در زمینه ریاضیات عمیق، همراه با فرصتی که توسط یک اکوسیستم بالغ‌تر از برنامه‌ها و مجموعه‌های ابزار پیام‌رسانی به هم پیوسته ارائه می‌شود، او را به مفهوم مرکزی پلتفرم و نوآوری که آن را تسهیل می‌کند جلب کرد: یک فروشگاه یک‌جا. الگوریتم‌هایی برای بهینه‌سازی و شخصی‌سازی بازاریابی در بخش‌ها، کانال‌ها، بخش‌های مخاطب و بازه‌های زمانی.

“این مدل قرار است بیرون برود و بر اساس واقعی باشد [end-user] ساندی توضیح داد که رفتارها را شروع کنید [customer] یک سری چیزهایی که باید در مقابل کاربران قرار دهید مانند خطوط موضوعی، پیشنهادات خلاقانه یا انگیزه های مختلف. و توهم ایجاد نمی کند یا ۹۰ درصد تخفیف یا هر چیز دیگری به آنها نمی دهد، در چارچوب محدودیت هایی که مشتری تعیین می کند عمل می کند.”

به طور خاص، OfferFit ادعا می کند که به موفقیت رسیده است چنین نتایج قابل توجهی به عنوان یک افزایش ۱۲۰ درصدی در میانگین درآمد هر کاربر (ARPU) در Liberty Latin America، یک شرکت مخابراتی، که منجر به اضافه شدن ۱ میلیون دلار به ارزش سالانه می شود. برای امنیت خانه برینکس، OfferFit می‌گوید که با ایجاد تمدید قرارداد از سوی مشتریان فعلی، معادل ۵ میلیون دلار سود سالانه، به رشد ۴۵۰ درصدی در ارزش دست یافته است.

این شرکت در بخش‌های خرده‌فروشی و تجارت الکترونیک، فناوری مسافرت و مهمان‌نوازی، رسانه‌ها و سرگرمی‌ها، مخابرات و خدمات آب و برق، خدمات مالی و بیمه، و همچنین مراقبت‌های بهداشتی و سلامتی به مشتریان خدمات می‌دهد.

علاوه بر این، Sanday مراقب بود که توجه داشته باشد که OfferFit داده‌های کاربر نهایی را در بین مشتریان خود جمع نمی‌کند، و همچنین داده‌های مشتریان مختلف خود را در یک انبوه ترکیب نمی‌کند. هر چقدر هم که ممکن است ارزشمند به نظر برسد – ایجاد پروفایل های مشتریان بین شرکتی – OfferFit به دنبال حفظ حریم خصوصی و امنیت داده های مشتریان و کاربران نهایی است.

Sanday گفت که این برای پلتفرم برای بهینه سازی پیام های پیشنهادی خود نیز ضروری نیست.

او خاطرنشان کرد: «برای مثال، روشی که به ارائه‌دهنده خدمات خود نشان می‌دهید، لزوماً همیشه به من نمی‌گوید که برای پیشنهاد کارت اعتباری شما چه کاری درست است.

آتی برای OfferFit با پول نقد جدیدش

اکنون که این شرکت ارزش خود را به مشتریان بزرگ نشان داده و سرمایه گذاری اضافی را تضمین کرده است، قصد دارد “به سرمایه گذاری در محصول خود ادامه دهد.”

با توجه به وب سایت آن اعلام دور تامین مالیاین بدان معناست که ادغام‌های بیشتری را برای پلتفرم‌های نرم‌افزار بازاریابی ایجاد می‌کند و به هوشمندهای ML OfferFIt اجازه می‌دهد تا از گردش‌های کاری و ابزارهای نرم‌افزاری موجود برای ارسال بهترین پیام‌ها در زمان‌های مناسب برای مشتریان خود (و مهم‌تر از همه، کاربران نهایی‌شان) استفاده کنند.

علاوه بر این، این شرکت قصد دارد “قابلیت های خود سرویس دهی و تولید محتوا” را گسترش دهد. به گفته ساندی، این ممکن است در نهایت شامل یک مؤلفه هوش مصنوعی مولد از تولید واقعی نسخه خام بازاریابی و دارایی های بصری باشد، اگرچه او تأکید کرد که اینها البته مشروط به تأیید یک مدیر بازاریابی انسانی یا معادل آن برای هر مشتری قبل از پایان دادن به آن است. کاربران .