专家的评论
执行概要
- 营销团队通常缺乏快速进行市场测试和扩大测试规模的能力。
- 传统的A/B测试甚至是多元测试都无法满足频繁接触客户的市场营销需求。
- 相比之下，多武装盗版者会动态地引导流量走向成功的营销信息，降低由于转化率损失而导致的测试成本。
- 定价实验是一种特别有用的应用，因为零售商必须平衡需求模型的需求，这种需求模型既能反映长期利润，又不影响眼前利润。
随着第三方cookie的衰落，营销人员越来越依赖于第一方数据。大多数零售商都在平台上投入巨资，以获取和统一客户数据。总的来说，他们已经从触发活动中收获了价值，目的很简单，比如提醒顾客回到他们丢弃的购物车，或者考虑相关的产品分类。
现在，有一个更广泛的机会——即使用人工智能(AI)来细分客户，并自动编排客户体验的各个方面，从营销信息到留存干预。然而，尽管许多公司都在谈论创造深度个性化的体验，但很少有公司好好利用人工智能。
更糟糕的是，许多公司投资了先进的营销技术，但他们无法利用平台提供商宣传的个性化功能。主要的限制条件:市场营销团队通常缺乏快速运行市场测试和通过自动化扩大这些系统的能力。
多臂匪徒登场了
我们将测试瓶颈归因于对传统a /B测试方法的依赖。这些往往是高度手动的设置、实现和解释。此外，由于消费者偏好的变化和许多市场潜在的季节性，由此产生的见解可能是短暂的。那些每天向客户发送信息的公司看到了陡峭的衰减曲线，因为即使是性能最好的信息，在人们第三次看到它们时也会失去效力。
此外，多变量测试(MVT)是一种更强大的方法，可以一次测试多个变量，但它也存在这个缺陷，因为它产生的巨大提升会随着客户频繁接触而受到侵蚀。然而，MVT可以很好地用于营销接触，这是不经常发生的个人消费者，如订阅。
营销人员可以通过采用适应性实验方法获得更大的价值，更有效地优化客户参与或财务指标。这些高度自动化且始终在线的工具能够动态地引导流量走向成功的营销信息，从而降低因转换失败而导致的测试成本。我们已经看到零售商通过设定更高的目标和使用这些先进方法自动化测试过程，实现了两位数的销售增长。最有效的算法之一是多臂强盗算法(MAB)，它可以应用于从报价优化到动态定价的各种用例。因为MAB一直在优化，所以我们看到即使是每天的客户联系也会持续提升(参见图1)。
与传统的A/B或多元测试相比，多武装强盗有几个优势
单抗体为不确定时期的连续决策提供了一个简单、可靠的解决方案。为了构建智能和自动化的营销活动，营销人员首先要采取一系列行动(比如发送哪些优惠券)，然后选择一个目标(比如最大化电子邮件营销的点击率或EBITDA)。该算法平衡了探索(收集关于新操作的更多数据)和利用(选择性能良好的操作)。这里的目标是选择能够最大化收益的行动，并快速集中于最佳行动集合。随着市场条件的变化，这些活动可以很容易地重新设置以发现新的赢家，或者在更复杂的设计中，它们可以配置为无限期地继续测试周期。
定价实验是一种特别有用的应用，因为零售商必须平衡需求模型的需求，这种需求模型既能反映长期利润，又不影响眼前利润。因此，他们通过市场测试“边学边赚”，而不是“先学后赚”。与任何学习算法一样，重要的是要考虑目标函数。例如，如果算法认为深度折扣是增加收入的好方法，那么一个与收入而不是利润挂钩的目标可能会导致MAB收敛到一个过度折扣的解决方案上。
网络服务应用程序
公司经常使用强盗解决方案来加快试验速度，并为在线服务的用户提供个性化体验。这些解决方案有几个共同的特点:
- 它们为不同的用户提供不同的操作，如独特的广告或电子邮件消息。
- 营销人员可以快速跟踪用户对行动的反应。
- 营销人员可以很容易地适应在线系统，比如在以低成本推荐不同的产品时。
在最基本的形式中，单抗是a /B测试更有效的替代方案，可以自适应分配流量，以找到网站、电子邮件、广告或其他营销活动的成功版本。在大多数数字系统中，每个用户交互还会收集一些关于用户和操作的侧面信息，称为上下文。这可能是关于用户当前环境的信息(群组，位置，一天中的时间)或历史计算信息(过去的消费，年龄，性别，购物历史)。上下文强盗扩展了MAB框架，并学习如何使用这些额外的信息来做出优化目标指标的决策，如利润或点击率。
个性化与上下文土匪
领先的数字组织对核心服务实施上下文强盗，如促销优惠选择，在这些服务中，个性化体验和调整以适应快速变化的市场条件非常重要。领导者还会产生源源不断的创新内容来测试:新的创意、图像、促销和产品。不断地为“强盗”提供新的测试想法，有助于避免陷入不太理想的结果，并产生对客户行为的新见解。此外，由于糟糕的想法失败得很快，而赢家则会上升到顶峰，因此公司可以在营销想法上冒更大的风险，而不是在一个进展缓慢的测试周期中。
有一些迹象表明，一家公司已经准备好采用更先进的方法，如“背景强盗”:
- 一个稳健且快速发展的实验计划;
- 能够与历史营销和交易记录准确匹配的客户数据;和
- 以产品为中心的团队，可以优化高价值的客户接触点。
对于一个已经在大规模运行测试的组织来说，解决强盗的复杂性是有意义的，而传统测试产生有价值的数字废气，可以输入到强盗算法中。一个典型的例子是在数据仓库或其他分析数据存储中存储的记录数据上训练上下文强盗。在这里，公司需要记录所服务的营销活动(比如发送了哪个优惠券)和最终的奖励指标，以及在活动执行时描述该活动和用户历史的元数据。
有了数据在手，强盗模型就可以在任何具有模型训练、版本控制和服务功能的现代机器学习(ML)平台上进行训练。通常，价值是通过建立一个最小可行的产品算法来确定的，该算法以一定的节奏操作一批数据，允许数据科学团队在投入生产前仔细验证。个性化营销信息可以通过web、电子邮件或特定于应用程序的渠道提供，通常需要一些应用程序编程接口(API)开发工作来将ML模型与这些渠道集成。幸运的是，大多数特定于通道的工具都包含个性化api，它们在消息模板中填充个性化内容，因此这些集成任务相对简单。
与任何ML/AI系统一样，持续监控和持续维护仍然很重要，所以这些系统在稳定的、以产品为中心的营销团队手中是最有效的。展望未来，我们希望看到人工智能和自适应实验技术得到更广泛的应用，营销人员可以从中更有效地学习和激活第一方客户数据。