Markin e il tuo team di data science

Markin sostituisce il mio team di data science?

No, e un team che provasse a eseguire Markin senza data scientist ne trarrebbe meno vantaggio. Markin rimuove il lavoro manuale di decisioning: dimensionare i candidati a mano, esportare segmenti, collegare holdout, riconciliare i resoconti. La competenza scarsa, sapere cosa ottimizzare, cosa limitare e cosa dimostra effettivamente una lettura causale, diventa più preziosa, non meno.

Chi possiede i modelli?

Sì, lo fai. Markin utilizza le funzionalità, la propensione e i modelli di uplift che il tuo team già gestisce, insieme al proprio dimensionamento delle opportunità, e ogni decisione è verificabile fino agli input che l'hanno prodotta. Il tuo team può ispezionare, sovrascrivere o sostituire qualsiasi modello nel loop.

Possiamo portare i nostri modelli di uplift?

Sì. Porta i punteggi dal warehouse o servili in tempo reale; Markin li combina con margine, costo di contatto ed eleggibilità per scegliere un'azione per cliente. Dove non hai un modello, il dimensionamento di Markin colma il divario finché non lo hai.

In che modo è diverso dal deploy dei nostri modelli su uno strumento di campagna?

Uno strumento di campagna consuma uno score per costruire una lista. Un livello di decisioning confronta ogni azione candidata per un cliente in base al valore atteso, applica dei vincoli, ne sceglie una o la mette in hold, e allega un gruppo di controllo. L'output è una decisione con prove, non un'audience.

Come facciamo a sapere che l'uplift proviene dal livello decisionale e non dai modelli?

Non devi separarli, e all'holdout non importa: le coorti trattate e quelle in holdout differiscono solo nel fatto che è stata presa una decisione per cliente, nello stesso periodo, con gli stessi modelli e la stessa stagionalità. Ecco perché l'intervallo verificato che citiamo è post-holdout piuttosto che pre/post.

In che modo Markin è diverso dal decisioning o dall'AI già presenti in your data science team?

Un motore di decisioning classifica le azioni che un umano ha già definito, all'interno della superficie della campagna che gli è stata data. Markin forma le ipotesi da sé, siano esse di marketing, prodotto, prezzo o un'anomalia tecnica che frena la growth, le dimensiona, le esegue all'interno di your data science team e delle tue superfici di prodotto, e valuta ciascuna rispetto a un holdout randomizzato. Si comporta come un team di data science e growth, non come un ottimizzatore.

Markin testa solo messaggi e offerte?

No. Tutto ciò che un growth scientist umano investigerebbe rientra nello scopo: attrito nell'onboarding, adozione di funzionalità, prezzi e pacchetti, dunning e problemi di salute tecnica come un tasso di errore nel checkout o un deeplink non funzionante che sta silenziosamente uccidendo la conversione. Il marketing è uno dei quattro domini di ipotesi, non il confine.

Cos'è the business case for adding Markin on top of your data science team?

On the assumptions preloaded above, 4.0M customers at 19 a month, un piccolo movimento nell'ARPU è un numero elevato in termini assoluti, perché si applica all'intera base installata ogni mese anziché a una campagna. Nelle implementazioni Markin, l'intervallo verificato sulle coorti trattate è da +17% a +35% ARPU rispetto a un holdout randomizzato. Il punto non è più messaggi: è trovare l'azione a più alto valore per cliente, lanciarla e dimostrarne l'incrementality rispetto al controllo prima che si espanda.

Quanto tempo prima che si ripaghi da solo?

Le prime opportunità dimensionate sono in test entro sei settimane e il primo risultato verificato tramite holdout arriva entro 90 giorni. Il ritorno sull'investimento dipende dalla tua base, dal margine e dal costo del programma; il calcolatore su questa pagina lo computa dai tuoi numeri, dopo aver applicato il taglio del 20% al 40% che BCG riscontra quando i programmi Next Best Action sono testati per incrementality.