将用于自动化营销策略的“营销自动化（MA）”应用于电子商务的趋势正在扩大。特别是近年来，利用人工智能（AI）提高数据分析效率、提升促销效果的做法日益显著。如何利用AI提升MA的效果？又该如何将其应用于电商领域？提供集AI、MA、推荐引擎和DMP于一体的“activecore marketing cloud”的ActiveCore公司社长山田贤治，详细讲解了如何通过AI和MA最大化电商利润，并分享了最新的成功案例。
在MA中取得成果的关键在于“数据整合”
开展MA工作，首先需要将客户数据以及电商业务相关的各种数据积累到DMP（Data Management Platform）等平台中。除了商品信息和购买数据外，收集客户在电商网站的浏览历史、客户在网络上的行为历史以及会员属性信息等是必不可少的。
山田氏指出，在积累数据时，重要的是将企业拥有的数据整合到一个平台上。
要在营销自动化中取得成果，关键在于将购买数据、客户行为历史及会员属性信息等整合至单一DMP中，以便关联所有信息。
山田社长强调，不仅必须积累客户购买商品后的数据，还必须积累购买前的行为历史。
了解客户在购买前浏览了哪些网站、接触了哪些广告从而访问了电商网站，基于这些数据进行分析细分，是提高MA效果的关键。（山田氏）
预测客户兴趣偏好并差异化推送内容的方法
山田社长强调，要提高营销自动化的效果，还需要对内容进行个性化处理。
他不仅指出应根据购买历史和会员属性改变邮件文案，还强调应分析网站浏览历史和点击的广告等，预测客户对哪些商品感兴趣，并根据其兴趣和关注点差异化推送活动内容及广告创意。
预测客户的兴趣与偏好，并调整步骤邮件等内容，随后通过根据对内容的反馈来优化发送内容，从而提高打开率和转化率。（山田氏）
例如，在将样本会员转化为正式产品购买者并进一步培养为优质客户的营销场景中，以客户注册或购买之日为起点，根据购买次数和网站浏览历史等，推荐针对每位客户优化的活动是有效的。
进一步提升弃购邮件效果的“追加推动”策略
电商MA措施之一是针对将商品加入购物车后离开电商网站（即发生弃购）的用户进行提醒。通过发送电子邮件或LINE消息，赠送优惠券或推荐与购物车内商品相关的商品，以推动购买。
山田社长结合“activecore marketing cloud”的客户案例，作为提高弃购挽回邮件转化率的一种示例，解释了向弃购客户分两次把握时机发送邮件的策略。
具体方法是：在客户发生弃购后30分钟至1小时内发送提醒邮件，并在一段时间后向未转化为购买的客户再次发送邮件。第二次邮件的内容可根据第一次邮件是否被打开、打开后是否访问了电商网站等因素进行调整，这是提高转化率（CVR）的关键。
如果第一次邮件未能促成购买，则再发送一次。通过这种“再推一把”的操作，我司客户已证实销售额会有所增加。虽然许多电商企业在客户弃购后会发送提醒邮件，但实际上，重复发送两次对促进购买更为有效。（山田氏）
召回从浏览器流失的客户的方法
对于访问电商平台但未将商品加入购物车便离开的“浏览者流失”客户，采取与弃购邮件类似的提醒策略同样有效。尽管针对浏览者流失客户的提醒策略转化率低于针对弃购客户的邮件，但由于浏览者流失客户的基数较大，即使转化率较低也更容易获得签约订单数，这是其优势所在。
特别是，对于同时运营实体店铺的商家，数据显示，针对从浏览器流失的客户实施到店促进策略，有望取得显著效果。
若对从浏览器端流失的客户实施以引导至实体店铺为目的的提醒策略，虽然其购买率低于弃购客户，但从浏览器端流失的客户中到店购买的人数更多。换言之，就店铺销售额而言，对从浏览器端流失的客户进行提醒非常有效。（山田氏）
针对购物车放弃客户和从浏览器流失客户的提醒方式，通常使用邮件或LINE。此外，还有案例通过在电商网站的个人页面内进行推荐，实现了较高的转化率（CVR）。
利用AI提升营销自动化（MA）效果的机制与最新成功案例
目前，将AI应用于此类营销自动化（MA）策略的趋势正在扩大。山田先生解释了利用AI实现营销自动化并提升效果的机制。
例如，对用户行为进行打分，并根据总分预测用户的转化概率。诸如“曾访问过电商网站”的行为计3分，“曾浏览过促销活动”计2分等，根据对销售额等的贡献度，按照行为的重要程度对分数进行加权。然后，对得分较高的用户（即购买概率较高的用户）进行细分，并开展营销活动。
在对用户行为进行打分时，会利用机器学习。AI分析电商企业拥有的大数据，针对用户采取的每一项行为，评估其转化概率和对销售额的贡献度，并根据贡献度赋予相应分数。
通过使用被称为深度神经网络的此类方法，无需依赖人类的直觉或经验，即可对用户行为进行评分。此外，由于AI会进行分数调优，从而能够减轻人工操作的负担。（山田氏）
「activecore marketing cloud」的成功案例：邮件转化率提高约6倍
据悉，有许多成功利用AI提升营销自动化（MA）活动效果的案例。山田先生公开了使用「activecore marketing cloud」的企业所实施的策略的成功案例。
某家网络销售公司分析了「activecore marketing cloud」私有DMP中积累的顾客购买历史、使用频率、年龄性别等属性以及网页上的行为历史等数据，提取出预计转化率较高的用户。
然后，为该细分群体设计最佳活动，并限定发送对象发送邮件。结果，以往的邮件打开率从30%~40%提升至54.7%，转化率也从1.0%~1.2%提升至6.6%。
仅限“可能购买”的顾客接收优惠券
另一家通販公司分析了私有DMP的数据，提取出未来可能成为优质会员的客户，并通过电子邮件告知限定优惠券的存在以引导其访问电商平台。随后，实时识别访问电商平台的用户，仅在目标客户访问时显示优惠券活动横幅。访问优惠券展示页面的客户转化率超过了30%。
此外，山田先生还公开了化妆品网络销售公司将样品会员转化为正装购买者的案例，以及自动化防止定期购订阅取消的策略等案例。
实现AI×营销自动化（MA）×推荐的「activecore marketing cloud」
正是通过实现这些众多成功案例的，是ActiveCore提供的「activecore marketing cloud」。
「activecore marketing cloud」在一个系统中提供营销自动化（MA）功能、推荐功能、AI和DMP。山田先生强调了将“数据分析”、“推荐”、“MA”和“DMP”整合到一个系统中的优势。
通过联动分析、推荐及营销自动化工具，可以防止时间延迟并减少管理的繁琐性。此外，与分别签订多个工具合同相比，还能降低系统投资和运营费用，这也是其优点之一。（山田氏）
「activecore marketing cloud」将企业拥有的各种数据存储在云端的私有DMP中。它可以整合来自电商平台、应用程序、实体店等的数据，并以客户为单位进行管理。该系统还与邮件分发系统、LINE、广告网络等联动进行分发，同时，AI可以将策略结果可视化，并通过机器学习提高效果。
ActiveCore的AI「Pythagoras」
搭载在「activecore marketing cloud」中的AI「Pythagoras」也采用了深度学习技术。
例如，从某用户的网站浏览历史、购买历史及属性等信息中提取用户特征，进而分析与该用户相似的客户的偏好，以此预测该用户的偏好。然后，基于这些偏好为用户提供个性化的推荐。实证表明，基于相似客户偏好进行的推荐，其转化率远高于仅基于浏览历史显示相关商品的传统推荐引擎。
使用自然语言处理的商品推荐
还提供一种“自然语言处理推荐”服务，由AI分析商品说明文，并向可能对商品感兴趣的高潜力客户进行推荐。其优势在于，以往非畅销的商品也能被纳入推荐范围。
利用AI优化AB测试、广告和邮件发送时间
据说「Pythagoras」还可以自动优化邮件发送时机。例如，为每位客户找出最容易提高邮件打开率的发送时间段，并根据客户改变发送时机，从而提高邮件打开率。
此外，AI可以自动执行邮件文案或广告创意的AB测试，并通过运行PDCA循环来选择最有效的创意。
在讲解完「activecore marketing cloud」提供的功能和成功案例后，山田先生再次强调了在营销自动化（MA）中取得成果的关键点，并结束了研讨会。
要提高营销自动化的效果，以客户为中心整合数据最为重要。而要在营销自动化中取得成果，关键在于对内容进行个性化处理。然而，无法对每位客户逐一进行手工个性化操作，因此请善用系统和AI。（山田氏）