研究者从明尼苏达大学,纽约大学,宾夕法尼亚大学,BI挪威商学院,密歇根大学,国家经济研究局(National Bureau of Economic Research),北卡罗莱纳大学的一篇新论文发表在《市场营销,研究机器学习的进步是如何(毫升)和区块链可以解决固有的摩擦omnichannel营销和对实践和研究提出了许多问题。
该研究即将发表在《市场营销杂志》上，题为“全渠道营销疗法中的信息挑战和未来研究”，杏耀由Koen Pauwels、Haitao (Tony) Cui、Catherine Tucker、Raghu Iyengar、S. Sriram、Anindya Ghose、Sriraman Venkataraman和Hanna Halaburda撰写。
在这个新的营销研究杂志上,研究者omnichannel营销定义为“协同管理所有客户接触点和渠道内部和外部的公司,确保客户体验跨渠道和firm-side营销活动,包括营销组合和营销传播(拥有、支付和收入),是优化的。”
通常被视为一对一营销、全渠道体验数据、营销归因和消费者隐私摩擦的灵丹妙药。研究团队证明，机器学习(ML)和区块链的进步可以解决这些摩擦。然而，这些技术也可能反过来给公司带来新的挑战和学术研究的机会。
首先，为了充分实现全渠道营销的潜力，公司需要在客户旅程的不同阶段与每个客户的所有互动信息。该研究考虑了整个互动的范围，如公司与客户之间的沟通，客户与公司(或其合作伙伴)通过信息收集、购买、产品实现、退货和购后服务进行互动的活动。这些数据可能不是现成的或可用的。
未来研究的问题包括:如何决定哪种机器学习方法是最好的，以及如何利用公司现有的数据来补充缺失的信息?什么是最优设计的媒人/平台，从不同方面收集信息跨越不同的客户接触点?企业内部和跨企业的数据共享对消费者(他们支付的价格)、企业(供应链效率、利润率)和政策制定者(市场结构、效率和总体盈余)有什么影响?如何激励内部和外部合作伙伴参与区块链?区块链支持的全渠道营销工作是否会增加或弱化竞争?
其次，归因模型的进步显著提高了企业对特定营销触点分配信用的能力。然而，现有的归因模型受到限制，因为它们不能将转变归因于单一干预，或者它们假设前一干预的影响在购买漏斗的下一个步骤中停止，而不会延续到漏斗中的后续步骤。此外，未来的研究应该开发结合微观和宏观数据的归因模型，利用经济学和营销学中经过验证的方法。Pauwels说:“我们需要更多的研究来比较使用传统归因建模的综合层面方法与个人层面方法和多点触摸归因。比较现有归因方法如何适用于研究前瞻性指标，如客户终身价值(CLV)，它可以量化公司在获得客户后期望获得的收益流。”最后，随着全渠道营销人员采用像区块链这样的技术，企业将实现更大的透明度和更可靠的整合消费者数据，通过公司内外的接触点。这自然需要我们更好地理解有或没有区块链营销平台时归因效应是如何变化的。
第三，监管、客户授权和区块链保证提高了消费者隐私。不过，如何改善消费者隐私仍然存在几个问题。是否有可能在考虑到消费者可能的隐私偏好的情况下使用预测分析?此外，是否有一种方法可以在全渠道环境中模拟现有的基于区块链的生态系统?例如，一个公司可以使用区块链来创建一个令牌来建立一种货币，
杏耀平台注册优惠 ，让消费者因为分享他们的数据作为全渠道营销努力的一部分而获得奖励吗?更有野心的是，是否有一种方法可以让多家公司围绕一个基于单代币的方案进行协调，以帮助启动一个更大的生态系统?帮助全渠道营销人员遵守隐私规定的广告技术举措取得了多大的成功?从本质上来说，它们只是一种中断信息准确处理的成本，还是在增强消费者信任方面有好处?学术公司伙伴关系可以评估这些工具对公司、消费者和法规遵从性的有用性，并提出改进建议。联邦学习的最新发展旨在提供隐私控制;然而，消费者信息的间接泄露仍然存在空间。这些泄露可能源于协同机器学习系统的漏洞，据此，敌对的参与者可以推断出与训练数据子集相关的成员身份和属性。在区块链联邦学习架构中，通过利用区块链交换和验证本地学习模型更新。这些发展是否会缓和人们对隐私的担忧，并导致更有效的全渠道营销方案?
最后，公共政策迄今关注的是由机器学习引发的算法偏见的有害影响，比如种族或性别歧视。崔解释说:“关于在算法中使用个人信息的研究或政策很少。例如，对消费者购买路径的更大透明度，即使有明确的客户同意，是否会导致给全渠道公司有效的价格歧视空间的意外后果，并在这样做的时候，侵蚀消费者的福利?”
