麦克·斯特拉塔 知道他在互联网上受到监视。事实上，他知道每个人都在监视他。这就是广告的未来的基础。
搜索营销公司 Arcalea 的创始人兼首席执行官 Stratta 解释道：“消费者在线搜索的那一刻是任何品牌的转折点，因为它承载着意图。这是数字营销中最重要的时刻。”
每次在线搜索时，都会收集该意图以及许多其他信息。Arcalea 使用 这些数据将客户与最佳受众联系起来。
“我们从事的是搜索营销，但搜索营销作为一个领域，涉及消费者在线旅程的方方面面，”Stratta 说道。“关于您的所有数据都会告诉全世界您是谁、您喜欢什么。然后这些数据会以几乎所有方式用来向您推销产品。”
Stratta 扎根于信息安全领域，对网络的运作方式有着深刻的见解。“我一直都知道，在线体验中存在着层层数据，这些数据是完全不可见的，”他说。“这些数据结构就在那里。关键是如何激活它，让你受益。”
从数字安全到数字营销
利用领先的领先情报数据库 Russian Data 释放您的营销策略潜力。获取有关俄罗斯潜在客户的全面 俄罗斯数据 见解和详细资料。我们的平台使企业能够通过数据驱动的决策来增强定位、改善外展并推动销售增长。立即探索 Russian Data！
Stratta 的职业生涯始于一家名为 Internet Security Systems 的安全咨询公司，该公司后来被 IBM 收购。该公司会执行安全态势分析、渗透测试、网络强化和取证以及托管安全服务。简而言之，他了解安全。
“品牌在利用其在线影响力方面一直面临挑战，”Stratta 说道。“其中的一个关键要素是确保公司网络安全。我倾向于 IT 安全固有的技术挑战、游戏化和快速发展。双方之间不断发生冲突和争斗，这增加了所有参与者的风险。”
Stratta 会通过“指纹识别”架构并报告发现结果的过程来了解客户安全基础设施的弱点。“我会向 CIO 汇报，并说‘这是您的安全态势和漏洞，这是绕过防火墙的方法，这是实现这一目标的工具’，”Stratta 解释道。“他们通常会当场雇用我们。”
最终，他意识到这种无形的面料也可以成为品牌在竞争中脱颖而出的平台。2003 年，他离开 IBM 创立了一家名为 LimeGreen 的营销机构。该机构为世界上一些最大的品牌提供服务，包括 Jim Beam、起亚汽车和麦当劳公司等。事实证明，在这种层面开展活动非常有价值，但有时大品牌需要时间来适应。“数字变化很快。与今天相比，三年前的速度也慢了不少。大品牌并不是为这种变化速度而生的，”他解释道。
阿卡利亚
这就是他决定改变重点的原因。Stratta 于 2015 年 出售了他的代理机构，并创建了 Arcalea， 以系统地评估、优先排序和利用消费者信息来在线开展战略营销活动。他们说“成功现在是一门科学”，这是有原因的。
“这场战斗正在网上上演，这场战斗非常真实，但却是看不见的，”他说。“通常当客户突然明白过来时，我知道他们明白了。但当新问题出现时，随之而来的是困惑和恐惧。”
Stratta 解释说，算法和规则总是在变化，这让他想起了信息安全领域。“我们大量借鉴了信息安全领域，”他说。“我们通过这种新的法医营销形式将两者结合在一起。获胜的唯一方法是了解规则的发展。许多品牌甚至不知道游戏正在进行中。”
例如，十年前， 在网站上塞满关键词 就足以在网络搜索中获得顶级排名。现在，谷歌变得如此复杂，你不仅要模仿成功的网络特征，还要身体力行。“再也没有伪造的了。品牌在网上的形象才是最重要的，”斯特拉塔说。
这只是从内部角度来看。当品牌希望在线吸引消费者时，利用这些数据实际上会改变游戏规则。“机器人和 程序化广告 只是应用范围不断扩大的两个例子，”他说。“它不再只是网站和搜索，而是消费者特征的每一个方面都被品牌绘制、分类和激活，以期与这些消费者建立联系。今天不投资于此的企业可能在五年后就不存在了。它就是这么重要。”
Stratta 应该知道。他的职业生涯都在分析这个领域。然而，他很快指出，Arcalea 的客户享受的不仅仅是他自己的专业知识。该机构的重点是将搜索营销与付费广告、搜索引擎优化、入站营销、网络分析、商业智能和内容营销相结合。Stratta 将品牌经验与安全和搜索背景相结合，受到客户的高度评价。在搜索营销领域，很少有人能像他一样有这样的视角。“在信息安全方面，我们可以查看通信之下的数据层，并看到别人看不到的东西，”他说。“与此同时，我曾与世界上一些最大的品牌合作过。我们将这种经验带给那些急于快速变化和快速增长的组织。这就是我们产生最大影响的地方。”
从一个早就知道这个游戏存在的人那里获取信息——他还知道如何玩这个游戏。
请参阅 Sync Magazine 上的原始帖子。
如今，许多广告平台都集成了 AI 和 ML 技术，让营销人员和广告商能够以更少的工作量接触到更多潜在客户。在创建广告系列时，许多自动优化可以取代大量的手动工作，同时优化效果。使用 Google Ads 的智能出价可以消除流程中的大部分手动（知情）猜测。广告商无需确定目标关键字的最佳 PPC，而是可以插入与模型相关的最高获取成本。只要企业知道潜在客户或获取的价值，Google 的 ML 就会使用数百万个信号来计算要投放哪个广告、何时投放、出价多少——所有这些都在几毫秒内完成，而且比大多数手动竞价者更有效。
类似地，Facebook 的类似受众功能允许营销人员通过创建与之前转换者的个人资料元素（表明目标受众所共有 电子邮件平面设计：最新趋势 [2024] 的各种兴趣和人口统计数据的信号和数据元素）相匹配的受众来捕捉与当前转换客户相匹配的潜在客户。
社交媒体拥有数十亿活跃用户，已成为新营销活动的中心。社交媒体管理是任何有业务的企业的必备条件，需要回应批评性评论或投诉、保持趋势意识并挖掘每天发布的大量直接客户数据。首次涉足 Twitterverse 或 Facebook 世界的营销部门可能会被监控关键问题所需的资源所淹没，更不用说响应关键问题了。幸运的是，有多种模型可用，它们不仅可以协助管理实践，而且在从组织的社交媒体足迹中提取价值方面也比人类做得更好。使用 ML 实时识别关键帖子可确保不会错过任何机会，并且不会有任何负面消息有机会发展成为趋势。由于 ML 非常适合大数据的 3V（数量、速度、多样性），因此它是一种“倾听”社交媒体信息的绝佳工具，不仅可以从中筛选出精华，还可以发现被忽视或新的机会（例如关键词、受众），这些趋势只有在同时查看多个社交媒体信息时才能识别，并且对需要全天候关注兆字节数据的趋势保持警惕。如今，ML 模型可以分离情绪、特定人口统计数据、兴趣——只要能用语言表达，就可以进行分析。
推荐引擎
几乎所有在线购物或流媒体娱乐的人都根据推荐引擎做出决策。Netflix 依靠这些算法为观众提供推荐，亚马逊在创立之初就将这项技术作为关键的差异化因素，并从中获得了可观的收入，而 Spotify 的推荐引擎是其模式的核心部分。在线业务的好处超出了精明客户现在所期望的个性化。使用客户特定数据实时或近乎实时地策划产品的引擎正在不断改善其客户“契合度”——客户互动越多，企业就越能量身定制建议、产品、交易和体验。这种不断改善 的客户一致性和整体用户体验可以提高留存率。当然，电子商务企业如果能够准确识别兴趣并将客户与产品匹配，就能带来可观的收入。在最新发布的数据（2013 年）中，亚马逊 35% 的收入来自推荐产品。
推荐系统主要有两种类型：协同过滤和基于内容的过滤。通过协同过滤，公司可以比较具有相似个人资料的客户的浏览或购买习惯，从而提出建议。虽然这项技术由亚马逊推广，但现在许多公司在产品搜索期间或将产品添加到购物车或关注列表后，都会提供“浏览/购买过此产品的客户”推荐。可以将购买数据、人口统计数据甚至第三方数据结合起来，创建一个角色，然后在整个角色集中接收推荐。基于内容的推荐与特定客户的购买和浏览量相关，并且可能包括其他客户属性，例如产品评论、喜欢和评分。
推荐系统是提升客户体验价值、提高服 BM 列表 务满意度和增加收入的强大机会。支持这些系统的 ML 模型包括处理使用 NLP 准备的大量文本的算法、绘制客户资料和所选产品的最关键变量的集群模型，以及执行与选择相关的情绪分析的分类模型。
