mParticle erwirbt Vidora, eine KI-Personalisierungsplattform für Kundendaten

Our vision by mParticle is es, company to help to help the time to the value of data. In den letzten acht Jahren haben wir Marken dabei unterstützt, grundlegende Herausforderungen im Zusammenhang mit Kundendaten zu lösen, bei denen es um Datenqualität, Verwaltung und Konnektivität ging. The created an solider database from first hand is the voraussetzung for a efficient segmentation, target group view and aktivierung this data. Aus diesem Grund haben innovative Unternehmen aller Größen entschieden, mParticle als ihre Kundendateninfrastruktur zu implementieren.

Aber um marktführende Kundenerlebnisse zu bieten, müssen Marken in der Lage sein, mehr aus ihren Daten herauszuholen. Traditionell beschränken sich kundenorientierte Teams darauf, Entscheidungen auf der Grundlage des historischen Kontextes zu treffen, z. B. ob ein Kunde einen Kauf abgeschlossen hat. Avec the access of KI knowledge can teams but make personalization based on future prognoses, e.g. if a user will probably convert or if the risk of a migration.

Aus diesem Grund freue ich mich, Ihnen mitteilen zu können, dass mParticle Vidora, eine KI-Personalisierungsplattform für Kundendaten, übernommen hat. Mit unserem kombinierten Angebot können Teams jetzt ganz einfach KI-Modelle erstellen und diese Erkenntnisse in den über 300 integrierten Tools von mParticle ohne Data-Science-Fachwissen einsetzen.

Um mehr zu erfahren, treffen Sie sich am 16. August with Alex Holub, Mitgründer und CEO von Vidora, und Chee Chew von mParticle, to a camingesprech, with them to our common vision and roadmap.

Wir stellen vor: mParticle Intelligent Attributes, supported by Cortex

The teams of mParticle and Vidora have hard work in the pre-field this ankündigung, the both products together. Wir freuen uns, Ihnen mitteilen zu können, dass Kunden sofort unsere erste Version von mParticle Intelligent Attributes nutzen können, die von unserer KI namens Cortex unterstützt wird.

Intelligent attributes are ki-generated prognosemodels of user behavior, that means wird wahrscheinlich passieren, im Vergleich zu Berechnete Attribute, die berechnet werden aus aktuelle historische Daten. Ein Beispiel für ein berechnetes Attribut ist „durchschnittlicher Bestellwert“, der als Summe aller Einkaufswerte, geteilt durch die Anzahl der Käufe, über einen bestimmten Zeitraum definiert ist.

What can you make with Intelligent Attributes? Es gibt viel, worauf man sich freuen kann:

• Prognostizieren Sie zukünftige Ereignisse, z. B. die Wahrscheinlichkeit einer Konversion/Abwanderungsgefahr.
• Sie berechnen numerische Werte wie den Predictive Customer Lifetime Value auf der Grundlage von Modellen, die anhand des Kaufverhaltens des gesamten Kundenstamms trainiert wurden.
• Use the classification, to determine how probably it is that each user has to a specific group.

For each this intelligent attributes can create target groups and they use as criteria with specific parameters. If you also want to affect the best 80% of users, when the likely of a purchase at highest, you can set an value of likely hood_to_purchase_percentage >= 80, for the target group criteria.

Intelligente Attribute können auch als benutzerdefinierte Benutzerattribute an nachgelagerte Tools weitergeleitet werden, wo sie für die Personalisierung verwendet werden können. Ein Marketer kann beispielsweise zwei verschiedene Angebote in einer E-Mail-Nachricht präsentieren, indem er eine bedingte Logik auf das intelligente Attribut eines Benutzers anwendet (z. B. in Braze with Operator of Liquidits).

Extra with mParticle's Profil-API, Produktteams haben programmatischen Zugriff auf Intelligent Attributes. This means that the web and mobile content can available dynamic based on the user.

Ermöglichen Sie ein transparentes Self-Service-Kit

Eine der größten Herausforderungen bei der Einführung von KI ist der Mangel an datenwissenschaftlichen Ressourcen. This brands can use in large level level, they must be accessible for more teams, when the technical requirements are reduced, which are required for the input. With Cortex can create every business user with only few click smart attributes. Das bedeutet, dass Marketer und Produktmanager innerhalb von Tagen, nicht Wochen, einen Mehrwert erzielen können und Data-Science-Teams sich auf andere Prioritäten konzentrieren können.

Aber ich kann nicht nur eine Blackbox sein, sonst wird ihr einfach nicht vertraut sein. Es ist wichtig, den Prozess der Generierung von KI-Modellen zu verstehen und die getroffenen Entscheidungen zu erklären. If they also before migration, helps it, not only to considered the people, the probably abhiking, but also also understand the reasons that, why the wahrscheinlichkeit of a migration is high. This way can develop a strategy to behebung of the case, to prevent the problem long-term.

Die gute Nachricht ist, dass Cortex genau das tut. For each smart attribut provides Cortex the features or messable properties, which the KI for the analysis used. Sie können sehen, wie sie nach Wichtigkeit geordnet sind, um zu verstehen, welche am meisten zu ihren gemessenen Results beitragen.

Operationalize the through work process

Um KI in der Praxis umzusetzen, ist eine solide Datenbasis erforderlich, die Daten nahtlos zwischen Datenquellen, der KI-Plattform und dann an nachgelagerte Tools übertragen kann, wo diese KI-Erkenntnisse (in diesem Fall Intelligent Attributes) zur Verbesserung der Personalisierung genutzt werden können. In der Regel müssen Datentechnikteams Datenpipelines erstellen, um verschiedene Systeme zu integrieren oder die Daten manuell per Batch-Export/Import zu verschieben.

With mParticle and Cortex can automatisieren the complete end to end workflow, to be operationalize KI, which the following schritte includes:

1. to take data using the mParticle-SDKs or the events api (if the model first created, requires this an unique repeating historical events)
2. Sie stellen sicher, dass die Daten dem erwarteten Schema entsprechen, indem Sie die mParticle-Funktionen für das Datenqualitätsmanagement verwenden
3. Leiten Sie die Daten mithilfe eines mParticle → Cortex AI Event Integration to Cortex further, where features created, the model trained and Intelligent Attributes are created
4. Mithilfe einer Cortex AI → mParticle Feed-Integration wird das Intelligente Attribut als Benutzerattribut zurückgesendet
5. Weiterleitung von Benutzerprofilen, die mit intelligenten Attributen angereichert wurden, an all Ihre Marketing- und Analysetools
6. Zusammieren Sie Engagement-Daten aus diesen Tools zurück

Einmal eingerichtet, können Sie loslegen. Wenn neue Daten erfasst werden, werden die Pipelines entsprechend aktualisiert. Sie müssen keine Sorgen machen, dass Modelle mit alten Daten veraltet sind.

Hier finden Sie eine kurze Videoanleitung zur Verwendung von mParticle and Cortex zur Vorhersage der Benutzerabwanderung.

Was kommt als Nächstes?

Intelligent Attributes is the first of many application cases, which are available with the predictive modellierungs and decision functions of Cortex. Seid gespannt auf zusätzliche KI-gestützte Funktionen!

Um mehr darüber zu erfahren, wie Sie heute mit mParticle und Cortex beginnen können und was in naher Zukunft kommt, schauen Sie sich unser Kamingesprech am 16. August an, moderiert von Alex Holub, Mitgründer und CEO von Vidora, und Chee Chew von mParticle!