联合创始人史蒂夫伦肖（steverenshaw）说，营销人员在个性化营销中面临的最大挑战是规模化管理。建立准确的个性化规则依赖于数据分析、假设、内容管理和手动配置的混合。在多个场景下跨多个页面管理多个规则，并知道什么是有效的，很快就会变得令人生畏，尤其是对于规模较小的营销团队。机器学习通过消除大量的猜测来增加个性化营销的价值。使用"自学习"建模来分析成功的行为，通过基于早期成功的用户行为在电子商务网站上呈现有针对性的消息传递（如"相关产品"优惠），几乎绕过了设置规则的需要，从而自动提供相关内容的过程。云是扩大规模的一个重要因素，它为管理机器学习和后台进程提供了巨大的资源。我读过一些关于机器学习在本地运行的文章，这是出于对数据隐私的考虑，但是这需要非常强大的服务器能力。更常见的情况是，数据存储在本地托管，然后将数据移植到云平台，用于机器学习培训和学习过程。既然工具已经存在，为什么还要让生活变得困难呢？云托管的机器学习有助于扩展个性化营销，并限制对机器学习服务的并发请求数量。基于机器学习的体验云使手动或编程扩展端点更容易，以帮助响应个性化营销流量的高峰时段。例如，零售商需要扩大和缩小以适应季节性高峰。此外，云服务使机器学习更具成本效益。这尤其有助于中型企业与大型竞争对手竞争。但有效性取决于谁来设置它，以及由您使用的工具提供的数据和数据建模的质量，以及它们所吸收的数据。当涉及到机器学习时，所有的都是设置参数，然后给它输入数据，免费云服务器永久使用，这样它就可以自己训练了。只有当你根据现有的分析和用户数据智能地设置实验时，这才有效。做得好，大数据是，它将提高你的用户体验努力，物联网和互联网的区别，使你在竞争对手的优势。开箱即用机器学习个性化营销实验机器学习不必复杂微软Azure提供推荐产品ML开箱即用引擎，开始运行个性化营销实验。但请记住，机器学习是一个框架。所以当你变得更聪明的时候，可能会有更多的预先配置。投资回报率变化很大，但在交易场景中更容易用货币来衡量。这一切都归结为对数据、计划、目标和设置的重视程度。当机器学习与其他平台和数据存储进行通信以消化数据，然后将所学知识分享回您的网站或内容应用程序时，机器学习真正发挥了自己的作用。所以，是的，你可以整合你现有的网站，自动化工具，和电子邮件营销平台。沙盒环境是一个很好的方法，可以让一个简单的场景运行起来，从而使机器学习成为企业的生命。但在某些时候，你需要给它提供真实的用户行为数据，你无法模拟。只有在生产时才能看到结果。这就是为什么对你的实时数据进行分析是如此重要，以确保你给机器输入正确的数据，从你想要影响的用户旅程和转换点。个性化营销需要对机器学习进行持续的投资个性化营销需要对机器学习进行持续的投资才能看到效果。因此，管理层的赞助对于确保它不会只是启动就过时很重要。任何初始方法都必须直接与业务目标保持一致。您需要一个由战略、业务分析、数据分析、开发和项目管理专业人员组成的团队，为个性化营销计划规划和提供一个强大且可测量的机器学习。因为如果它被认为是一个附带项目，你注定会失败。自动化在这一切中扮演了什么角色？例如，其中一个用例是基于机器学习数据以编程方式自动填充或更改规则。一个基于实时数据的常量规则自动化引擎正在运行。一个完全不同的自动化场景使用机器学习来驱动机器人，机器人可以回答用户的问题并帮助人们更快地执行任务。例如，查询一个假期，然后在一个聊天会话中点击"预订"。个性化营销应该提升用户体验，而不仅仅是销售产品。不断增长的机器学习技能来支持个性化的营销项目使用现成的工具和模板为聊天机器人或机器学习推荐引擎启动一个概念证明只需要几天时间。然而，当你变得更聪明的时候，云服务器租用价格，你很可能会在时间、技能和外部援助方面投入更多的资金来实现你的目标。因此，你需要一系列的规则来正确地计划和执行一个持续的个性化营销项目，这个项目只有在相关的业务部门中才能得到认可。我建议成立一个专门的团队，有任务、有计划、有投入，目的是迅速显示价值，这将证明投资于更广泛的个性化营销推广是合理的。一旦你实现了机器学习，数据就是你的朋友。理想情况下，您将构建一个度量框架，淘客放单平台，该框架将指示您的目标和目标，您如何衡量您的机器学习建模和方法的成功。不要害怕糟糕的结果，你可以从他们身上学到和好的个性化营销结果一样多的东西。每个月在一个测试和迭代方法中运行一系列的测试或模型，这样它就可以被放入正在进行的优化议程中。然后向业务部门报告其有效性。如果做得好，一个精心规划和管理的机器学习策略将通过一个持续优化的过程来增加你的个性化营销转化率。Steve Renshaw是Sitecore认证解决方案合作伙伴Ratio的联合创始人，专门为许多国际客户（如汇丰银行）提供数字变革计划。