lner的使命是通过探索AI可以帮助业务“更聪明”的目标来减少“营销努力浪费”。

它已经做到的一种方法是建立机器学习模型，以在市场上预测和针对客户购买时改善其电子邮件营销策略。

在数据与营销协会（DMA）的客户参与未来趋势2025活动今天（2月27日）时，Lner的CRM Lifecycle负责人Lauren Hobson说，该团队希望离开发送高量电子邮件，并在旅途中向客户出现更加“精确”。

，由于客户平均每年仅两次与LNER一起旅行，霍布森说，该业务面临“频率挑战”。

拥有[内部]技能以更快地构建这些模型，更敏捷，更快地迭代是很棒的。

Omar Jouda，Lner

“当我们将其与统计数据相结合时，平均而言，只有5％的客户在任何时候进行购买时，我们都采取了一些表面级别的个性化来真正推动我们的收入目标。”

当时，其关键细分市场之一也由第三方数据组成，这是“不再对品牌推动价值”。

为了解决这个问题，营销团队与LNER的内部机器学习团队联系，以了解如何将机器学习用于细分。

建立模型

lner使用他们构建和培训的机器学习模型来准备购买的目标客户，通过购买可能性 - 高，中或低倾向。根据客户的购买意图，每天都会更新。

lner将“市场内”定义为客户打算在90天内购买窗口，约占其客户的95％。

在构建模型之前，机器学习团队采用了“快速失败”方法，在六周的周期中工作以完善其策略。他们定义了关键的业务挑战，确定了概念证明（POC）的明确成功指标，分析了可用的数据并测试了不同的机器学习模型。

一个营销人员在尝试'ai first'心态

“我们的目标是确保机器学习是必经之路，” Lner的机器学习产品经理Omar Jouda解释说。 “机器学习模型仅与其中的数据一样好，这就是为什么我们花了一些时间找到正确的数据。”

团队分析了旅程数据（预订频率，票务类型，培训购买），交易数据（支出习惯，平均购买价值）和参与数据（客户与Marke的互动Ting活动）。

了解结果

模型准备就绪后，营销团队创建了两个电子邮件变体，而不是通常的每月“收入驾驶”电子邮件活动。

一个有关其一流门票的特色信息，并被发送给高质量组，目的是提高其平均订单价值。第二个被送往中等概率小组，他们在“围栏”上。

“我们向他们发送了一些更具启发性的东西，拯救火车旅行的一些方法，然后我们完全排除了较低的倾向小组，因为这些是我们的寒冷受众。”霍布森解释说。

霍布森声称，与当前的CRM系统提供的商业相比，该业务达到了78％的预测准确性，该预测准确性可提供66％的准确性。发送给其分段受众的电子邮件也获得了更高的参与度和转换。

与培养基相比，高组的转化为20％小组，转化为4％。同时，通过选择排除低倾向小组，LNER预测它将每月发送300,000封电子邮件，在12个月内，通过发送数百万封较少的电子邮件可以节省碳，相当于驾驶5,000英里的汽车。

在其CRM策略中使用机器学习的关键是Lner从基于量的电子邮件营销转变为更具预测性的目标的“数十年征服”的一部分。

霍布森指出，该品牌仍在测试过程中，但此后已经确定了该模型的其他四个应用程序。

“最终目标是拥有自动化的东西，因此它将在客户进入中列的市场时触发。”

同时，乔达补充说，拥有一个内部AI团队的“巨大差异”rence”。

“拥有[内部]技能来更快地构建这些模型，更加敏捷，更快地迭代是很棒的。”