برای متخصصان بازاریابی امروز، همه‌چیز در مورد داده‌ها تمایز است. بینش درست و ترکیب اطلاعات باهم، وجه تمایز از جمعیت است. هوش مصنوعی (AI) و یادگیری ماشین (ML) می‌تواند در این مورد کمک کند اما این به همان اندازه ساده نیست. شرکت Global Zeta ارائه‌دهنده راهکارهای بازاریابی برگرفته از داده‌ها، این شکاف بین جمع‌آوری داده‌ها و استفاده از داده‌ها را پر کرده است. Ron Sadi، مدیر ارشد توسعه تجاری بخش ابری داده‌های Zeta ، چالش‌هایی که در بازار دیده می‌شود را توضیح می‌دهد، بدون توجه به اینکه کجا سازمان‌ها در سفر داده‌های خود هستند.
او می‌گوید: "برخی از مشتریانی که به ما مراجعه می‌کنند استراتژی داده‌های خود را می‌سازند و سپس افراد دیگری وجود دارند که به‌طور واضح اهداف تجاری و درک عملی برای مشتریان خود را در دست دارند اما هنوز هم چالش‌هایی برای به دست آوردن بینش ارزشمند و درک عملی برای مشتریان خود وجود دارد."
فروشگاهی حیوانات خانگی را به عنوان نمونه‌ای تجارتی در نظر می‌گیرد، یادداشت می‌کند. آن‌ها تصمیم گرفتند تا در مورد محصولات و خدمات مراقبت و تمیز کردن حیوانات خانگی، که باید در یک مکان فیزیکی اداره شود، تمایز قائل شوند. به‌عنوان‌مثال، با تحلیل الگوهای رفتاری، در یافتن افرادی که با حیوانات خانگی خود فعال‌تر بودند و به احتمال زیاد به خدمات نظافت خانگی نیاز خواهند داشت.
در نهایت، این موضوع مربوط به یافتن لحظه مناسب است، پیش‌بینی زمانی که یک مصرف‌کننده ممکن است برای خرید اقدام کند. مدیر این فروشگاه در ارتباط با این تغییر می‌گوید: "صادقانه بگویم، این تکنولوژی‌ها پیچیده هستند و بسیار دشوار است که بسیاری از داده‌های حجم بالا را با یک مدل که واقعاً برای مورد استفاده خاص آن مشتری یا نام تجاری مناسب است، بسنجیم."
وی می‌افزاید: "به‌طور سنتی داده‌های بزرگ (big data)، متمرکز بر سایر داده‌های جمعیتی، سن، درآمد خانوار، است. ما واقعاً بر این باوریم که داده‌های رفتاری واقعاً کلیدی برای شناسایی کاربران و درک واقعی الگوهای این کاربران برای رسیدن به هدف و سپس فعال کردن بازاریابی علیه این هدف هستند."
او می‌گوید: "آن‌ها درحال‌توسعه این راهکار پیشرو در دسته بازاریابی برای بیش از ۱۰ سال هستند و پردازش زبان طبیعی و یادگیری ماشین واقعاً در قلب ما است که قادر به رمزگشایی داده‌ها در مقیاس قابل دسترس هستیم. اگر یک راهکار اختصاصی هوش مصنوعی ندارید، انجام این کار در مقیاس بزرگ بسیار دشوار است."
