Home / Economia / Tomi.ai raccoglie $ 1 milione per aiutare le aziende fisiche a ottimizzare gli annunci digitali 

Tomi.ai raccoglie $ 1 milione per aiutare le aziende fisiche a ottimizzare gli annunci digitali 

 

Tomi.ai, una piattaforma basata sull’intelligenza artificiale che ottimizza gli annunci digitali, ha annunciato oggi di aver raccolto $ 1 milione di finanziamenti iniziali da Begin Capital e dal Phystech Leadership Fund. Il fondatore e CEO di Tomi, Konstantin Bayandin, afferma che i fondi verranno utilizzati per espandere la piattaforma dell’azienda.

Le aziende con cicli di vendita lunghi e offline in settori come quello immobiliare, automobilistico e dei servizi finanziari a volte hanno difficoltà a ottimizzare i propri annunci digitali per i risultati aziendali. A causa dei bassi tassi di conversione e della natura offline di questi risultati, le aziende adattano gli annunci a lead e clic, il che può comportare costi esorbitanti di acquisizione dei clienti.

 
Tomi mira a risolvere questo problema raccogliendo dati online da un pixel di tracciamento sul sito Web di un’azienda e integrazioni API della piattaforma pubblicitaria, nonché transazioni dai sistemi di gestione delle relazioni con i clienti . Dopo aver registrato da 100 a 300 “risultati positivi” per addestrare modelli di apprendimento automatico , il servizio esegue una “prova” sulle piattaforme pubblicitarie di Facebook e Google, confrontando i risultati di esperimenti controllati per monitorare l’aumento delle prestazioni su piattaforme, canali e campagne.

Bayandin ha lavorato come direttore senior del marketing e della tecnologia digitale presso Compass e chief marketing officer presso Ozon, dove si è concentrato sulla modellazione predittiva. Mentre lavorava in Compass, Bayandin afferma di aver assistito a quanto fossero limitate le opportunità per i settori principalmente offline con lunghi cicli di vendita rispetto all’e-commerce di Ozon.

“La visione è che Tomi diventi la soluzione gold standard per il targeting e l’ottimizzazione degli annunci di Facebook e Google nei tradizionali verticali del settore con il marketing di lead gen per lunghi cicli di vendita offline”, ha detto Bayandin a VentureBeat via e-mail. “Un certo numero di strumenti pubblicizza il targeting e l’ottimizzazione delle campagne pubblicitarie, alcuni strumenti fanno il targeting e l’ottimizzazione predittivi, ma tutti utilizzano dati di terze parti in un modo o nell’altro e solo noi ci affidiamo a dati proprietari . Dal punto di vista del prodotto, ci differenziamo per la nostra focalizzazione sui settori tradizionali che non possono sfruttare la potenza delle offerte intelligenti dei sistemi pubblicitari, a causa delle basse conversioni e del lungo ciclo di vendita”.

Backend tecnico
Con Tomi, i clienti pagano solo per il lifetime value cliente incrementale e i risultati di business e possono utilizzare il pubblico ottimizzato per il lifetime value previsto e rivolgersi a nuovi visitatori con intenzioni elevate. La piattaforma viene eseguita su un’istanza ad alto carico basata su Google Cloud che elabora 30 milioni di visite al giorno.

“I nostri algoritmi di apprendimento automatico devono imparare da alcuni esempi positivi contando da 100 o più. I modelli devono anche essere stabili in termini di piccoli cambiamenti nel comportamento degli utenti in modo che la varianza per le previsioni sia la minima possibile. Stiamo sfruttando molto il “compromesso della varianza di polarizzazione” sostituendo rari eventi di transazione reali con numerose conversioni sintetiche con valori non discreti”, ha spiegato Bayandin. “Utilizziamo anche una variante del trasferimento di apprendimento addestrando modelli di apprendimento automatico sul traffico complessivo del sito Web e applicandoli all’acquisizione a pagamento con la premessa che il comportamento dell’utente dipende dall’intento dell’utente piuttosto che dalla fonte di traffico. Utilizziamo l’ ingegneria delle funzionalità per i nostri modelli in base all’apprendimento specifico del settore che abbiamo appreso con i nostri clienti”.

Bayandin caratterizza la piattaforma come una “misura naturale” per i grandi clienti, come i marketplace, gli immobili e le società finanziarie: attualmente ha 10 clienti di medie dimensioni e aziendali. “Abbiamo costruito la piattaforma con solo otto persone nel team ora e prevediamo di averne 20 entro la fine dell’anno”, ha detto Bayandin. “Abbiamo lanciato il prodotto poco più di un anno fa e da allora le entrate sono cresciute di 4 volte”. Ha affermato che la società prevede di “concentrarsi sulla crescita e sullo sviluppo del prodotto per rilasciare una piattaforma self-service in un secondo momento”.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi