人工知能、分析、およびデジタルマーケティング

データ、データ、データ。 私たちはたくさん持っていますが、私たちが手元にあるすべての情報の全力を知っていますか？ データセットとマーケティング機能の複雑さとサイズの増大に伴い、人工知能（AI）とそのサブセット（自然言語処理、コンピュータービジョン、機械学習）は、収集に使用するためにこのすべてのデータを整理して利用する効率的な方法を提供しますデジタル分析からの洞察。 これらのサブセットは、正確な予測特性により、ROIを改善し、全体的な利益を増やすために、近年ますます人気が高まっています。 これは、組織がすでに機械学習ソリューションを活用している方法のほんの一部です。

自然言語処理

チャットボットまたはSiriを使用したことがある場合は、自然言語処理（NLP）に触れたことがあるでしょう。 人間の言語は非常に複雑で多様です。 理論的には言語は構造化されていますが、実際には、構文、意味、音声のバリエーションが言語内に存在します。つまり、テキストまたは言語の抽出に設定された目標を割り当てるのは難しい場合があります。 この場合、NLPは重要です。なぜなら、そのようにデータを整理するために、構文、意味、および音声のパターンを識別するプログラムを「教える」ことができるからです。

なぜ気にするのですか？

代わりに、マーケティング戦略に情報を提供するために使用できる形式でデータを構造化するプログラムをトレーニングできる場合、何百万もの単語を処理するのに非常に長い時間がかかります。

NLP処理チャート：データをより簡単に処理できるように編成するプロセスを示します

コンピュータビジョン

コンピュータービジョンは、デバイスの購入、運転、ログインの方法を変えるだけでなく、マーケティングの方法も変えています。 ビジョンプログラムを利用できる主な方法の1つは、コンテンツターゲット広告を実装することです。 たとえば、ヨガスタジオを宣伝していたとします。 サードパーティのパートナーは、サイトをスキャンして、ヨガに似た画像を探すことができます。たとえば、ヨガのポーズを表示しているサイトなどです。 彼らは画像セグメンテーションを使用してこれを行います（以下に示す簡略化されたプロセス）。 この時点で、ヨガスタジオの広告を配置して、厳密にオーディエンスターゲティングを行う場合よりも関連性の高いオーディエンスを確実にヒットさせることができます。

コンピュータビジョンのもう1つの用途は、ソーシャルリスニングです。 これらのタイプのプログラムは、ブランドが言及されたとき、またはその写真が使用されたときを識別し、ブランドがどのように機能しているかについての洞察を深めることができます。 画像のセグメンテーションは単語のセグメンテーションよりもはるかに難しいため、コンピュータビジョンはマーケティング分野では比較的新しく、決して完璧ではありません。 現在、コンピュータビジョンを活用するイニシアチブは、GumGumやVibrantMediaなどの企業によって開拓されています。 全体として、広告の傾向は、このタイプの広告が、ターゲティングの追加オプションになるほど、コンテキストターゲティングおよびユーザーターゲティングに取って代わることを示していません。 ファーストパーティとセカンドパーティのデータの信頼性のため、オーディエンスとコンテンツターゲットは依然として重要です。

なぜ気にするのですか？

マーケティングの専門家として、私たちは適切なタイミングで適切なオーディエンスを獲得するために迅速に行動する必要があります。 私たちの社会の視覚的な性質により、デジタルマーケティングに関しては、ビジョンテクノロジーの能力を利用してターゲティングオプションを多様化することができます。

視覚処理：より組織化された標準的な部分を開発するために、画像が撮影され、画像の一部が抽出されるプロセス

機械学習

機械学習とNLPは、データをマイニングする方法が非常に似ていますが、主な違いは、NLPが言語に焦点を合わせていることです。つまり、データを最初に構造化する必要があります。 ただし、機械学習は、構造化データの処理の統計的側面に重点を置いています。 機械学習は、NLPプラクティス内で頻繁に使用されます。 機械学習がマーケティングで使用されていることを確認する最も一般的な方法は、キュレーションと入札戦略のターゲティングに関係しています。 入札の場合、在庫の手動販売と購入の日数が数えられます。 現在、在庫の最適で効率的な入札を決定するために、可能な限り機械学習アルゴリズムを使用しています。

これは、プログラマティックランドスケープ内での入札単価調整比の開発によってさらに進んでいます。 乗数を設定できます。これは、特定の側面（デバイスタイプ、オーディエンス、地域など）が呼び出された場合、入札している広告枠が非常に多いことをアルゴリズムが検出した場合に、最大設定入札額を特定の割合で超える可能性があります。 KPIを上回る可能性があります。

オーディエンスに関しては、これらのアルゴリズムは、見られるパターンに基づいてオーディエンスセグメントを作成できます。 たとえば、これはFacebookに似たオーディエンスが作成される方法です。 アルゴリズムがオーディエンスセグメントを決定した後、そのセグメントの外側に見られるパターン（発生頻度の低いインスタンス）を探し、それが類似していて、以前に決定されたセグメントの予測される近い実行者である可能性があると判断できます。

なぜ気にするのですか？

機械学習により、効率的な入札とより関連性の高いオーディエンスに近づくことができます。 より多くのブランドがデジタルメディアを活用するにつれて、入札のレベルの追加（優先、ヘッダー入札など）により市場の競争が激化する中、入札とオーディエンス戦略で競争力を維持しながら費用対効果を維持するためにできることを実行する必要があります。

機械学習プロセス：上記のプロセスは、生データが構造化データに変換され、構造化データが分析可能なデータに変換されるプロセスです。

未来はAIとマーケティングの機会に満ちています。 すでに存在する興味深い例の1つは、車内でのジオターゲティング広告の使用です。自動運転車の作成とさらなる開発により、消費者は車内で地理関連の広告を見ることができるようになります。

将来的には、より自動化された入札オプションがあります。 入札はすでにある程度自動化されていますが、広告主は、アルゴリズムが最適化するKPIの定義にいくらか制限があります。 アルゴリズムがCPMやCTRを超えたより具体的なKPIの入札単価を計画および設定できるようにするものが見つかるかもしれません。 AIを使用して取得および整理できるすべての詳細なデータを使用して、広告のさらなるカスタマイズが可能になります。 ダイナミックなクリエイティブとデータを使用して、ターゲットオーディエンスとより密接に共鳴するクリエイティブを表示できるようになります。

全体として、マーケターとして、私たちは目の前の技術開発を最大限に活用して、情報に基づいた効率的かつ効果的なマーケティング決定を下す必要があります。

参考文献：

Forbes、TechEmergence、およびAI4Marketing