Intelligenza artificiale, analisi e marketing digitale

Dati, dati, dati. Abbiamo così tanto, ma conosciamo tutta la potenza di tutte le informazioni che abbiamo a portata di mano? Con la crescente complessità e la vastità dei set di dati e delle capacità di marketing, l'intelligenza artificiale (AI) e i suoi sottoinsiemi (elaborazione del linguaggio naturale, visione artificiale e apprendimento automatico) rappresentano un modo efficiente per organizzare e utilizzare tutti questi dati da utilizzare per la raccolta approfondimenti dall'analisi digitale. Questi sottoinsiemi sono diventati sempre più popolari negli ultimi anni per migliorare il ROI e aumentare i profitti complessivi grazie alla loro natura predittiva accurata. Ecco solo alcuni dei modi in cui le organizzazioni stanno già sfruttando le soluzioni di machine learning.

Elaborazione del linguaggio naturale

Se hai mai utilizzato un chatbot o Siri, sei stato esposto all'elaborazione del linguaggio naturale (NLP). Il linguaggio umano è estremamente complesso e vario. Sebbene in teoria il linguaggio sia strutturato, in realtà esistono variazioni sintattiche, semantiche e fonetiche all'interno delle lingue, il che significa che può essere difficile assegnare obiettivi prefissati per l'estrazione testuale o verbale. In questo caso, la PNL è importante perché possiamo "insegnare" a un programma per identificare schemi sintattici, semantici e fonetici per organizzare i dati in quel modo.

Perché ci interessa?

L'elaborazione di milioni di parole richiederebbe troppo tempo alle persone quando invece possiamo addestrare un programma per strutturare i dati in una forma che possiamo utilizzare per informare le strategie di marketing.

Grafico di elaborazione NLP: mostra il processo in cui i dati sono organizzati per essere elaborati più facilmente

Visione computerizzata

La visione artificiale sta cambiando non solo il modo in cui acquistiamo, guidiamo e accediamo ai dispositivi, ma sta anche cambiando il modo in cui commercializziamo. Uno dei modi principali in cui possiamo utilizzare i programmi di visione è implementare annunci contestuali. Ad esempio, supponiamo che stavi pubblicizzando uno studio di yoga. I partner di terze parti possono scansionare i siti per cercare immagini simili allo yoga, ad esempio un sito che mostra posizioni yoga. Lo fanno utilizzando la segmentazione dell'immagine (processo abbreviato visto di seguito). A questo punto, puoi inserire un annuncio per il tuo studio di yoga, assicurandoti di raggiungere un pubblico più pertinente di quello che potresti con un targeting strettamente per pubblico.

Un altro uso della visione artificiale è per l'ascolto sociale. Questi tipi di programmi possono identificare quando il tuo marchio è stato menzionato o sono state utilizzate le sue foto, il che può darti maggiori informazioni su come sta andando il marchio. La visione artificiale è relativamente nuova nello spazio di marketing e non è affatto perfetta, poiché la segmentazione di un'immagine è molto più difficile della segmentazione di una parola. Attualmente, le iniziative che sfruttano la visione artificiale sono sperimentate da aziende come GumGum e Vibrant Media. Nel complesso, le tendenze della pubblicità non indicano che questo tipo di pubblicità sostituirà il targeting contestuale e per gli utenti, ma sarà un'opzione aggiuntiva per il targeting. L'audience e il targeting contestuale saranno ancora fondamentali a causa dell'affidabilità dei dati di prima e seconda parte.

Perché ci interessa?

Come professionisti del marketing, dobbiamo muoverci rapidamente per catturare il pubblico giusto al momento giusto. Con la natura visiva della nostra società, possiamo utilizzare le capacità della tecnologia di visione per diversificare le nostre opzioni di targeting quando si tratta di marketing digitale.

Elaborazione della visione: il processo in cui l'immagine viene acquisita e le parti dell'immagine vengono estratte per sviluppare parti più organizzate e standard

Apprendimento automatico

Sebbene l'apprendimento automatico e la PNL siano molto simili nel modo in cui estraggono i dati, la differenza principale è che la PNL è focalizzata sul linguaggio, il che significa che i dati devono essere prima strutturati. Tuttavia, l'apprendimento automatico si concentra maggiormente sul lato statistico dell'elaborazione dei dati strutturati. L'apprendimento automatico viene utilizzato frequentemente nelle pratiche di NLP. Il modo più comune in cui vediamo l'apprendimento automatico utilizzato nel marketing riguarda il targeting delle strategie di curation e di offerta. Per le offerte, i giorni di vendita manuale e acquisto di inventario sono contati. Ora utilizziamo il più possibile algoritmi di apprendimento automatico per determinare l'offerta più ottimale ed efficiente per l'inventario.

Ciò è andato ancora oltre con lo sviluppo dei moltiplicatori di offerta all'interno del panorama programmatico. Puoi impostare moltiplicatori che, se viene chiamato un determinato aspetto (tipo di dispositivo, pubblico, area geografica, ecc.), possono superare l'offerta massima impostata di una certa percentuale se l'algoritmo rileva che lo spazio pubblicitario su cui stai facendo offerte è molto probabilmente supererà il KPI.

Per quanto riguarda il pubblico, questi algoritmi possono creare segmenti di pubblico in base ai modelli visti. Ad esempio, è così che vengono creati i segmenti di pubblico simili a Facebook. Dopo che l'algoritmo ha determinato il segmento di pubblico, può cercare i modelli visti al di fuori di quel segmento (istanze che si verificano meno spesso) e determinare che potrebbe essere un sosia ed essere un esecutore vicino previsto del segmento determinato in precedenza.

Perché ci interessa?

Il machine learning ci avvicina a un'offerta efficiente e a un pubblico più pertinente. Con il mercato che diventa sempre più competitivo a causa di livelli aggiuntivi di offerta (preferita, offerta di intestazione, ecc.) Man mano che più marchi sfruttano i media digitali, dobbiamo fare il possibile per rimanere competitivi ma convenienti con la nostra strategia di offerta e pubblico.

Processo di apprendimento automatico: sopra è mostrato il processo in cui i dati grezzi passano ai dati strutturati e i dati strutturati si trasformano in dati che possono essere analizzati

Il futuro è pieno di opportunità per l'IA e il marketing. Un esempio interessante che già esiste è l'uso della pubblicità geo-mirata all'interno delle auto: con la creazione e l'ulteriore sviluppo di auto a guida autonoma, i consumatori potranno vedere la pubblicità georilevante mentre si trovano nell'auto.

Guardando al futuro, ci saranno più opzioni di offerta automatizzate. Sebbene le offerte siano già in una certa misura automatizzate, gli inserzionisti sono alquanto limitati nella definizione dei KPI verso i quali l'algoritmo ottimizzerà. Potremmo vedere qualcosa che consente a un algoritmo di pianificare e impostare offerte per KPI più specifici oltre a CPM e CTR. Con tutti i dati granulari che saremo in grado di acquisire e organizzare con l'uso dell'IA, sarà possibile un'ulteriore personalizzazione degli annunci. Utilizzando creatività e dati dinamici, saremo in grado di visualizzare creatività che risuonano più da vicino con il pubblico di destinazione.

Nel complesso, come esperti di marketing, dobbiamo sfruttare appieno gli sviluppi tecnologici di fronte a noi per prendere decisioni di marketing informate, efficienti ed efficaci.

Ulteriori letture:

Forbes, TechEmergence e AI4Marketing