인공 지능, 분석 및 디지털 마케팅

데이터, 데이터, 데이터. 우리는 너무나 많은 것을 가지고 있지만 우리가 손끝에 가지고 있는 모든 정보의 완전한 힘을 알고 있습니까? 데이터 세트 및 마케팅 기능의 복잡성과 규모가 증가함에 따라 인공 지능(AI)과 그 하위 집합(자연어 처리, 컴퓨터 비전 및 머신 러닝)은 수집에 사용하기 위해 이 모든 데이터를 구성하고 활용하는 효율적인 방법을 제시합니다. 디지털 분석에서 얻은 통찰력. 이러한 하위 집합은 정확한 예측 특성으로 인해 ROI를 개선하고 전체 이익을 증가시키기 위해 최근 몇 년 동안 점점 인기를 얻고 있습니다. 다음은 조직에서 이미 기계 학습 솔루션을 활용하고 있는 몇 가지 방법입니다.

자연어 처리

챗봇이나 시리를 사용해 본 적이 있다면 자연어 처리(NLP)에 노출된 적이 있을 것입니다. 인간의 언어는 매우 복잡하고 다양합니다. 이론상 언어는 구조화되어 있지만 실제로는 언어 내에서 구문론적, 의미론적, 음성적 변이가 존재하므로 텍스트 또는 언어 추출에 대해 설정된 목표를 지정하기 어려울 수 있습니다. 이 경우 NLP는 구문, 의미 및 음성 패턴을 식별하여 데이터를 구성하는 프로그램을 '가르칠' 수 있기 때문에 중요합니다.

왜 신경쓰나요?

마케팅 전략을 알려주는 데 사용할 수 있는 형식으로 데이터를 구조화하는 프로그램을 대신 훈련할 수 있다면 수백만 단어를 처리하는 데 너무 오랜 시간이 걸릴 것입니다.

NLP 처리 차트: 데이터를 보다 쉽게 ​​처리할 수 있도록 구성하는 과정을 보여줍니다.

컴퓨터 시각 인식

컴퓨터 비전은 우리가 쇼핑하고, 운전하고, 장치에 로그인하는 방식뿐 아니라 마케팅 방식도 바꾸고 있습니다. 비전 프로그램을 활용할 수 있는 주요 방법 중 하나는 문맥 광고를 구현하는 것입니다. 예를 들어 요가 스튜디오를 광고한다고 가정해 보겠습니다. 타사 파트너는 사이트를 스캔하여 요가 포즈를 표시하는 사이트와 같이 요가와 유사한 이미지를 찾을 수 있습니다. 그들은 이미지 분할을 사용하여 이를 수행합니다(아래에 표시된 약식 프로세스). 이 시점에서 요가 스튜디오에 대한 광고를 게재할 수 있으므로 엄격한 청중 타겟팅으로 할 수 있는 것보다 더 관련성 높은 청중에게 도달할 수 있습니다.

컴퓨터 비전의 또 다른 용도는 사회적 경청입니다. 이러한 유형의 프로그램은 귀하의 브랜드가 언급되거나 사진이 사용된 시기를 식별하여 브랜드의 실적에 대한 더 많은 통찰력을 제공할 수 있습니다. 컴퓨터 비전은 마케팅 분야에서 비교적 새로운 기술이며 이미지를 세분화하는 것이 단어를 세분화하는 것보다 훨씬 어렵기 때문에 완벽하지 않습니다. 현재 컴퓨터 비전을 활용하는 이니셔티브는 GumGum 및 Vibrant Media와 같은 회사에서 개척하고 있습니다. 전반적으로 광고 경향은 이러한 유형의 광고가 문맥 타겟팅 및 사용자 타겟팅을 대체할 것이라는 점을 나타내지 않으며 타겟팅을 위한 추가 옵션이 될 것입니다. 잠재고객 및 문맥 타겟팅은 자사 및 타사 데이터의 신뢰성으로 인해 여전히 중요합니다.

왜 신경쓰나요?

마케팅 전문가로서 우리는 적시에 적절한 청중을 포착하기 위해 신속하게 움직여야 합니다. 우리 사회의 시각적 특성으로 인해 디지털 마케팅과 관련하여 목표 옵션을 다양화하기 위해 비전 기술의 능력을 사용할 수 있습니다.

Vision Processing: 보다 체계적이고 표준적인 부분을 개발하기 위해 이미지를 촬영하고 이미지의 일부를 추출하는 과정

기계 학습

머신 러닝과 NLP는 데이터를 통해 마이닝하는 방식에서 매우 유사하지만 주요 차이점은 NLP가 언어적으로 초점을 맞추고 있다는 것입니다. 즉, 데이터가 먼저 구조화되어야 함을 의미합니다. 그러나 기계 학습은 구조화된 데이터 처리의 통계적 측면에 더 중점을 둡니다. 기계 학습은 NLP 사례에서 자주 사용됩니다. 마케팅에서 머신 러닝이 사용되는 가장 일반적인 방식은 타겟팅 큐레이션 및 입찰 전략과 관련이 있습니다. 입찰의 경우 수동 판매 및 재고 구매 날짜가 지정됩니다. 이제 우리는 인벤토리에 대한 가장 최적이고 효율적인 입찰가를 결정하기 위해 최대한 머신 러닝 알고리즘을 사용합니다.

이는 프로그래밍 방식 환경 내에서 입찰 배율이 개발되면서 더욱 발전했습니다. 특정 측면(기기 유형, 잠재고객, 지역 등)이 호출되는 경우 알고리즘에서 입찰하는 인벤토리가 매우 낮다고 감지하면 최대 설정 입찰가를 특정 퍼센트 초과할 수 있는 승수를 설정할 수 있습니다. KPI를 능가할 가능성이 높습니다.

잠재고객의 경우 이러한 알고리즘은 본 패턴을 기반으로 잠재고객 세그먼트를 만들 수 있습니다. 예를 들어 Facebook 유사 잠재고객이 생성되는 방식은 다음과 같습니다. 알고리즘이 잠재고객 세그먼트를 결정한 후 해당 세그먼트 외부에서 볼 수 있는 패턴(덜 자주 발생하는 인스턴스)을 찾고 유사할 수 있고 이전에 결정된 세그먼트와 유사할 것으로 예측할 수 있다고 결정할 수 있습니다.

왜 신경쓰나요?

머신 러닝을 통해 효율적인 입찰가와 관련성 높은 잠재고객에게 더 가까이 다가갈 수 있습니다. 더 많은 브랜드가 디지털 미디어를 활용함에 따라 추가 입찰 수준(우선, 헤더 입찰 등)으로 인해 시장의 경쟁이 점점 더 치열해짐에 따라 우리는 입찰 및 잠재고객 전략으로 경쟁력을 유지하면서도 비용 효율적으로 유지하기 위해 우리가 할 수 있는 일을 해야 합니다.

머신 러닝 프로세스: 위에 표시된 것은 원시 데이터가 구조화된 데이터로 이동하고 구조화된 데이터가 분석 가능한 데이터로 변환되는 프로세스입니다.

미래는 AI와 마케팅의 기회로 가득 차 있습니다. 이미 존재하는 한 가지 흥미로운 예는 자동차 내에서 지역 타겟팅 광고를 사용하는 것입니다. 자율 주행 자동차의 생성 및 추가 개발로 소비자는 자동차 안에서 지역 관련 광고를 볼 수 있습니다.

앞으로 더 많은 자동 입찰 옵션이 제공될 것입니다. 입찰은 이미 어느 정도 자동화되어 있지만 광고주는 알고리즘이 최적화할 KPI를 정의하는 데 다소 제한이 있습니다. 알고리즘이 CPM 및 CTR을 넘어 보다 구체적인 KPI에 대한 입찰가를 계획하고 설정할 수 있는 것을 볼 수 있습니다. AI를 사용하여 수집하고 구성할 수 있는 모든 세부 데이터를 통해 광고를 추가로 사용자 정의할 수 있습니다. 다이내믹한 크리에이티브와 데이터를 활용하여 타겟 오디언스에게 보다 가깝게 공감할 수 있는 크리에이티브를 선보일 수 있을 것입니다.

전반적으로 마케터로서 우리는 정보에 근거하고 효율적이며 효과적인 마케팅 결정을 내리기 위해 우리 앞에 있는 기술 발전을 최대한 활용해야 합니다.

추가 읽기:

Forbes, TechEmergence 및 AI4Marketing