Sztuczna inteligencja, analityka i marketing cyfrowy

Dane, dane, dane. Mamy tak wiele, ale czy znamy pełną moc wszystkich informacji, które mamy na wyciągnięcie ręki? Wraz z rosnącą złożonością i rozmiarem zbiorów danych i możliwości marketingowych, sztuczna inteligencja (AI) i jej podzbiory (przetwarzanie języka naturalnego, widzenie komputerowe i uczenie maszynowe) stanowią skuteczny sposób organizowania i wykorzystywania wszystkich tych danych do wykorzystania do gromadzenia spostrzeżenia z analityki cyfrowej. Te podzbiory stały się coraz bardziej popularne w ostatnich latach w celu poprawy ROI i zwiększenia ogólnych zysków ze względu na ich dokładny charakter predykcyjny. Oto tylko niektóre ze sposobów, w jakie organizacje już wykorzystują rozwiązania uczenia maszynowego.

Przetwarzanie języka naturalnego

Jeśli kiedykolwiek korzystałeś z chatbota lub Siri, zostałeś narażony na przetwarzanie języka naturalnego (NLP). Język ludzki jest niezwykle złożony i różnorodny. Chociaż teoretycznie język jest ustrukturyzowany, w rzeczywistości w językach istnieje zmienność składniowa, semantyczna i fonetyczna, co oznacza, że ​​może być trudne wyznaczenie wyznaczonych celów dla ekstrakcji tekstowej lub werbalnej. W tym przypadku NLP jest ważne, ponieważ możemy „nauczyć” program rozpoznawania wzorców syntaktycznych, semantycznych i fonetycznych w celu organizowania danych w ten sposób.

Dlaczego nas to obchodzi?

Przetwarzanie milionów słów zajęłoby ludziom o wiele za dużo czasu, gdy zamiast tego moglibyśmy wytrenować program w celu ustrukturyzowania danych w formie, której będziemy mogli używać do opracowywania strategii marketingowych.

Wykres przetwarzania NLP: Pokazuje proces, w którym dane są zorganizowane w celu łatwiejszego przetwarzania

Wizja komputerowa

Wizja komputerowa zmienia nie tylko sposób, w jaki robimy zakupy, jeździmy i logujemy się do urządzeń, ale także sposób, w jaki wprowadzamy na rynek. Jednym z głównych sposobów wykorzystania programów wizyjnych jest implementacja reklam kontekstowych. Załóżmy na przykład, że reklamujesz studio jogi. Partnerzy zewnętrzni mogą skanować witryny w poszukiwaniu obrazów podobnych do jogi, na przykład witryny przedstawiającej pozy jogi. Robią to za pomocą segmentacji obrazu (w skrócie proces widoczny poniżej). W tym momencie można umieścić reklamę swojego studia jogi, zapewniając, że docierasz do bardziej odpowiednich odbiorców niż w przypadku ścisłego kierowania na odbiorców.

Innym zastosowaniem wizji komputerowej jest słuchanie w mediach społecznościowych. Tego typu programy mogą identyfikować, kiedy wspomniano o Twojej marce lub kiedy użyto jej zdjęć, co może dać ci lepszy wgląd w to, jak radzi sobie marka. Wizja komputerowa jest stosunkowo nowa w przestrzeni marketingowej i bynajmniej nie jest idealna, ponieważ segmentacja obrazu jest znacznie trudniejsza niż segmentacja słowa. Obecnie inicjatywy wykorzystujące wizję komputerową są pionierami takich firm, jak GumGum i Vibrant Media. Ogólnie rzecz biorąc, trendy w reklamie nie wskazują na to, że ten rodzaj reklamy w takim stopniu zastąpi kierowanie kontekstowe i na użytkowników, ale będzie to dodatkowa opcja kierowania. Kierowanie na odbiorców i kierowanie kontekstowe nadal będzie kluczowe ze względu na wiarygodność danych z pierwszej i drugiej strony.

Dlaczego nas to obchodzi?

Jako specjaliści od marketingu musimy działać szybko, aby pozyskać właściwych odbiorców we właściwym czasie. Dzięki wizualnej naturze naszego społeczeństwa możemy wykorzystać możliwości technologii wizyjnej do dywersyfikacji naszych opcji kierowania, jeśli chodzi o marketing cyfrowy.

Przetwarzanie wizji: proces, w którym obraz jest wykonywany, a części obrazu są wyodrębniane w celu opracowania bardziej zorganizowanych i standardowych części

Nauczanie maszynowe

Podczas gdy uczenie maszynowe i NLP są bardzo podobne pod względem sposobu, w jaki wydobywają dane, główną różnicą jest to, że NLP jest skoncentrowane na języku, co oznacza, że ​​dane muszą być najpierw ustrukturyzowane. Jednak uczenie maszynowe koncentruje się bardziej na statystycznej stronie przetwarzania danych strukturalnych. Uczenie maszynowe jest często używane w praktykach NLP. Najczęstszy sposób, w jaki uczenie maszynowe jest wykorzystywane w marketingu, dotyczy kierowania i strategii ustalania stawek. W przypadku licytacji ponumerowane są dni ręcznej sprzedaży i zakupu zapasów. Obecnie w jak największym stopniu wykorzystujemy algorytmy uczenia maszynowego, aby określić najbardziej optymalną i wydajną stawkę dla zasobów reklamowych.

Poszło to jeszcze dalej dzięki opracowaniu mnożników stawek w środowisku zautomatyzowanym. Możesz ustawić mnożniki, które w przypadku wywołania określonego aspektu (typ urządzenia, odbiorcy, dane geograficzne itp.) mogą przekroczyć ustaloną maksymalną stawkę o określony procent, jeśli algorytm wykryje, że zasoby reklamowe, na które licytujesz, są bardzo prawdopodobnie przewyższy wskaźnik KPI.

Jeśli chodzi o odbiorców, te algorytmy mogą tworzyć segmenty odbiorców na podstawie zaobserwowanych wzorców. Na przykład w ten sposób tworzy się publiczność podobną do Facebooka. Po określeniu segmentu odbiorców algorytm może szukać wzorców widocznych poza tym segmentem (instancje, które występują rzadziej) i określić, że może on wyglądać podobnie i być przewidywanym bliskim wykonawcą wcześniej określonego segmentu.

Dlaczego nas to obchodzi?

Systemy uczące się przybliżają nas do efektywnej stawki i do bardziej odpowiednich odbiorców. Ponieważ rynek staje się coraz bardziej konkurencyjny ze względu na dodatkowe poziomy cen ofertowych (preferowane, nagłówki itp.), ponieważ coraz więcej marek korzysta z mediów cyfrowych, musimy zrobić wszystko, co w naszej mocy, aby pozostać konkurencyjnymi, a jednocześnie opłacalnymi dzięki naszej strategii określania stawek i odbiorców.

Proces uczenia maszynowego: Powyżej pokazano proces, w którym surowe dane przechodzą do ustrukturyzowanych danych, a ustrukturyzowane dane zamieniają się w dane, które można analizować

Przyszłość jest pełna możliwości dla AI i marketingu. Jednym z interesujących przykładów, które już istnieją, jest wykorzystanie reklamy kierowanej geograficznie w samochodach: wraz z tworzeniem i dalszym rozwojem samochodów autonomicznych konsumenci będą mogli oglądać reklamy związane z geometrią w samochodzie.

Patrząc w przyszłość, pojawi się więcej opcji automatycznego określania stawek. Chociaż licytowanie jest już w pewnym stopniu zautomatyzowane, reklamodawcy są nieco ograniczeni w definiowaniu wskaźników KPI, pod kątem których algorytm będzie optymalizował. Możemy zobaczyć coś, co pozwoli algorytmowi zaplanować i ustawić stawki dla bardziej konkretnych wskaźników KPI poza CPM i CTR. Mając wszystkie dane granularne, które będziemy w stanie pozyskać i uporządkować za pomocą AI, możliwa będzie dalsza personalizacja reklam. Używając kreacji dynamicznej i danych, będziemy mogli wyświetlać kreację, która lepiej rezonuje z odbiorcami docelowymi.

Ogólnie rzecz biorąc, jako marketerzy musimy w pełni wykorzystać postęp technologiczny, który jest przed nami, aby podejmować świadome, wydajne i skuteczne decyzje marketingowe.

Dalsza lektura:

Forbes, TechEmergence i AI4Marketing