Искусственный интеллект, аналитика и цифровой маркетинг

Данные, данные, данные. У нас так много всего, но знаем ли мы всю мощь всей информации, которая у нас под рукой? С ростом сложности и огромного размера наборов данных и маркетинговых возможностей искусственный интеллект (ИИ) и его подмножества (обработка естественного языка, компьютерное зрение и машинное обучение) представляют собой эффективный способ организации и использования всех этих данных для сбора. выводы из цифровой аналитики. Эти подмножества становятся все более популярными в последние годы для повышения рентабельности инвестиций и увеличения общей прибыли благодаря их точному прогнозирующему характеру. Вот лишь некоторые из способов, которыми организации уже используют решения для машинного обучения.

Обработка естественного языка

Если вы когда-либо пользовались чат-ботом или Siri, вы сталкивались с обработкой естественного языка (NLP). Человеческий язык чрезвычайно сложен и разнообразен. Хотя теоретически язык структурирован, на самом деле в языках существуют синтаксические, семантические и фонетические вариации, а это означает, что может быть трудно поставить заданные цели для текстового или вербального извлечения. В этом случае НЛП важно, потому что мы можем «научить» программу идентифицировать синтаксические, семантические и фонетические паттерны для организации данных таким образом.

Почему мы заботимся?

Обработка миллионов слов заняла бы у людей слишком много времени, если бы вместо этого мы могли обучить программу структурировать данные в форме, которую мы могли бы использовать для обоснования маркетинговых стратегий.

Диаграмма обработки NLP: показывает процесс, в котором данные организованы для облегчения обработки.

Компьютерное зрение

Компьютерное зрение меняет не только то, как мы совершаем покупки, водим машину и регистрируемся в устройствах, но и то, как мы продаем. Одним из основных способов использования программ визуализации является внедрение контекстной рекламы. Например, предположим, что вы рекламируете студию йоги. Сторонние партнеры могут сканировать сайты, чтобы искать изображения, похожие на йогу, например сайт, на котором показаны позы йоги. Они делают это с помощью сегментации изображения (сокращенный процесс показан ниже). На этом этапе можно разместить рекламу вашей студии йоги, гарантируя, что вы охватите более релевантную аудиторию, чем при строгом таргетинге на аудиторию.

Еще одно применение компьютерного зрения — социальное прослушивание. Эти типы программ могут определить, когда упоминался ваш бренд или использовались его фотографии, что может дать вам больше информации о том, как работает бренд. Компьютерное зрение относительно новое явление в маркетинговой сфере и ни в коем случае не идеально, поскольку сегментация изображения намного сложнее, чем сегментация слова. В настоящее время инициативы по использованию компьютерного зрения выдвигаются такими компаниями, как GumGum и Vibrant Media. В целом тенденции в рекламе не указывают на то, что этот вид рекламы заменит контекстный и пользовательский таргетинг, а станет дополнительным вариантом таргетинга. Аудитория и контекстный таргетинг по-прежнему будут иметь решающее значение из-за надежности данных 1-й и 2-й сторон.

Почему мы заботимся?

Как профессионалы в области маркетинга, мы должны действовать быстро, чтобы привлечь нужную аудиторию в нужное время. Учитывая визуальную природу нашего общества, мы можем использовать возможности технологий машинного зрения, чтобы разнообразить наши варианты таргетинга, когда речь идет о цифровом маркетинге.

Обработка зрения: процесс, в котором делается снимок и извлекаются части изображения для разработки более организованных и стандартных частей.

Машинное обучение

Хотя машинное обучение и НЛП очень похожи в том, как они анализируют данные, основное различие заключается в том, что НЛП ориентировано на язык, а это означает, что данные должны быть сначала структурированы. Однако машинное обучение больше фокусируется на статистической стороне обработки структурированных данных. Машинное обучение часто используется в практиках НЛП. Наиболее распространенный способ использования машинного обучения в маркетинге относится к целевому курированию и стратегиям назначения ставок. Для торгов дни ручной продажи и покупки инвентаря сочтены. Сейчас мы максимально используем алгоритмы машинного обучения, чтобы определить наиболее оптимальную и эффективную ставку для инвентаря.

Это пошло еще дальше с развитием мультипликаторов ставок в алгоритмической среде. Вы можете настроить множители, которые, если вызывается определенный аспект (тип устройства, аудитория, географическое положение и т. д.), могут превысить максимальную установленную ставку на определенный процент, если алгоритм обнаружит, что инвентарь, на который вы делаете ставку, очень может превзойти KPI.

Что касается аудитории, эти алгоритмы могут создавать сегменты аудитории на основе увиденных шаблонов. Например, именно так создаются похожие аудитории Facebook. После того, как алгоритм определяет сегмент аудитории, он может искать шаблоны, наблюдаемые за пределами этого сегмента (экземпляры, которые встречаются реже), и определять, что он может быть двойником и быть предсказанным близким исполнителем ранее определенного сегмента.

Почему мы заботимся?

Машинное обучение приближает нас к эффективной ставке и более релевантной аудитории. Поскольку рынок становится все более и более конкурентным из-за дополнительных уровней ставок (предпочтительные, заголовочные ставки и т. д.), поскольку все больше брендов используют цифровые медиа, мы должны делать все возможное, чтобы оставаться конкурентоспособными, но при этом рентабельными с нашей стратегией ставок и аудитории.

Процесс машинного обучения: выше показан процесс, в котором необработанные данные преобразуются в структурированные данные, а структурированные данные превращаются в данные, которые можно анализировать.

Будущее полно возможностей для ИИ и маркетинга. Одним из интересных примеров, который уже существует, является использование геотаргетированной рекламы в автомобилях: с созданием и дальнейшим развитием беспилотных автомобилей потребители смогут видеть георелевантную рекламу, находясь в автомобиле.

Глядя в будущее, будет больше вариантов автоматического назначения ставок. Хотя торги уже в определенной степени автоматизированы, рекламодатели несколько ограничены в определении ключевых показателей эффективности, по которым будет оптимизироваться алгоритм. Мы можем увидеть что-то, что позволяет алгоритму планировать и устанавливать ставки для более конкретных KPI, помимо CPM и CTR. Со всеми детализированными данными, которые мы сможем собирать и систематизировать с помощью ИИ, станет возможной дальнейшая настройка рекламы. Используя динамический креатив и данные, мы сможем отображать креатив, который больше находит отклик у целевой аудитории.

В целом, как маркетологи, мы должны в полной мере использовать технологические разработки, чтобы принимать обоснованные, эффективные и действенные маркетинговые решения.

Дальнейшее чтение:

Forbes, TechEmergence и AI4Marketing