ปัญญาประดิษฐ์ การวิเคราะห์ และการตลาดดิจิทัล

ข้อมูล ข้อมูล ข้อมูล เรามีมากมาย แต่เรารู้ถึงพลังเต็มที่ของข้อมูลทั้งหมดที่เรามีอยู่ใกล้แค่เอื้อมหรือไม่? ด้วยความซับซ้อนที่เพิ่มขึ้นและขนาดที่แท้จริงของชุดข้อมูลและความสามารถทางการตลาด ปัญญาประดิษฐ์ (AI) และชุดย่อย (การประมวลผลภาษาธรรมชาติ คอมพิวเตอร์วิทัศน์ และการเรียนรู้ของเครื่อง) นำเสนอวิธีที่มีประสิทธิภาพในการจัดระเบียบและใช้ข้อมูลทั้งหมดนี้เพื่อใช้ในการรวบรวม ข้อมูลเชิงลึกจากการวิเคราะห์ดิจิทัล กลุ่มย่อยเหล่านี้ได้รับความนิยมเพิ่มขึ้นในช่วงไม่กี่ปีที่ผ่านมาสำหรับการปรับปรุง ROI และเพิ่มผลกำไรโดยรวมเนื่องจากลักษณะการคาดการณ์ที่แม่นยำ นี่เป็นเพียงวิธีบางส่วนที่องค์กรต่างๆ ได้ใช้ประโยชน์จากโซลูชันการเรียนรู้ของเครื่องแล้ว

การประมวลผลภาษาธรรมชาติ

หากคุณเคยใช้แชทบอทหรือ Siri แสดงว่าคุณได้รับการประมวลผลภาษาธรรมชาติ (NLP) ภาษามนุษย์นั้นซับซ้อนและหลากหลายมาก แม้ว่าในทางทฤษฎี ภาษาจะมีโครงสร้าง แต่ในความเป็นจริง รูปแบบวากยสัมพันธ์ ความหมาย และสัทศาสตร์มีอยู่ในภาษา ซึ่งหมายความว่าอาจเป็นเรื่องยากที่จะกำหนดเป้าหมายที่ตั้งไว้สำหรับการแยกข้อความหรือคำพูด ในกรณีนี้ NLP มีความสำคัญเนื่องจากเราสามารถ 'สอน' โปรแกรมเพื่อระบุรูปแบบวากยสัมพันธ์ ความหมาย และสัทศาสตร์เพื่อจัดระเบียบข้อมูลในลักษณะนั้น

ทำไมเราถึงสนใจ?

การประมวลผลคำหลายล้านคำอาจใช้เวลานานเกินไปหากเราสามารถฝึกอบรมโปรแกรมเพื่อจัดโครงสร้างข้อมูลในรูปแบบที่เราสามารถใช้เพื่อแจ้งกลยุทธ์ทางการตลาดได้

แผนภูมิการประมวลผล NLP: แสดงกระบวนการที่ข้อมูลถูกจัดระเบียบเพื่อให้ประมวลผลได้ง่ายขึ้น

วิสัยทัศน์คอมพิวเตอร์

คอมพิวเตอร์วิทัศน์ไม่เพียงเปลี่ยนวิธีการซื้อสินค้า ขับรถ และเข้าสู่ระบบอุปกรณ์เท่านั้น แต่ยังเปลี่ยนวิธีการทำตลาดของเราอีกด้วย วิธีหลักๆ วิธีหนึ่งที่เราสามารถใช้โปรแกรมการมองเห็นคือการใช้โฆษณาตามบริบท ตัวอย่างเช่น สมมติว่าคุณกำลังโฆษณาสตูดิโอโยคะ พันธมิตรบุคคลที่สามสามารถสแกนไซต์เพื่อค้นหาภาพที่คล้ายกับโยคะ เช่น ไซต์ที่แสดงท่าโยคะ พวกเขาทำเช่นนี้โดยใช้การแบ่งส่วนภาพ (กระบวนการย่อดูด้านล่าง) ณ จุดนี้ คุณสามารถวางโฆษณาสำหรับสตูดิโอโยคะของคุณ เพื่อให้แน่ใจว่าคุณกำลังเข้าถึงผู้ชมที่เกี่ยวข้องมากกว่าที่คุณคิดด้วยการกำหนดเป้าหมายตามผู้ชมอย่างเคร่งครัด

การใช้คอมพิวเตอร์วิทัศน์อีกประการหนึ่งคือการฟังทางสังคม โปรแกรมประเภทนี้สามารถระบุได้เมื่อแบรนด์ของคุณถูกกล่าวถึงหรือมีการใช้รูปถ่ายซึ่งสามารถให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับการทำงานของแบรนด์ คอมพิวเตอร์วิทัศน์ค่อนข้างใหม่ในด้านการตลาดและไม่ได้หมายความว่าจะสมบูรณ์แบบ เนื่องจากการแบ่งส่วนรูปภาพนั้นยากกว่าการแบ่งส่วนคำมาก ปัจจุบัน บริษัทต่างๆ อย่าง GumGum และ Vibrant Media เป็นผู้บุกเบิกการริเริ่มที่ใช้ประโยชน์จากการมองเห็นด้วยคอมพิวเตอร์ โดยรวมแล้ว แนวโน้มในการโฆษณาไม่ได้ระบุว่าการโฆษณาประเภทนี้จะเข้ามาแทนที่การกำหนดเป้าหมายตามบริบทและผู้ใช้มากเท่าที่จะเป็นทางเลือกเพิ่มเติมสำหรับการกำหนดเป้าหมาย การกำหนดเป้าหมายตามบริบทและผู้ชมยังคงมีความสำคัญเนื่องจากข้อมูลของบุคคลที่ 1 และ 2 มีความเชื่อถือได้

ทำไมเราถึงสนใจ?

ในฐานะผู้เชี่ยวชาญด้านการตลาด เราต้องดำเนินการอย่างรวดเร็วเพื่อดึงดูดผู้ชมที่เหมาะสมในเวลาที่เหมาะสม ด้วยลักษณะการมองเห็นในสังคมของเรา เราจึงสามารถใช้ความสามารถของเทคโนโลยีการมองเห็นเพื่อกระจายตัวเลือกการกำหนดเป้าหมายของเราเมื่อพูดถึงการตลาดดิจิทัล

การประมวลผลภาพ: กระบวนการถ่ายภาพและแยกส่วนของภาพออกเพื่อพัฒนาชิ้นส่วนที่เป็นระเบียบและเป็นมาตรฐานมากขึ้น

การเรียนรู้ของเครื่อง

แม้ว่าแมชชีนเลิร์นนิงและ NLP จะคล้ายกันมากกับวิธีการขุดผ่านข้อมูล ความแตกต่างที่สำคัญคือ NLP นั้นเน้นทางภาษาศาสตร์ ซึ่งหมายความว่าข้อมูลต้องมีโครงสร้างก่อน อย่างไรก็ตาม แมชชีนเลิร์นนิงจะเน้นที่ด้านสถิติของการประมวลผลข้อมูลที่มีโครงสร้างมากกว่า แมชชีนเลิร์นนิงมักใช้ในแนวทางปฏิบัติของ NLP วิธีทั่วไปที่เราเห็นการใช้แมชชีนเลิร์นนิงในการตลาดเกี่ยวข้องกับกลยุทธ์การดูแลจัดการและการเสนอราคาที่กำหนดเป้าหมาย สำหรับการประมูล จะนับวันที่ขายและซื้อสินค้าคงคลังด้วยตนเอง ตอนนี้เราใช้อัลกอริธึมแมชชีนเลิร์นนิงให้มากที่สุดเพื่อกำหนดราคาเสนอที่เหมาะสมและมีประสิทธิภาพที่สุดสำหรับพื้นที่โฆษณา

สิ่งนี้ได้พัฒนาไปอีกขั้นด้วยการพัฒนาตัวคูณราคาเสนอในภาพรวมแบบเป็นโปรแกรม คุณสามารถตั้งค่าตัวคูณ ซึ่งหากมีการเรียกลักษณะใดลักษณะหนึ่ง (ประเภทอุปกรณ์ ผู้ชม ภูมิศาสตร์ ฯลฯ) อาจเกินราคาเสนอสูงสุดที่ตั้งไว้เป็นเปอร์เซ็นต์ที่แน่นอน หากอัลกอริทึมตรวจพบว่าพื้นที่โฆษณาที่คุณเสนอราคามีมาก น่าจะทำได้ดีกว่า KPI

สำหรับผู้ชม อัลกอริทึมเหล่านี้สามารถสร้างกลุ่มผู้ชมตามรูปแบบที่เห็นได้ ตัวอย่างเช่น นี่คือวิธีการสร้างกลุ่มเป้าหมายที่คล้ายกันบน Facebook หลังจากที่อัลกอริธึมกำหนดกลุ่มผู้ชมแล้ว จะสามารถค้นหารูปแบบที่เห็นภายนอกกลุ่มนั้น (ตัวอย่างที่เกิดขึ้นไม่บ่อยนัก) และพิจารณาว่าอาจมีความคล้ายคลึงกันและเป็นตัวดำเนินการที่ใกล้เคียงที่คาดการณ์ไว้ของกลุ่มที่กำหนดไว้ก่อนหน้านี้

ทำไมเราถึงสนใจ?

แมชชีนเลิร์นนิงทำให้เราเข้าใกล้การเสนอราคาที่มีประสิทธิภาพและเข้าถึงกลุ่มเป้าหมายที่เกี่ยวข้องมากขึ้น เนื่องจากตลาดมีการแข่งขันมากขึ้นเรื่อย ๆ เนื่องจากมีระดับการเสนอราคาเพิ่มเติม (ที่ต้องการ การเสนอราคาส่วนหัว ฯลฯ) เนื่องจากแบรนด์ต่างๆ ใช้ประโยชน์จากสื่อดิจิทัลมากขึ้น เราต้องทำทุกอย่างที่ทำได้เพื่อให้แข่งขันได้ แต่คุ้มค่าด้วยกลยุทธ์การเสนอราคาและผู้ชมของเรา

กระบวนการเรียนรู้ด้วยเครื่อง: ที่แสดงด้านบนเป็นกระบวนการที่ข้อมูลดิบไปยังข้อมูลที่มีโครงสร้างและข้อมูลที่มีโครงสร้างจะกลายเป็นข้อมูลที่สามารถวิเคราะห์ได้

อนาคตเต็มไปด้วยโอกาสสำหรับ AI และการตลาด ตัวอย่างหนึ่งที่น่าสนใจที่มีอยู่แล้วคือการใช้โฆษณาที่กำหนดเป้าหมายตามภูมิศาสตร์ในรถยนต์ ด้วยการสร้างและพัฒนารถยนต์ที่ขับเคลื่อนด้วยตนเองต่อไป ผู้บริโภคจะสามารถเห็นโฆษณาที่เกี่ยวข้องทางภูมิศาสตร์ขณะอยู่ในรถ

เมื่อมองไปในอนาคต จะมีตัวเลือกการเสนอราคาอัตโนมัติมากขึ้น แม้ว่าการเสนอราคาจะเป็นแบบอัตโนมัติอยู่แล้วในระดับหนึ่ง แต่ผู้โฆษณาค่อนข้างจำกัดในการกำหนด KPI ที่อัลกอริทึมจะเพิ่มประสิทธิภาพ เราอาจเห็นบางสิ่งที่ช่วยให้อัลกอริทึมสามารถวางแผนและกำหนดราคาเสนอสำหรับ KPI ที่เฉพาะเจาะจงมากขึ้น นอกเหนือจาก CPM และ CTR ด้วยข้อมูลที่ละเอียดทั้งหมดที่เราจะได้รับและจัดระเบียบโดยใช้ AI การปรับแต่งโฆษณาเพิ่มเติมจะเป็นไปได้ การใช้ครีเอทีฟโฆษณาและข้อมูลแบบไดนามิก เราจะสามารถแสดงครีเอทีฟโฆษณาที่ตรงใจกลุ่มเป้าหมายมากขึ้น

โดยรวมแล้ว ในฐานะนักการตลาด เราต้องใช้ประโยชน์จากการพัฒนาเทคโนโลยีที่อยู่ตรงหน้าเราอย่างเต็มที่ เพื่อทำการตัดสินใจทางการตลาดอย่างมีข้อมูล มีประสิทธิภาพ และมีประสิทธิภาพ

อ่านเพิ่มเติม:

Forbes, TechEmergence และ AI4Marketing