人工智能、分析和数字营销

数据，数据，数据。 我们有这么多，但我们是否知道触手可及的所有信息的全部力量？ 随着数据集和营销能力的复杂性和庞大规模的增加，人工智能 (AI) 及其子集（自然语言处理、计算机视觉和机器学习）提供了一种有效的方式来组织和利用所有这些数据以用于收集来自数字分析的见解。 近年来，由于其准确的预测性质，这些子集在提高投资回报率和增加整体利润方面变得越来越流行。 以下是组织已经在利用机器学习解决方案的一些方式。

自然语言处理

如果您曾经使用过聊天机器人或 Siri，那么您已经接触过自然语言处理 (NLP)。 人类语言极其复杂多样。 尽管理论上语言是结构化的，但实际上，语言中存在句法、语义和语音变化，这意味着很难为文本或语言提取指定设定目标。 在这种情况下，NLP 很重要，因为我们可以“教”程序识别句法、语义和语音模式，从而以这种方式组织数据。

我们为什么关心？

当我们可以训练一个程序以我们可以用来为营销策略提供信息的形式构造数据时，处理数百万个单词将花费人们太长时间。

NLP 处理图：显示数据被组织以更容易处理的过程

计算机视觉

计算机视觉不仅改变了我们购物、驾驶和登录设备的方式，还改变了我们的营销方式。 我们可以利用视觉程序的主要方法之一是实施上下文广告。 例如，假设您正在为一家瑜伽工作室做广告。 第三方合作伙伴可以扫描网站以查找类似于瑜伽的图像，例如显示瑜伽姿势的网站。 他们通过使用图像分割来做到这一点（如下所示的缩写过程）。 此时，可以为您的瑜伽工作室投放广告，确保您接触到的受众比严格的受众定位更相关。

计算机视觉的另一个用途是社交聆听。 这些类型的程序可以识别您的品牌何时被提及或其照片已被使用，这可以让您更深入地了解品牌的运作方式。 计算机视觉在营销领域相对较新，并不完美，因为图像分割比单词分割要困难得多。 目前，GumGum 和 Vibrant Media 等公司正在率先采用计算机视觉技术。 总体而言，广告趋势并不表明这种类型的广告将取代上下文和用户定位，因为它将成为定位的额外选择。 由于第一方和第二方数据的可靠性，受众和内容定位仍然至关重要。

我们为什么关心？

作为营销专业人士，我们必须迅速采取行动，在正确的时间吸引正确的受众。 凭借我们社会的视觉特性，我们可以利用视觉技术的能力来多样化我们在数字营销方面的目标选择。

视觉处理：拍摄图像并提取图像部分以开发更有组织和标准的部分的过程

机器学习

虽然机器学习和 NLP 在挖掘数据的方式上非常相似，但主要区别在于 NLP 侧重于语言，这意味着必须首先对数据进行结构化。 然而，机器学习更多地关注处理结构化数据的统计方面。 机器学习经常在 NLP 实践中使用。 我们看到在营销中使用机器学习的最常见方式与目标管理和出价策略有关。 对于投标，手工销售和购买库存的日子是有限的。 我们现在尽可能地使用机器学习算法来确定最优化和最有效的库存出价。

随着程序化领域中出价乘数的发展，这一点更进一步。 您可以设置乘数，如果调用某个方面（设备类型、受众、地理位置等），如果算法检测到您要出价的库存非常高，则该乘数可以超出您的最高设置出价一定百分比可能会超过 KPI。

至于受众，这些算法可以根据看到的模式来划分受众。 例如，这就是 Facebook 相似受众的创建方式。 在算法确定受众细分之后，它可以寻找在该细分之外看到的模式（发生频率较低的实例），并确定它可能是相似的，并且是较早确定的细分的预测接近执行者。

我们为什么关心？

机器学习使我们更接近有效的竞标和更相关的受众。 随着越来越多的品牌利用数字媒体，由于额外级别的竞标（首选、标​​头竞标等），市场竞争变得越来越激烈，我们必须尽我们所能通过竞标和受众策略保持竞争力和成本效益。

机器学习过程：上图是原始数据进入结构化数据，结构化数据变成可分析数据的过程

未来充满了人工智能和营销的机会。 已经存在的一个有趣的例子是在车内使用地理定位广告：随着自动驾驶汽车的创造和进一步发展，消费者将能够在车内看到与地理相关的广告。

展望未来，将会有更多的自动出价选项。 尽管出价已经在一定程度上实现了自动化，但广告商在定义算法将优化的 KPI 方面有些限制。 我们可能会看到允许算法为 CPM 和 CTR 之外的更具体的 KPI 计划和设置出价的东西。 有了我们将能够使用人工智能获取和组织的所有细粒度数据，广告的进一步定制将成为可能。 使用动态创意和数据，我们将能够展示更能与目标受众产生共鸣的创意。

总体而言，作为营销人员，我们需要充分利用摆在我们面前的技术发展，做出明智、高效和有效的营销决策。

延伸阅读：

福布斯、TechEmergence 和 AI4Marketing