人工智能、分析和數字營銷

數據，數據，數據。 我們有這麼多，但我們是否知道觸手可及的所有信息的全部力量？ 隨著數據集和營銷能力的複雜性和龐大規模的不斷增加，人工智能 (AI) 及其子集（自然語言處理、計算機視覺和機器學習）提供了一種有效的方式來組織和利用所有這些數據以用於收集來自數字分析的見解。 近年來，由於其準確的預測性質，這些子集在提高投資回報率和增加整體利潤方面變得越來越流行。 以下是組織已經在利用機器學習解決方案的一些方式。

自然語言處理

如果您曾經使用過聊天機器人或 Siri，那麼您已經接觸過自然語言處理 (NLP)。 人類語言極其複雜多樣。 儘管理論上語言是結構化的，但實際上，語言中存在句法、語義和語音變化，這意味著很難為文本或語言提取指定設定目標。 在這種情況下，NLP 很重要，因為我們可以“教”程序識別句法、語義和語音模式，從而以這種方式組織數據。

我們為什麼關心？

當我們可以訓練一個程序以我們可以用來為營銷策略提供信息的形式構造數據時，處理數百萬個單詞將花費人們太長時間。

NLP 處理圖：顯示數據被組織以更容易處理的過程

計算機視覺

計算機視覺不僅改變了我們購物、駕駛和登錄設備的方式，還改變了我們的營銷方式。 我們可以利用視覺程序的主要方法之一是實施上下文廣告。 例如，假設您正在為一家瑜伽工作室做廣告。 第三方合作夥伴可以掃描網站以查找類似於瑜伽的圖像，例如顯示瑜伽姿勢的網站。 他們通過使用圖像分割來做到這一點（如下所示的縮寫過程）。 此時，可以為您的瑜伽工作室投放廣告，確保您接觸到的受眾比嚴格的受眾定位更相關。

計算機視覺的另一個用途是社交聆聽。 這些類型的程序可以識別您的品牌何時被提及或其照片已被使用，這可以讓您更深入地了解品牌的運作方式。 計算機視覺在營銷領域相對較新，並不完美，因為圖像分割比單詞分割要困難得多。 目前，GumGum 和 Vibrant Media 等公司正在率先採用計算機視覺技術。 總體而言，廣告趨勢並不表明這種類型的廣告將取代上下文和用戶定位，因為它將成為定位的額外選擇。 由於第一方和第二方數據的可靠性，受眾和內容定位仍然至關重要。

我們為什麼關心？

作為營銷專業人士，我們必須迅速採取行動，在正確的時間吸引正確的受眾。 憑藉我們社會的視覺特性，我們可以利用視覺技術的能力來多樣化我們在數字營銷方面的目標選擇。

視覺處理：拍攝圖像並提取圖像部分以開發更有組織和標準的部分的過程

機器學習

雖然機器學習和 NLP 在挖掘數據的方式上非常相似，但主要區別在於 NLP 側重於語言，這意味著必須首先對數據進行結構化。 然而，機器學習更多地關注處理結構化數據的統計方面。 機器學習經常在 NLP 實踐中使用。 我們看到在營銷中使用機器學習的最常見方式與目標管理和出價策略有關。 對於投標，手工銷售和購買庫存的日子是有限的。 我們現在盡可能地使用機器學習算法來確定最優化和最有效的庫存出價。

隨著程序化領域中出價乘數的發展，這一點更進一步。 您可以設置乘數，如果調用某個方面（設備類型、受眾、地理位置等），如果算法檢測到您要出價的庫存非常高，則該乘數可以超出您的最高設置出價一定百分比可能會超過 KPI。

至於受眾，這些算法可以根據看到的模式來劃分受眾。 例如，這就是 Facebook 相似受眾的創建方式。 在算法確定受眾細分之後，它可以尋找在該細分之外看到的模式（發生頻率較低的實例），並確定它可能是相似的，並且是較早確定的細分的預測接近執行者。

我們為什麼關心？

機器學習使我們更接近有效的競標和更相關的受眾。 隨著越來越多的品牌利用數字媒體，由於額外級別的競標（首選、標頭競標等），市場競爭變得越來越激烈，我們必須盡我們所能通過競標和受眾策略保持競爭力和成本效益。

機器學習過程：上圖是原始數據進入結構化數據，結構化數據變成可分析數據的過程

未來充滿了人工智能和營銷的機會。 已經存在的一個有趣的例子是在車內使用地理定位廣告：隨著自動駕駛汽車的創造和進一步發展，消費者將能夠在車內看到與地理相關的廣告。

展望未來，將會有更多的自動出價選項。 儘管出價已經在一定程度上實現了自動化，但廣告商在定義算法將優化的 KPI 方面有些限制。 我們可能會看到允許算法為 CPM 和 CTR 之外的更具體的 KPI 計劃和設置出價的東西。 有了我們將能夠使用人工智能獲取和組織的所有細粒度數據，廣告的進一步定制將成為可能。 使用動態創意和數據，我們將能夠展示更能與目標受眾產生共鳴的創意。

總體而言，作為營銷人員，我們需要充分利用擺在我們面前的技術發展，做出明智、高效和有效的營銷決策。

延伸閱讀：

福布斯、TechEmergence 和 AI4Marketing