Sitemap

En introduktion til kunstig intelligens i markedsføring

Markedsføring med kunstig intelligens.Lyder fancy.

Og det er problemet.

Udtrykket er kastet rundt i marketingværktøj ad copy, af marketingguruer og hypet af medierne.

Alligevel er en konkret definition undvigende.

For mange er AI en gåde omgivet af buzzwords.

Men ironien er, at lige så meget som hypen har overvurderet, hvad AI kan gøre i de næste år, er virkeligheden af, hvordan AI allerede bruges i dag i marketing, ofte underkendt.

  • Facebook bruger ansigtsgenkendelse til at anbefale, hvem der skal tagges på billeder.
  • Google bruger deep learning til at rangere søgeresultater.
  • Netflix bruger maskinlæring til at tilpasse anbefalinger.
  • Amazon bruger naturlig sprogbehandling til Alexa.
  • Washington Post bruger naturlig sproggenerering til at skrive datadrevne artikler.

Dit liv er allerede maskinassisteret, og din markedsføring kan også være det.

Hvad er kunstig intelligens?

Den bedste måde at forstå kunstig intelligens på er som et paraplybegreb.

Det bruges til at beskrive en række unikke, men relaterede teknologier, der kan simulere menneskelige evner.

Det er ikke en enestående magisk teknologi, der kan alt.

Men et sæt individuelle værktøjer med reelle kapaciteter, men som er på forskellige udviklingsstadier.

Ud af disse forskellige undergrupper af AI er der nogle få, der er særligt anvendelige til markedsføring lige nu.

  • Computersyn, der tillader AI at se.Dette fører til genstandsgenkendelse, ansigtsgenkendelse og visuel lytning på sociale medier.
  • Naturlig sprogbehandling (NLP), som giver AI mulighed for at høre og tale – hvilket giver os chatbots, semantisk analyse, indholdsgenerering og stemmesøgningsfunktioner.
  • Maskinlæring giver AI mulighed for at lære med data om, hvordan man gradvist forbedrer ydeevnen på en specifik opgave over tid, uden eksplicit at blive programmeret, hvad de skal gøre.Dette giver os indholdsanbefalinger, lookalike-målgrupper, programmatisk annoncering og leadscoring.

Evnen til selvforbedring leveret af maskinlæring er den mest kritiske delmængde af kunstig intelligens for marketingfolk.

Automatisering er ikke lig med maskinlæring

Måske tænker du, at du har fået dækket hele denne AI-marketingting, fordi du har et dyrt marketingautomatiseringsværktøj.

Lad os få én ting krystalklar:

Automatisering er ikke maskinlæring.

Automatisering er et sæt instruktioner, der fortæller en maskine, hvad den skal gøre for at producere et bestemt resultat.

Du skal stadig designe og indtaste marketinglogik.

Maskinlæring sætter den i stand til at forbedre sig ud fra erfaring, så maskinen lærer, hvad den skal gøre for at producere det ønskede resultat.

Maskinen er ikke begrænset til ren udførelse, den sørger også for optimering.

Kernen replikerer automatisering, hvad du gør nu.Det sparer tid, men har ringe direkte indflydelse på KPI'er.

På den anden side vil maskinlæring ikke kun spare dig tid, men også forbedre den nuværende taktik for løbende at øge KPI'er.

Så hvorfor udnytter vi ikke denne teknologi?

Lad os tage et kig på de fire vigtigste grunde til, at marketingfolk tøver med at anvende AI-applikationer, og hvordan man overvinder dem.

Årsag 1: Mangel på tekniske færdigheder

Selvom mange marketingfolk føler, at de mangler de tekniske færdigheder til at adoptere AI.

Dette behøver ikke at være tilfældet.

Virkeligheden er, at du allerede ved alt, hvad du behøver for at komme i gang.

Der er forskel på forskning i maskinlæring, som handler om at bygge bedre algoritmer og er dataforskeres privilegium, og anvendt maskinlæring, som bruger algoritmer til at løse forretningsproblemer, hvilket er hvad marketingfolk skal gøre.

Tænk over det på denne måde:

Du forstår måske ikke helt videnskaben bag, hvordan en mikrobølgeovn virker.Men det forhindrer dig ikke i at bruge det til at lave mad.

  • Virksomheder uden dataforskere kan stadig vælge de bedste data (bedste ingredienser).
  • Indsæt disse oplysninger i open source-algoritmer (apparatet).
  • At skabe modeller (opskrifterne).
  • Det producerer forudsigelser – også kaldet, udfør markedsføringstaktikker (retten).
  • Kvaliteten af, som vi kan vurdere ved at teste (smage).

Og hvis retten ikke er velsmagende, kan du ændre opskriften eller købe et komfur eller få ingredienser af bedre kvalitet.

Du bliver ikke en bedre kok ved at lære mere om videnskaben bag, hvordan en mikrobølgeovn fungerer.

Du bliver ikke en bedre marketingmedarbejder ved at forske i datavidenskabens forviklinger.

Den bedste måde at lære at lave mad på er bare at komme i gang.

Den bedste måde for marketingfolk at overvinde vores problem med skala er at udrulle ethvert brugstilfælde af AI.

Årsag 2: Frygt for vores job

Nogle hold ønsker ikke at påbegynde AI-initiativer, da de frygter, at det vil forårsage den næste industrielle revolution, og de vil stå uden arbejde - dette forårsager naturligvis en masse modstand.

Medmindre du planlægger at gå på pension inden for de næste 5 år, vil kunstig intelligens påvirke din karriere inden for marketing markant.Men det betyder ikke, at du bliver erstattet af en marketingrobot.

Dit job vil ændre sig fra at udføre gentagne opgaver til at lære AI at udføre disse opgaver for dig.

Giver dig mulighed for at geninvestere din tid i kreativitet og strategi.

Men hvad indebærer undervisning i en AI egentlig?

For det lyder meget teknisk.

Den mest almindelige træningsmetode til marketing use cases er superviseret læring.

Dette involverer to faser.

Den første er den indledende undervisningsproces.

Lad os sige, at du har 1 million kundeanmeldelser.

Intet menneske kunne overhovedet læse dem alle, så du vil bruge maskinlæring til at forstå følelsen og klassificere anmeldelsen som positiv, neutral eller negativ.

For at opnå dette skal du tage en prøve af disse anmeldelser og mærke hver af dem med en af ​​dine tre klassifikationer.

Indfør derefter disse træningsdata i din maskinlæringsalgoritme.

Jo flere data det har, jo bedre vil det være til at genkende mønstre, og over tid, jo mere pålideligt vil det være i stand til at klassificere anmeldelsernes følelser alene.

For at teste dens evner, i stedet for at give den mærkede data, skal du indtaste rådataene og vurdere kvaliteten af ​​resultaterne.

Ofte, hvis du har gjort den indledende undervisningsproces godt, vil den allerede være i stand til at klassificere en stor del af dataene korrekt.

Og du kan gå videre til anden fase; det løbende undervisningsforløb.

Hvor du regelmæssigt ville ommærke eventuelle fejl for at lære algoritmen, hvad den gjorde forkert, så den hele tiden kunne forbedres.

Du har måske allerede undervist i algoritmer uden at vide det.

Hvem har udfyldt en billedbaseret Google captcha, markeret en e-mail som ikke spam eller markeret falske nyheder på et Facebook-opslag.

Ved hver af disse handlinger beviste du manuel verifikation, tilføjede etiketter og underviste i algoritmerne.

Tænk på at lancere en maskinlæringsalgoritme som at ansætte en ny junior marketingmedarbejder.

Den dag, du ombord på den, er den værste dag, den nogensinde kommer til at præstere.

Det vil gøre arbejdet, men det vil lave fejl, så du skal overvåge resultaterne og rette efter behov.

Jo længere det virker, jo bedre bliver det, og jo mere tid har du til at geninvestere i at skalere andre marketingkanaler.

Men i modsætning til et menneske, er maskiner glade for at udføre det samme, meget snævre job for evigt - uanset om det er at klassificere anmeldelser, justere annoncebud, poste på sociale medier eller forudsige vækst.

Du overlader ikke kontrollen med markedsføringen til en maskine.

Du lærer dem, hvordan de indsamler den information, du har brug for, eller hvordan du udfører et specifikt element i din marketingstrategi.

Og AI tilbyder et helt nyt skalaniveau.

At klassificere 1 million anmeldelser er ikke et problem for en maskinlæringsalgoritme.

Hvad mere er, på grund af denne skala kan den producere indsigt, som ellers ikke ville være tilgængelig.

Det, du vælger at gøre med disse indsigter, er det, der bliver afgørende for succes.

Disse strategiske spørgsmål er, hvor marketingfolk skal bruge tid.

Årsag 3: Investering af ressourcer og budget

Ledere er ofte bekymrede over implementeringsindsatsen og omkostningerne til AI-applikationer.

Så det bedste sted at starte er ikke ved at bede om mere budget og ressourcer, men ved at spørge dig selv, udnytter du fuldt ud det, du allerede betaler for?

Overvej AI-kapaciteterne i dit nuværende marketingværktøjssæt.

Marketingautomatiseringsplatforme som HubSpot, CRM'er som SalesForce og annonceringsværktøjer som Google Ads og Facebook Ads har alle inkorporeret AI i deres systemer.

Hvis du er kunde af en af ​​disse løsninger, kan deres supportteams være en værdifuld ressource til at begynde din organisations AI-implementering, da du kan lære af deres indsigt og erfaring.

Det er en fantastisk måde at begynde at opbygge dit teams kompetencer i AI-applikationer for små eller ingen ekstra omkostninger.

Og hvad med AI-kapaciteterne i din nuværende teknologistak?

AI-teknologier er ikke kanal-baserede, de er brugs-case-baserede.

Så hvis du har en anbefalingsmotor kørende på dit websted, hvorfor så ikke bruge denne maskinlæringsalgoritme til at forbedre personaliseringen af ​​dit e-mail-nyhedsbrev, push-meddelelser eller chatbot-indhold.

Du kan bruge disse eksisterende teknologier som proof of concept med lav investering.

Så når du beder om yderligere ressourcer og budgetter, er dine ledere allerede fuldt ombord.

Når du leder efter et nyt værktøj, så pas på buzzwords.

Mange AI-løsninger er faktisk ikke så intelligente.Selv når der er ordene "AI" eller "machine learning" lige der i produktbeskrivelsen.

Nogle værktøjer bruger skamløst disse udtryk til at beskrive almindelige automatiserings- eller målretningsmuligheder.

Nu hvor du har en dybere forståelse af, hvad AI virkelig er, kan du prøve disse sælgere.

Hvis leverandøren ikke kan forklare, hvordan AI fungerer i detaljer, skal du ikke købe den.Hvis det virker for godt til at være sandt, så lad være med at købe det.

Fordi, jeg er ked af at sige, der er ingen marketing AI-platform, der pænt samler alt i et enkelt månedligt abonnement.

Det er fordi AI er snæver i sine muligheder og skal være specialbygget til at løse et veldefineret problem.

Det er derfor, du skal vælge den rigtige use case først – da hver use case sandsynligvis har brug for sit eget værktøj.

Men hvad du kan gøre, er at begynde at opbygge din egen kunstige intelligens.

AI-teknologi bliver mere overkommelig og tilgængelig, fordi virksomheder som Google, Amazon, IBM og SalesForce tilbyder deres algoritmer til verden.

Nogle tredjepartstjenester er open source, andre betaler sig for at spille – men de giver alle et springbræt, hvorfra du kan skræddersy din egen løsning.

Især hvis de tilbyder adgang til yderligere datasæt, der kan lægges på dine egne 1. parts data, hvilket gør din AI-applikation mere kraftfuld.

Årsag 4: Kvaliteten af ​​datakilder

De allerbedste AI-værktøjer og talenter i verden vil ikke levere resultater, hvis du mangler den mest kritiske komponent til maskinlæring – data af høj kvalitet til at informere læringsalgoritmen.

Datakvalitet er sandsynligvis den største enkeltstående udfordring, du vil møde, når du implementerer AI.

Som eMarketer bemærker, er data ofte gamle eller i siloer, eller vi har bare ikke nok i første omgang.

Og vi afsætter ikke ressourcer til at løse dette.

Problemet er, at indføring af dårlige data i en god maskinlæringsalgoritme ikke giver de rigtige svar.

Uden denne forståelse af, at data er af afgørende betydning, vil du sandsynligvis give AI'en skylden for de dårlige resultater.

Der er ting, vi marketingfolk bør gøre for at skabe handlingsrettede data.

  • Hvornår har du sidst foretaget en Google Analytics-revision?
  • Har du implementeret struktureret markup og indholdstagging?
  • Bruger du remarketingscripts til at indsamle flere brugerdata?
  • Støtter du indsamling af data, der kan bruges til at identificere brugere på tværs af enheder og kanaler, såsom e-mailadresser?
  • Har du fået dine marketingværktøjer integreret med din Data Management Platform (DMP)?

Du skal fokusere på disse områder nu, fordi god AI-marketing afhænger af at have handlingsrettede data, der er struktureret, integreret gennem en fælles identifikator, rigelig og (vigtigst) nøjagtig.

Ser mod fremtiden

Kunstig intelligens ændrer forbrugeradfærd.

Forbrugerne bliver ramt med for meget information hver dag.

De ønsker ikke at bruge tid på at vurdere alle mulighederne.Så de uddelegerer.

Tænk på, hvad der allerede er styret af AI.

  • Sociale algoritmer påvirker, hvilke brands vi engagerer os med.
  • Digitale kort bestemmer, hvilke ruter vi tager, eller foreslår steder i nærheden at besøge.
  • Anbefalingsmotorer former bevidsthed og påvirker køb.
  • En AI kan endda bestemme, hvem du gifter dig med.Baseret på dit swiping til venstre og højre, vælger algoritmen i din datingapp dit match.

Algoritmer bliver de nye gatekeepere gennem enheder som digitale personlige assistenter.

Og fremtiden for din virksomhed afhænger af din evne til at påvirke de AI'er, der kommer med anbefalingerne til mennesker, hvis ikke hele beslutningen.

Tænk over det.Når en kunde beder deres Google Home eller Alexa om at "bestille mig cookies", er det AI'en, der bestemmer mærket.

Du skal forstå, hvordan den beslutning træffes.Behandl algoritmer som et nyt publikum.Forstå deres behov.

Start markedsføring til maskiner med maskiner.

Flere ressourcer:


Billedkreditter

Fremhævede billeder og billeder i posten: Oprettet af forfatter, april 2020
Alle skærmbilleder taget af forfatter, april 2020