Sitemap

Εισαγωγή στην Τεχνητή Νοημοσύνη στο Μάρκετινγκ

Μάρκετινγκ με Τεχνητή Νοημοσύνη.Ακούγεται φανταχτερό.

Και αυτό είναι το πρόβλημα.

Ο όρος κυκλοφορεί στο διαφημιστικό αντίγραφο του εργαλείου μάρκετινγκ, από γκουρού του μάρκετινγκ και διαφημίζεται από τα μέσα ενημέρωσης.

Ωστόσο, ένας συγκεκριμένος ορισμός είναι ασαφής.

Για πολλούς, η τεχνητή νοημοσύνη είναι ένα αίνιγμα που περιβάλλεται από τσιτάτα.

Αλλά η ειρωνεία είναι ότι, όσο κι αν η διαφημιστική εκστρατεία υπερεκτίμησε τι θα μπορούσε να κάνει η τεχνητή νοημοσύνη τα επόμενα χρόνια, η πραγματικότητα του τρόπου με τον οποίο η τεχνητή νοημοσύνη χρησιμοποιείται ήδη σήμερα στο μάρκετινγκ είναι συχνά υπο-αναγνωρισμένη.

  • Το Facebook χρησιμοποιεί την αναγνώριση προσώπου για να προτείνει ποιον να επισημάνει στις φωτογραφίες.
  • Η Google χρησιμοποιεί βαθιά εκμάθηση για την κατάταξη των αποτελεσμάτων αναζήτησης.
  • Το Netflix χρησιμοποιεί μηχανική εκμάθηση για να εξατομικεύσει τις προτάσεις.
  • Η Amazon χρησιμοποιεί επεξεργασία φυσικής γλώσσας για την Alexa.
  • Η Washington Post χρησιμοποιεί τη δημιουργία φυσικής γλώσσας για τη σύνταξη άρθρων που βασίζονται σε δεδομένα.

Η ζωή σας είναι ήδη υποβοηθούμενη από μηχανή, και το μάρκετινγκ σας μπορεί επίσης.

Τι είναι η Τεχνητή Νοημοσύνη;

Ο καλύτερος τρόπος για να κατανοήσετε την τεχνητή νοημοσύνη είναι ως όρος ομπρέλα.

Χρησιμοποιείται για να περιγράψει μια σειρά από μοναδικές, αλλά σχετικές, τεχνολογίες που μπορούν να προσομοιώσουν τις ανθρώπινες δυνατότητες.

Δεν είναι μια μοναδική μαγική τεχνολογία που μπορεί να κάνει τα πάντα.

Αλλά ένα σύνολο μεμονωμένων εργαλείων με πραγματικές δυνατότητες, που όμως βρίσκονται σε διαφορετικά στάδια ανάπτυξης.

Από αυτά τα διαφορετικά υποσύνολα του AI, υπάρχουν μερικά που ισχύουν ιδιαίτερα για το μάρκετινγκ αυτή τη στιγμή.

  • Όραση υπολογιστή που επιτρέπει στην τεχνητή νοημοσύνη να βλέπει.Αυτό οδηγεί σε ανίχνευση αντικειμένων, αναγνώριση προσώπου και οπτική ακρόαση στα μέσα κοινωνικής δικτύωσης.
  • Επεξεργασία φυσικής γλώσσας (NLP) που επιτρέπει στο AI να ακούει και να μιλάει – δίνοντάς μας chatbots, σημασιολογική ανάλυση, δημιουργία περιεχομένου και δυνατότητες φωνητικής αναζήτησης.
  • Η μηχανική εκμάθηση επιτρέπει στην τεχνητή νοημοσύνη να μαθαίνει με δεδομένα για το πώς να βελτιώνει σταδιακά την απόδοση σε μια συγκεκριμένη εργασία με την πάροδο του χρόνου, χωρίς να έχει προγραμματιστεί ρητά τι πρέπει να κάνει.Αυτό μας δίνει προτάσεις περιεχομένου, παρόμοιο κοινό, διαφημίσεις μέσω προγραμματισμού και βαθμολογία δυνητικού πελάτη.

Η ικανότητα αυτοβελτίωσης που παρέχεται από τη μηχανική μάθηση είναι το πιο κρίσιμο υποσύνολο της τεχνητής νοημοσύνης για τους επαγγελματίες του μάρκετινγκ.

Ο αυτοματισμός δεν είναι ίσος με τη μηχανική μάθηση

Ίσως σκέφτεστε ότι έχετε καλύψει όλο αυτό το μάρκετινγκ AI επειδή έχετε ένα ακριβό εργαλείο αυτοματισμού μάρκετινγκ.

Ας ξεκαθαρίσουμε ένα πράγμα:

Ο αυτοματισμός δεν είναι μηχανική μάθηση.

Ο αυτοματισμός είναι ένα σύνολο οδηγιών που λέει σε ένα μηχάνημα τι να κάνει για να παράγει ένα συγκεκριμένο αποτέλεσμα.

Πρέπει ακόμα να σχεδιάσετε και να εισαγάγετε τη λογική μάρκετινγκ.

Η μηχανική εκμάθηση της επιτρέπει να βελτιώνεται από την εμπειρία, έτσι η μηχανή μαθαίνει τι πρέπει να κάνει για να παράγει το επιθυμητό αποτέλεσμα.

Το μηχάνημα δεν περιορίζεται στην καθαρή εκτέλεση, φροντίζει επίσης για τη βελτιστοποίηση.

Στην ουσία, ο αυτοματισμός αναπαράγει αυτό που κάνετε τώρα.Εξοικονομεί χρόνο, αλλά έχει μικρό άμεσο αντίκτυπο στους KPI.

Από την άλλη πλευρά, η μηχανική εκμάθηση όχι μόνο θα σας εξοικονομήσει χρόνο, αλλά θα βελτιώσει και τις τρέχουσες τακτικές για τη συνεχή αύξηση των KPI.

Γιατί λοιπόν δεν αξιοποιούμε αυτήν την τεχνολογία;

Ας ρίξουμε μια ματιά στους τέσσερις κορυφαίους λόγους για τους οποίους οι έμποροι διστάζουν να υιοθετήσουν εφαρμογές τεχνητής νοημοσύνης και πώς να τις ξεπεράσουν.

Λόγος 1: Έλλειψη τεχνικών δεξιοτήτων

Αν και πολλοί έμποροι πιστεύουν ότι τους λείπουν οι τεχνικές δεξιότητες για να υιοθετήσουν την τεχνητή νοημοσύνη.

Αυτό δεν χρειάζεται να συμβαίνει.

Η πραγματικότητα είναι ότι γνωρίζετε ήδη όλα όσα χρειάζεστε για να ξεκινήσετε.

Υπάρχει διαφορά μεταξύ της έρευνας μηχανικής μάθησης, η οποία έχει να κάνει με τη δημιουργία καλύτερων αλγορίθμων και αποτελεί προνόμιο των επιστημόνων δεδομένων, και της εφαρμοσμένης μηχανικής μάθησης, η οποία χρησιμοποιεί αλγόριθμους για την επίλυση επιχειρηματικών ζητημάτων, κάτι που πρέπει να κάνουν οι έμποροι.

Σκεφτείτε το ως εξής:

Μπορεί να μην κατανοείτε πλήρως την επιστήμη πίσω από το πώς λειτουργεί ένας φούρνος μικροκυμάτων.Αλλά αυτό δεν σας εμποδίζει να το χρησιμοποιήσετε για να μαγειρέψετε.

  • Οι εταιρείες χωρίς επιστήμονες δεδομένων μπορούν ακόμα να επιλέξουν τα καλύτερα δεδομένα (καλύτερα συστατικά).
  • Τοποθετήστε αυτές τις πληροφορίες σε αλγόριθμους ανοιχτού κώδικα (τη συσκευή).
  • Για να δημιουργήσετε μοντέλα (τις συνταγές).
  • Αυτό παράγει προβλέψεις - γνωστός και ως, εφαρμόζει τακτικές μάρκετινγκ (το πιάτο).
  • Την ποιότητα της οποίας μπορούμε να εκτιμήσουμε με δοκιμή (γευστική δοκιμή).

Και αν το πιάτο δεν είναι νόστιμο, μπορείτε να τροποποιήσετε τη συνταγή ή να αγοράσετε μια κουζίνα ή να πάρετε υλικά καλύτερης ποιότητας.

Δεν θα γίνετε καλύτερος σεφ μαθαίνοντας περισσότερα για την επιστήμη πίσω από το πώς λειτουργεί ένας φούρνος μικροκυμάτων.

Δεν θα γίνετε καλύτερος έμπορος, ερευνώντας τις περιπλοκές της επιστήμης δεδομένων.

Ο καλύτερος τρόπος για να μάθετε να μαγειρεύετε είναι να ξεκινήσετε.

Ο καλύτερος τρόπος για τους επαγγελματίες του μάρκετινγκ να ξεπεράσουν το πρόβλημα κλίμακας είναι να αναπτύξουν οποιαδήποτε περίπτωση χρήσης τεχνητής νοημοσύνης.

Λόγος 2: Φόβος για τις δουλειές μας

Ορισμένες ομάδες δεν θέλουν να ξεκινήσουν πρωτοβουλίες τεχνητής νοημοσύνης καθώς φοβούνται ότι θα προκαλέσει την επόμενη βιομηχανική επανάσταση και θα μείνουν χωρίς δουλειά – αυτό φυσικά προκαλεί μεγάλη αντίσταση.

Αν δεν σκοπεύετε να συνταξιοδοτηθείτε τα επόμενα 5 χρόνια, η τεχνητή νοημοσύνη θα επηρεάσει σημαντικά την καριέρα σας στο μάρκετινγκ.Αλλά αυτό δεν σημαίνει ότι θα αντικατασταθείτε από ένα ρομπότ μάρκετινγκ.

Η δουλειά σας θα αλλάξει από την εκτέλεση επαναλαμβανόμενων εργασιών στη διδασκαλία της τεχνητής νοημοσύνης να κάνει αυτές τις εργασίες για εσάς.

Σας επιτρέπει να επενδύσετε ξανά τον χρόνο σας στη δημιουργικότητα και τη στρατηγική.

Αλλά τι περιλαμβάνει στην πραγματικότητα η διδασκαλία μιας τεχνητής νοημοσύνης;

Γιατί ακούγεται πολύ τεχνικό.

Η πιο κοινή μέθοδος εκπαίδευσης για περιπτώσεις χρήσης μάρκετινγκ είναι η εποπτευόμενη μάθηση.

Αυτό περιλαμβάνει δύο φάσεις.

Το πρώτο είναι η αρχική διδακτική διαδικασία.

Ας υποθέσουμε ότι έχετε 1 εκατομμύριο κριτικές πελατών.

Κανένας άνθρωπος δεν θα μπορούσε να τα διαβάσει όλα, επομένως θέλετε να χρησιμοποιήσετε τη μηχανική μάθηση για να κατανοήσετε το συναίσθημα, ταξινομώντας την κριτική ως θετική, ουδέτερη ή αρνητική.

Για να το πετύχετε αυτό, πάρτε ένα δείγμα από αυτές τις κριτικές και επισημάνετε καθεμία από αυτές με μία από τις τρεις ταξινομήσεις σας.

Στη συνέχεια, τροφοδοτήστε αυτά τα δεδομένα εκπαίδευσης στον αλγόριθμο μηχανικής εκμάθησης.

Όσο περισσότερα δεδομένα διαθέτει, τόσο καλύτερα θα είναι στην αναγνώριση των μοτίβων και με την πάροδο του χρόνου τόσο πιο αξιόπιστα θα μπορεί να ταξινομεί από μόνο του το συναίσθημα των κριτικών.

Για να δοκιμάσετε τις ικανότητές του, αντί να τροφοδοτήσετε δεδομένα με ετικέτα, εισαγάγετε τα ακατέργαστα δεδομένα και αξιολογήστε την ποιότητα των αποτελεσμάτων.

Συχνά, εάν έχετε κάνει καλά την αρχική διαδικασία διδασκαλίας, θα είναι ήδη σε θέση να ταξινομήσει σωστά ένα μεγάλο μέρος των δεδομένων.

Και μπορείτε να προχωρήσετε στη δεύτερη φάση. τη συνεχιζόμενη διδακτική διαδικασία.

Όπου σε τακτική βάση επαναπροσδιορίζατε τυχόν σφάλματα για να διδάξετε στον αλγόριθμο τι έκανε λάθος, επιτρέποντάς του να βελτιώνεται συνεχώς.

Μπορεί να έχετε ήδη διδάξει αλγόριθμους χωρίς να το γνωρίζετε.

Ποιος έχει συμπληρώσει ένα Google captcha που βασίζεται σε εικόνες, έχει επισημάνει ένα μήνυμα ηλεκτρονικού ταχυδρομείου ως μη ανεπιθύμητο ή έχει επισημάνει ψευδείς ειδήσεις σε μια ανάρτηση στο Facebook.

Με καθεμία από αυτές τις ενέργειες, αποδεικνύατε τη μη αυτόματη επαλήθευση, προσθέτατε ετικέτες και διδάσκατε τους αλγόριθμους.

Σκεφτείτε να λανσάρετε έναν αλγόριθμο μηχανικής μάθησης, όπως την πρόσληψη ενός νέου κατώτερου μάρκετινγκ.

Η μέρα που θα επιβιβαστείτε σε αυτό, είναι η χειρότερη μέρα που πρόκειται να εμφανιστεί ποτέ.

Θα κάνει τη δουλειά, αλλά θα κάνει λάθη, επομένως πρέπει να επιβλέπετε τα αποτελέσματα, διορθώνοντας όσο χρειάζεται.

Όσο περισσότερο λειτουργεί, τόσο καλύτερο γίνεται και τόσο περισσότερος χρόνος έχετε για να επανεπενδύσετε στην κλιμάκωση άλλων καναλιών μάρκετινγκ.

Αλλά σε αντίθεση με τον άνθρωπο, οι μηχανές είναι στην ευχάριστη θέση να κάνουν την ίδια, πολύ στενή δουλειά για πάντα – είτε αυτό είναι η ταξινόμηση κριτικών, η προσαρμογή των προσφορών για διαφημίσεις, η ανάρτηση στα μέσα κοινωνικής δικτύωσης ή η πρόβλεψη ανάπτυξης.

Δεν παραδίδετε τον έλεγχο του μάρκετινγκ σε μια μηχανή.

Τους διδάσκετε πώς να συλλέγουν τις πληροφορίες που χρειάζεστε ή πώς να εκτελέσουν ένα συγκεκριμένο στοιχείο της στρατηγικής μάρκετινγκ.

Και η τεχνητή νοημοσύνη προσφέρει ένα εντελώς νέο επίπεδο κλίμακας.

Η ταξινόμηση 1 εκατομμυρίου κριτικών δεν αποτελεί πρόβλημα για έναν αλγόριθμο μηχανικής εκμάθησης.

Επιπλέον, λόγω αυτής της κλίμακας, μπορεί να παράγει πληροφορίες που διαφορετικά δεν θα ήταν διαθέσιμες.

Αυτό που επιλέγετε να κάνετε με αυτές τις ιδέες είναι αυτό που καθίσταται κρίσιμο για την επιτυχία.

Αυτά τα στρατηγικά ερωτήματα είναι πού πρέπει να ξοδεύουν χρόνο οι έμποροι.

Λόγος 3: Επένδυση Πόρων & Προϋπολογισμός

Τα στελέχη συχνά ανησυχούν για τις προσπάθειες υλοποίησης και το κόστος για τις εφαρμογές τεχνητής νοημοσύνης.

Επομένως, το καλύτερο μέρος για να ξεκινήσετε δεν είναι ζητώντας περισσότερο προϋπολογισμό και πόρους, αλλά ρωτώντας τον εαυτό σας ότι αξιοποιείτε πλήρως αυτό που ήδη πληρώνετε;

Λάβετε υπόψη τις δυνατότητες AI του τρέχοντος συνόλου εργαλείων μάρκετινγκ.

Οι πλατφόρμες αυτοματισμού μάρκετινγκ όπως το HubSpot, τα CRM όπως το SalesForce και τα διαφημιστικά εργαλεία όπως το Google Ads και το Facebook Ads έχουν όλες ενσωματώσει την τεχνητή νοημοσύνη στα συστήματά τους.

Εάν είστε πελάτης μιας από αυτές τις λύσεις, οι ομάδες υποστήριξής τους μπορούν να αποτελέσουν πολύτιμο πόρο για να ξεκινήσετε την εφαρμογή τεχνητής νοημοσύνης του οργανισμού σας, καθώς μπορείτε να μάθετε από τις γνώσεις και την εμπειρία τους.

Είναι ένας πολύ καλός τρόπος για να αρχίσετε να αναπτύσσετε τις ικανότητες της ομάδας σας σε εφαρμογές τεχνητής νοημοσύνης με ελάχιστο έως καθόλου επιπλέον κόστος.

Και τι γίνεται με τις δυνατότητες AI της τρέχουσας στοίβας τεχνολογίας σας;

Οι τεχνολογίες AI δεν βασίζονται σε κανάλια, βασίζονται σε περιπτώσεις χρήσης.

Επομένως, εάν έχετε μια μηχανή προτάσεων που λειτουργεί στον ιστότοπό σας, γιατί να μην χρησιμοποιήσετε αυτόν τον αλγόριθμο μηχανικής εκμάθησης για να βελτιώσετε την εξατομίκευση για το ενημερωτικό δελτίο ηλεκτρονικού ταχυδρομείου, τις ειδοποιήσεις push ή το περιεχόμενο chatbot.

Μπορείτε να χρησιμοποιήσετε αυτές τις υπάρχουσες τεχνολογίες ως απόδειξη χαμηλής επένδυσης.

Έτσι, από τη στιγμή που ζητάτε πρόσθετους πόρους και προϋπολογισμούς, τα στελέχη σας είναι ήδη πλήρως ενσωματωμένα.

Όταν ψάχνετε για ένα νέο εργαλείο, προσέξτε τα τσιτάτα.

Πολλές λύσεις τεχνητής νοημοσύνης δεν είναι στην πραγματικότητα τόσο έξυπνες.Ακόμη και όταν υπάρχουν οι λέξεις "AI" ή "machine learning" ακριβώς εκεί στην περιγραφή του προϊόντος.

Ορισμένα εργαλεία χρησιμοποιούν ξεδιάντροπα αυτούς τους όρους για να περιγράψουν συνηθισμένες δυνατότητες αυτοματισμού ή στόχευσης.

Τώρα που έχετε μια βαθύτερη κατανόηση του τι είναι πραγματικά η τεχνητή νοημοσύνη, βάλτε αυτούς τους πωλητές με τους ρυθμούς τους.

Εάν ο πωλητής δεν μπορεί να εξηγήσει λεπτομερώς πώς λειτουργεί το AI, μην το αγοράσετε.Εάν φαίνεται πολύ καλό για να είναι αληθινό, μην το αγοράσετε.

Επειδή, λυπάμαι που το λέω, δεν υπάρχει πλατφόρμα τεχνητής νοημοσύνης μάρκετινγκ που να συνδυάζει τα πάντα σε μία και μόνο μηνιαία συνδρομή.

Αυτό συμβαίνει επειδή η τεχνητή νοημοσύνη είναι περιορισμένη στις δυνατότητές της και πρέπει να έχει κατασκευαστεί ειδικά για να λύσει ένα, καλά καθορισμένο πρόβλημα.

Αυτός είναι ο λόγος για τον οποίο πρέπει πρώτα να επιλέξετε τη σωστή περίπτωση χρήσης – καθώς κάθε περίπτωση χρήσης πιθανότατα θα χρειαστεί το δικό της εργαλείο.

Αλλά αυτό που μπορείτε να κάνετε είναι να αρχίσετε να χτίζετε τη δική σας τεχνητή νοημοσύνη.

Η τεχνολογία AI γίνεται πιο προσιτή και προσβάσιμη επειδή εταιρείες όπως η Google, η Amazon, η IBM και η SalesForce προσφέρουν τους αλγόριθμούς τους στον κόσμο.

Ορισμένες υπηρεσίες τρίτων είναι ανοιχτού κώδικα, άλλες πληρώνονται για να παίξουν – αλλά όλες δίνουν ένα εφαλτήριο από όπου μπορείτε να προσαρμόσετε τη δική σας λύση.

Ειδικά αν προσφέρουν πρόσβαση σε πρόσθετα σύνολα δεδομένων για να τοποθετήσετε τα δικά σας δεδομένα πρώτου μέρους, κάνοντας την εφαρμογή AI πιο ισχυρή.

Λόγος 4: Ποιότητα Πηγών Δεδομένων

Τα καλύτερα εργαλεία τεχνητής νοημοσύνης και τα καλύτερα ταλέντα στον κόσμο δεν θα αποδώσουν αποτελέσματα εάν χάνετε το πιο κρίσιμο στοιχείο για τη μηχανική μάθηση – δεδομένα υψηλής ποιότητας για την ενημέρωση του αλγόριθμου εκμάθησης.

Η ποιότητα των δεδομένων είναι ίσως η μεγαλύτερη πρόκληση που θα αντιμετωπίσετε κατά την εφαρμογή της τεχνητής νοημοσύνης.

Όπως σημειώνει το eMarketer, τα δεδομένα είναι συχνά παλιά ή σε σιλό ή απλώς δεν έχουμε αρκετά αρχικά.

Και δεν αφιερώνουμε πόρους για να το διορθώσουμε.

Το πρόβλημα είναι ότι η τροφοδοσία κακών δεδομένων σε έναν καλό αλγόριθμο μηχανικής εκμάθησης δεν θα δώσει τις σωστές απαντήσεις.

Χωρίς αυτή την κατανόηση ότι τα δεδομένα είναι κρίσιμης σημασίας, είναι πιθανό να κατηγορήσετε τα κακά αποτελέσματα στην τεχνητή νοημοσύνη.

Υπάρχουν πράγματα που πρέπει να κάνουμε εμείς οι επαγγελματίες του μάρκετινγκ για να οδηγήσουμε σε δεδομένα που μπορούν να γίνουν πράξη.

  • Πότε ήταν η τελευταία φορά που κάνατε έλεγχο στο Google Analytics;
  • Έχετε εφαρμόσει δομημένη σήμανση και ετικέτες περιεχομένου;
  • Χρησιμοποιείτε σενάρια επαναληπτικού μάρκετινγκ για τη συλλογή περισσότερων δεδομένων χρήστη;
  • Υποστηρίζετε τη συλλογή δεδομένων που μπορούν να χρησιμοποιηθούν για την αναγνώριση χρηστών σε συσκευές και κανάλια, όπως διευθύνσεις email;
  • Έχετε ενσωματώσει τα εργαλεία μάρκετινγκ με την Πλατφόρμα Διαχείρισης Δεδομένων (DMP);

Πρέπει να εστιάσετε σε αυτούς τους τομείς τώρα, γιατί το καλό μάρκετινγκ τεχνητής νοημοσύνης εξαρτάται από την ύπαρξη δεδομένων με δυνατότητα δράσης που είναι δομημένα, ενσωματωμένα μέσω ενός κοινού αναγνωριστικού, άφθονα και (το πιο σημαντικό) ακριβή.

Κοιτάζοντας το Μέλλον

Η τεχνητή νοημοσύνη αλλάζει τη συμπεριφορά των καταναλωτών.

Οι καταναλωτές πλήττονται με πάρα πολλές πληροφορίες κάθε μέρα.

Δεν θέλουν να ξοδεύουν χρόνο αξιολογώντας όλες τις επιλογές.Αναθέτουν λοιπόν.

Σκεφτείτε τι ελέγχεται ήδη από την τεχνητή νοημοσύνη.

  • Οι κοινωνικοί αλγόριθμοι επηρεάζουν τις επωνυμίες με τις οποίες αλληλεπιδρούμε.
  • Οι ψηφιακοί χάρτες καθορίζουν ποιες διαδρομές ακολουθούμε ή προτείνουν κοντινά μέρη για επίσκεψη.
  • Οι μηχανές συστάσεων διαμορφώνουν την ευαισθητοποίηση και επηρεάζουν τις αγορές.
  • Ένα AI μπορεί ακόμη και να καθορίσει ποιον θα παντρευτείτε.Με βάση το σάρωμά σας προς τα αριστερά και προς τα δεξιά, ο αλγόριθμος στην εφαρμογή γνωριμιών σας επιλέγει το ταίρι σας.

Οι αλγόριθμοι θα γίνουν οι νέοι θυρωροί, μέσω συσκευών όπως οι ψηφιακοί προσωπικοί βοηθοί.

Και το μέλλον της επιχείρησής σας εξαρτάται από την ικανότητά σας να επηρεάζετε τα AI που κάνουν τις συστάσεις προς τους ανθρώπους, αν όχι ολόκληρη την απόφαση.

Σκέψου το.Όταν ένας πελάτης ζητά από το Google Home ή την Alexa του να «παραγγείλει cookies», είναι η τεχνητή νοημοσύνη που αποφασίζει για την επωνυμία.

Πρέπει να καταλάβετε πώς λαμβάνεται αυτή η απόφαση.Αντιμετωπίστε τους αλγόριθμους σαν ένα νέο κοινό.Κατανοήστε τις ανάγκες τους.

Ξεκινήστε το μάρκετινγκ σε μηχανές με μηχανές.

Περισσότεροι πόροι:


Πιστώσεις εικόνας

Προτεινόμενες & In-Post Εικόνες: Δημιουργήθηκε από τον συγγραφέα, Απρίλιος 2020
Όλα τα στιγμιότυπα οθόνης που λαμβάνονται από τον συγγραφέα, Απρίλιος 2020