Sitemap

Een inleiding tot kunstmatige intelligentie in marketing

Marketing met kunstmatige intelligentie.Klinkt chique.

En dat is het probleem.

De term wordt rondgestrooid in reclameteksten van marketingtools, door marketinggoeroes en gehyped door de media.

Een concrete definitie is echter ongrijpbaar.

Voor velen is AI een raadsel omringd door modewoorden.

Maar de ironie is, hoezeer de hype ook heeft overdreven wat AI in de komende jaren zou kunnen doen, de realiteit van hoe AI tegenwoordig al in marketing wordt gebruikt, wordt vaak onvoldoende erkend.

  • Facebook gebruikt gezichtsherkenning om aan te bevelen wie in foto's moet worden getagd.
  • Google gebruikt deep learning om zoekresultaten te rangschikken.
  • Netflix gebruikt machine learning om aanbevelingen te personaliseren.
  • Amazon gebruikt natuurlijke taalverwerking voor Alexa.
  • The Washington Post gebruikt natuurlijke taalgeneratie om datagestuurde artikelen te schrijven.

Uw leven wordt al door machines ondersteund, en uw marketing kan dat ook zijn.

Wat is kunstmatige intelligentie?

De beste manier om kunstmatige intelligentie te begrijpen is als een overkoepelende term.

Het wordt gebruikt om een ​​reeks unieke, maar verwante technologieën te beschrijven die menselijke capaciteiten kunnen simuleren.

Het is niet een enkele magische technologie die alles kan.

Maar een set van individuele tools met echte mogelijkheden, maar die zich in verschillende stadia van ontwikkeling bevinden.

Van deze verschillende subsets van AI zijn er een paar die op dit moment met name van toepassing zijn op marketing.

  • Computervisie waarmee AI kan zien.Dit leidt tot objectdetectie, gezichtsherkenning en visueel luisteren op sociale media.
  • Natuurlijke taalverwerking (NLP) waarmee AI kan horen en spreken - wat ons chatbots, semantische analyse, het genereren van inhoud en spraakgestuurde zoekmogelijkheden geeft.
  • Machine learning stelt AI in staat om met gegevens te leren hoe de prestaties van een specifieke taak in de loop van de tijd progressief kunnen worden verbeterd, zonder dat expliciet wordt geprogrammeerd wat te doen.Dit geeft ons inhoudsaanbevelingen, vergelijkbare doelgroepen, programmatic advertising en leadscores.

Het vermogen tot zelfverbetering door machine learning is de meest kritische subset van AI voor marketeers.

Automatisering is niet hetzelfde als machinaal leren

Misschien denk je dat je dit hele AI-marketingding onder de knie hebt omdat je een dure marketingautomatiseringstool hebt.

Laten we één ding glashelder maken:

Automatisering is geen machine learning.

Automatisering is een reeks instructies die een machine vertelt wat te doen om een ​​gespecificeerd resultaat te produceren.

Je moet nog steeds marketinglogica ontwerpen en invoeren.

Machine learning stelt het in staat om door ervaring te verbeteren, zodat de machine leert wat hij moet doen om het gewenste resultaat te bereiken.

De machine beperkt zich niet tot pure uitvoering, maar zorgt ook voor optimalisatie.

In de kern repliceert automatisering wat u nu doet.Het bespaart tijd maar heeft weinig directe impact op KPI's.

Aan de andere kant zal machine learning u niet alleen tijd besparen, maar ook de huidige tactieken verbeteren om voortdurend KPI's op te drijven.

Dus waarom maken we geen gebruik van deze technologie?

Laten we eens kijken naar de vier belangrijkste redenen waarom marketeers aarzelen om toepassingen van AI te adopteren en hoe ze deze kunnen overwinnen.

Reden 1: Gebrek aan technische vaardigheden

Hoewel veel marketeers het gevoel hebben dat ze niet over de technische vaardigheden beschikken om AI te adopteren.

Dit hoeft niet het geval te zijn.

De realiteit is dat je al alles weet wat je nodig hebt om aan de slag te gaan.

Er is een verschil tussen onderzoek naar machine learning, dat draait om het bouwen van betere algoritmen en voorbehouden is aan datawetenschappers, en toegepaste machine learning, waarbij algoritmen worden gebruikt om zakelijke problemen op te lossen, wat marketeers moeten doen.

Denk er zo over na:

Je begrijpt misschien niet helemaal de wetenschap achter hoe een magnetron werkt.Maar dat weerhoudt je er niet van om het te gebruiken om te koken.

  • Bedrijven zonder datawetenschappers kunnen toch kiezen voor de beste data (beste ingrediënten).
  • Zet deze informatie in open-source algoritmen (het apparaat).
  • Modellen maken (de recepten).
  • Dat levert voorspellingen op - ook bekend als marketingtactieken (het gerecht).
  • De kwaliteit hiervan kunnen we beoordelen door te testen (proeven).

En als het gerecht niet lekker is, kun je het recept aanpassen, een fornuis kopen of ingrediënten van betere kwaliteit krijgen.

Je wordt geen betere kok door meer te leren over de wetenschap achter hoe een magnetron werkt.

Je wordt geen betere marketeer door de fijne kneepjes van data science te onderzoeken.

De beste manier om te leren koken, is door gewoon te beginnen.

De beste manier voor marketeers om ons schaalprobleem op te lossen, is door elke use case van AI uit te rollen.

Reden 2: Angst voor onze banen

Sommige teams willen geen AI-initiatieven starten omdat ze bang zijn dat dit de volgende industriële revolutie zal veroorzaken en dat ze werkloos zullen zijn - dit veroorzaakt natuurlijk veel weerstand.

Tenzij u van plan bent om in de komende 5 jaar met pensioen te gaan, zal kunstmatige intelligentie een aanzienlijke invloed hebben op uw carrière in marketing.Maar dit betekent niet dat je wordt vervangen door een marketingrobot.

Je taak zal veranderen van het uitvoeren van repetitieve taken naar het leren van AI om die taken voor je te doen.

Zodat u uw tijd kunt herinvesteren in creativiteit en strategie.

Maar wat houdt het aanleren van een AI eigenlijk in?

Want het klinkt heel technisch.

De meest gebruikelijke trainingsmethode voor gebruiksscenario's voor marketing is begeleid leren.

Dit omvat twee fasen.

De eerste is het initiële leerproces.

Stel dat u 1 miljoen klantrecensies heeft.

Geen mens zou ze allemaal kunnen lezen, dus u wilt machine learning gebruiken om het sentiment te begrijpen en de recensie als positief, neutraal of negatief te classificeren.

Om dit te bereiken, neemt u een steekproef van die beoordelingen en labelt u ze elk met een van uw drie classificaties.

Voer deze trainingsgegevens vervolgens in uw machine learning-algoritme in.

Hoe meer gegevens het heeft, hoe beter het patronen zal herkennen en hoe betrouwbaarder het in de loop van de tijd in staat zal zijn om het sentiment van beoordelingen op zichzelf te classificeren.

Om zijn capaciteiten te testen, in plaats van het invoeren van gelabelde gegevens, voert u de onbewerkte gegevens in en beoordeelt u de kwaliteit van de resultaten.

Als je het initiële leerproces goed hebt gedaan, kan het vaak al een groot deel van de gegevens correct classificeren.

En je kunt doorgaan naar de tweede fase; het lopende leerproces.

Waar u op regelmatige basis eventuele fouten opnieuw zou labelen om het algoritme te leren wat het verkeerd heeft gedaan, waardoor het voortdurend kan verbeteren.

Je hebt misschien al algoritmen aangeleerd zonder het te weten.

Die een op afbeeldingen gebaseerde Google-captcha heeft ingevuld, een e-mail heeft gemarkeerd als geen spam of nepnieuws heeft gemarkeerd in een Facebook-bericht.

Met elk van deze acties bewees je handmatige verificatie, het toevoegen van labels en het aanleren van de algoritmen.

Denk aan het lanceren van een machine learning-algoritme, zoals het inhuren van een nieuwe junior marketeer.

De dag dat je aan boord gaat, is de slechtste dag die hij ooit zal presteren.

Het zal het werk doen, maar het zal fouten maken, dus u moet toezicht houden op de resultaten en indien nodig corrigeren.

Hoe langer het werkt, hoe beter het wordt en hoe meer tijd je hebt om opnieuw te investeren in het opschalen van andere marketingkanalen.

Maar in tegenstelling tot een mens doen machines graag voor altijd hetzelfde, zeer beperkte werk - of dat nu het classificeren van beoordelingen is, het aanpassen van advertentiebiedingen, posten op sociale media of het voorspellen van groei.

Je geeft de controle over marketing niet uit handen aan een machine.

Je leert ze hoe ze de informatie kunnen verzamelen die je nodig hebt of hoe ze een specifiek onderdeel van je marketingstrategie kunnen uitvoeren.

En AI biedt een geheel nieuw schaalniveau.

Het classificeren van 1 miljoen beoordelingen is geen probleem voor een machine learning-algoritme.

Bovendien kan het door deze schaal inzichten opleveren die anders niet beschikbaar zouden zijn.

Wat u kiest om met die inzichten te doen, is wat cruciaal wordt voor succes.

Die strategische vragen zijn waar marketeers tijd aan zouden moeten besteden.

Reden 3: Investering van middelen en budget

Leidinggevenden maken zich vaak zorgen over de implementatie-inspanningen en kosten voor AI-toepassingen.

Dus de beste plaats om te beginnen is niet door om meer budget en middelen te vragen, maar door jezelf af te vragen: benut je volledig waar je al voor betaalt?

Overweeg de AI-mogelijkheden van uw huidige marketingtoolset.

Marketingautomatiseringsplatforms zoals HubSpot, CRM's zoals SalesForce en advertentietools zoals Google Ads en Facebook Ads hebben allemaal AI in hun systemen geïntegreerd.

Als u klant bent van een van deze oplossingen, kunnen hun ondersteuningsteams een waardevolle hulpbron zijn om te beginnen met de AI-implementatie van uw organisatie, aangezien u kunt leren van hun inzichten en ervaring.

Het is een geweldige manier om te beginnen met het opbouwen van uw teamcompetentie in AI-toepassingen voor weinig tot geen extra kosten.

En hoe zit het met de AI-mogelijkheden van uw huidige tech-stack?

AI-technologieën zijn niet kanaalgebaseerd, ze zijn gebaseerd op gebruiksscenario's.

Dus als u een aanbevelingsengine op uw website heeft, waarom gebruikt u dit machine learning-algoritme dan niet om de personalisatie voor uw e-mailnieuwsbrief, pushmeldingen of chatbotinhoud te verbeteren.

U kunt deze bestaande technologieën gebruiken als proof of concept met een lage investering.

Dus tegen de tijd dat u om extra middelen en budgetten vraagt, zijn uw leidinggevenden al volledig aan boord.

Als u op zoek bent naar een nieuwe tool, pas dan op voor modewoorden.

Veel AI-oplossingen zijn eigenlijk niet zo intelligent.Zelfs als er de woorden "AI" of "machine learning" in de productbeschrijving staan.

Sommige tools gebruiken deze termen schaamteloos om alledaagse automatisering of targetingmogelijkheden te beschrijven.

Nu je een beter begrip hebt van wat AI werkelijk is, kun je die verkopers op de proef stellen.

Als de leverancier niet in detail kan uitleggen hoe de AI werkt, koop hem dan niet.Als het te mooi lijkt om waar te zijn, koop het dan niet.

Omdat, het spijt me te moeten zeggen, er geen marketing-AI-platform is dat alles netjes bundelt in een enkel maandelijks abonnement.

Dat komt omdat AI beperkt is in zijn mogelijkheden en speciaal moet worden gebouwd om één goed gedefinieerd probleem op te lossen.

Daarom moet u eerst de juiste use-case kiezen, aangezien elke use-case waarschijnlijk zijn eigen tool nodig heeft.

Maar wat u wel kunt doen, is beginnen met het bouwen van uw eigen kunstmatige intelligentie.

AI-technologie wordt betaalbaarder en toegankelijker omdat bedrijven als Google, Amazon, IBM en SalesForce hun algoritmen aan de wereld aanbieden.

Sommige services van derden zijn open-source, andere zijn betalend om te spelen, maar ze bieden allemaal een springplank van waaruit u uw eigen oplossing kunt aanpassen.

Vooral als ze toegang bieden tot extra datasets om op je eigen 1st party data te stapelen, waardoor je AI-applicatie krachtiger wordt.

Reden 4: kwaliteit van gegevensbronnen

De allerbeste AI-tools en -talenten ter wereld zullen geen resultaten opleveren als u het meest cruciale onderdeel voor machine learning mist: hoogwaardige gegevens om het leeralgoritme te informeren.

Gegevenskwaliteit is waarschijnlijk de grootste uitdaging waarmee u te maken krijgt bij het implementeren van AI.

Zoals eMarketer opmerkt, zijn gegevens vaak oud, of zitten ze in silo's of hebben we er gewoon niet genoeg.

En we besteden geen middelen om dit op te lossen.

Het probleem is dat het invoeren van slechte gegevens in een goed algoritme voor machine learning niet de juiste antwoorden geeft.

Zonder dit begrip dat gegevens van cruciaal belang zijn, geeft u de AI waarschijnlijk de schuld van de slechte resultaten.

Er zijn dingen die wij marketeers zouden moeten doen om bruikbare data te verkrijgen.

  • Wanneer heeft u voor het laatst een Google Analytics-audit gedaan?
  • Heeft u gestructureerde markup en content tagging geïmplementeerd?
  • Gebruikt u remarketingscripts om meer gebruikersgegevens te verzamelen?
  • Ondersteunt u het verzamelen van gegevens die kunnen worden gebruikt om gebruikers op verschillende apparaten en kanalen te identificeren, zoals e-mailadressen?
  • Heeft u uw marketingtools geïntegreerd met uw Data Management Platform (DMP)?

Je moet je nu op deze gebieden concentreren, want goede AI-marketing hangt af van het hebben van bruikbare gegevens die gestructureerd, geïntegreerd via een gemeenschappelijke identifier, overvloedig en (het belangrijkst) nauwkeurig zijn.

Kijken naar de toekomst

Kunstmatige intelligentie verandert het consumentengedrag.

Consumenten krijgen dagelijks te veel informatie binnen.

Ze willen geen tijd besteden aan het evalueren van alle opties.Dus delegeren ze.

Denk na over wat al wordt gecontroleerd door AI.

  • Sociale algoritmen beïnvloeden met welke merken we omgaan.
  • Digitale kaarten bepalen welke routes we nemen of suggereren plaatsen in de buurt om te bezoeken.
  • Aanbevelingsmotoren geven vorm aan bewustzijn en beïnvloeden aankopen.
  • Een AI kan zelfs bepalen met wie je trouwt.Op basis van je swipe naar links en rechts kiest het algoritme in je datingapp jouw match.

Algoritmen zullen de nieuwe poortwachters worden, via apparaten zoals digitale persoonlijke assistenten.

En de toekomst van uw bedrijf hangt af van uw vermogen om de AI's te beïnvloeden die de aanbevelingen aan de mensen doen, zo niet de hele beslissing.

Denk er over na.Wanneer een klant zijn Google Home of Alexa vraagt ​​om "cookies voor mij te bestellen", is het de AI die over het merk beslist.

Je moet begrijpen hoe die beslissing wordt genomen.Behandel algoritmen als een nieuw publiek.Begrijp hun behoeften.

Start marketing naar machines met machines.

Meer middelen:


Afbeeldingscredits

Uitgelichte en in-post afbeeldingen: Gemaakt door auteur, april 2020
Alle screenshots gemaakt door auteur, april 2020