Sitemap

Введение в искусственный интеллект в маркетинге

Маркетинг с искусственным интеллектом.Звучит прикольно.

И в этом проблема.

Этот термин используется в рекламе маркетинговых инструментов, гуру маркетинга и раздувается средствами массовой информации.

Тем не менее, конкретное определение неуловимо.

Для многих ИИ — это загадка, окруженная модными словечками.

Но ирония заключается в том, что, несмотря на то, что шумиха преувеличивает возможности ИИ в ближайшие годы, реальность того, как ИИ уже сегодня используется в маркетинге, часто недооценивается.

  • Facebook использует распознавание лиц, чтобы рекомендовать, кого отметить на фотографиях.
  • Google использует глубокое обучение для ранжирования результатов поиска.
  • Netflix использует машинное обучение для персонализации рекомендаций.
  • Amazon использует обработку естественного языка для Alexa.
  • The Washington Post использует генерацию естественного языка для написания статей на основе данных.

Ваша жизнь уже автоматизирована, и ваш маркетинг тоже может быть автоматизирован.

Что такое искусственный интеллект?

Лучший способ понять искусственный интеллект — это обобщить его.

Он используется для описания набора уникальных, но связанных технологий, которые могут имитировать человеческие способности.

Это не какая-то особенная волшебная технология, которая может все.

А набор отдельных инструментов с реальными возможностями, но находящихся на разных стадиях разработки.

Из этих различных подмножеств ИИ есть несколько, которые прямо сейчас особенно применимы к маркетингу.

  • Компьютерное зрение, которое позволяет ИИ видеть.Это приводит к обнаружению объектов, распознаванию лиц и визуальному прослушиванию в социальных сетях.
  • Обработка естественного языка (NLP), которая позволяет ИИ слышать и говорить, предоставляя нам чат-ботов, семантический анализ, генерацию контента и возможности голосового поиска.
  • Машинное обучение позволяет ИИ изучать данные о том, как постепенно повышать производительность при выполнении конкретной задачи с течением времени, без явного программирования того, что делать.Это дает нам рекомендации по контенту, похожую аудиторию, программную рекламу и оценку лидов.

Способность к самосовершенствованию, обеспечиваемая машинным обучением, является наиболее важной частью ИИ для маркетологов.

Автоматизация не равна машинному обучению

Может быть, вы думаете, что справились со всем этим маркетингом ИИ, потому что у вас есть дорогой инструмент автоматизации маркетинга.

Давайте проясним одну вещь:

Автоматизация — это не машинное обучение.

Автоматизация — это набор инструкций, которые сообщают машине, что делать, чтобы получить определенный результат.

Вам все еще нужно разработать и ввести маркетинговую логику.

Машинное обучение позволяет совершенствоваться на основе опыта, поэтому машина учится, что делать, чтобы получить желаемый результат.

Машина не ограничивается чистым исполнением, она также заботится об оптимизации.

По сути, автоматизация повторяет то, что вы делаете сейчас.Это экономит время, но не оказывает прямого влияния на KPI.

С другой стороны, машинное обучение не только сэкономит ваше время, но и улучшит текущую тактику для постоянного повышения KPI.

Так почему же мы не используем эту технологию?

Давайте рассмотрим четыре основные причины, по которым маркетологи не решаются внедрять приложения ИИ, и способы их преодоления.

Причина 1: Отсутствие технических навыков

Хотя многие маркетологи считают, что им не хватает технических навыков для внедрения ИИ.

Этого не должно быть.

Реальность такова, что вы уже знаете все, что нужно для начала.

Существует разница между исследованиями в области машинного обучения, которые направлены на создание лучших алгоритмов и являются прерогативой специалистов по данным, и прикладным машинным обучением, которое использует алгоритмы для решения бизнес-задач, что и нужно делать маркетологам.

Подумайте об этом таким образом:

Вы можете не до конца понимать науку о том, как работает микроволновая печь.Но это не мешает вам использовать его для приготовления пищи.

  • Компании без специалистов по данным все еще могут выбирать лучшие данные (лучшие ингредиенты).
  • Поместите эту информацию в алгоритмы с открытым исходным кодом (прибор).
  • Создавать модели (рецепты).
  • Это позволяет делать прогнозы — иначе говоря, применять маркетинговую тактику (блюдо).
  • Качество которых мы можем оценить путем тестирования (дегустации).

А если блюдо невкусное, можно изменить рецепт, или купить плиту, или получить более качественные ингредиенты.

Вы не станете лучшим поваром, узнав больше о науке о том, как работает микроволновая печь.

Вы не станете лучшим маркетологом, исследуя тонкости науки о данных.

Лучший способ научиться готовить — просто начать.

Лучший способ для маркетологов решить нашу проблему масштаба — развернуть любой вариант использования ИИ.

Причина 2: Страх перед нашей работой

Некоторые команды не хотят запускать инициативы в области ИИ, поскольку опасаются, что это вызовет следующую промышленную революцию, и они останутся без работы — это, естественно, вызывает сильное сопротивление.

Если вы не планируете уйти на пенсию в ближайшие 5 лет, искусственный интеллект существенно повлияет на вашу карьеру в маркетинге.Но это не значит, что вас заменит маркетинговый робот.

Ваша работа изменится с выполнения повторяющихся задач на обучение ИИ выполнять эти задачи за вас.

Позволяет вам реинвестировать свое время в творчество и стратегию.

Но что на самом деле включает в себя обучение ИИ?

Потому что это звучит очень технично.

Наиболее распространенным методом обучения для маркетинговых сценариев использования является контролируемое обучение.

Это включает в себя две фазы.

Во-первых, это начальный учебный процесс.

Допустим, у вас есть 1 миллион отзывов клиентов.

Ни один человек не смог бы прочитать их все, поэтому вы хотите использовать машинное обучение, чтобы понять настроение, классифицируя отзыв как положительный, нейтральный или отрицательный.

Для этого возьмите выборку этих обзоров и пометьте каждый из них одной из трех ваших классификаций.

Затем введите эти обучающие данные в свой алгоритм машинного обучения.

Чем больше у него данных, тем лучше он будет распознавать закономерности и со временем тем надежнее он сможет самостоятельно классифицировать настроение отзывов.

Чтобы проверить его возможности, вместо того, чтобы скармливать ему помеченные данные, введите необработанные данные и оцените качество результатов.

Часто, если вы хорошо выполнили начальный процесс обучения, он уже сможет правильно классифицировать большую часть данных.

И вы можете перейти ко второй фазе; текущий учебный процесс.

Где на регулярной основе вы бы переименовывали любые ошибки, чтобы научить алгоритм тому, что он сделал неправильно, позволяя ему постоянно улучшаться.

Возможно, вы уже обучали алгоритмам, даже не подозревая об этом.

Кто заполнил капчу Google на основе изображения, пометил электронное письмо как не спам или отметил поддельные новости в публикации Facebook.

Каждым из этих действий вы доказывали ручную проверку, добавляли метки и обучали алгоритмам.

Думайте о запуске алгоритма машинного обучения, как о найме нового младшего маркетолога.

День, когда вы сядете на его борт, станет худшим днем, который он когда-либо будет выполнять.

Он сделает работу, но будет делать ошибки, поэтому вам нужно контролировать результаты, исправляя их по мере необходимости.

Чем дольше он работает, тем лучше он становится и тем больше времени у вас остается на реинвестирование в масштабирование других маркетинговых каналов.

Но, в отличие от человека, машины всегда рады выполнять одну и ту же очень узкую работу — будь то классификация отзывов, корректировка ставок для рекламы, публикация в социальных сетях или прогнозирование роста.

Вы не передаете управление маркетингом машине.

Вы учите их, как собирать необходимую вам информацию или как выполнять определенный элемент вашей маркетинговой стратегии.

И ИИ предлагает совершенно новый уровень масштабирования.

Классифицировать 1 миллион отзывов — не проблема для алгоритма машинного обучения.

Более того, из-за такого масштаба он может дать информацию, которая в противном случае была бы недоступна.

То, что вы решите делать с этими знаниями, и станет решающим для успеха.

Именно на эти стратегические вопросы маркетологи должны тратить время.

Причина 3: вложение ресурсов и бюджета

Руководители часто обеспокоены усилиями по внедрению и затратами на приложения ИИ.

Поэтому лучше всего начать не с просьб о большем бюджете и ресурсах, а с вопроса себе, полностью ли вы используете то, за что уже платите?

Рассмотрите возможности ИИ вашего текущего набора маркетинговых инструментов.

Платформы автоматизации маркетинга, такие как HubSpot, CRM, такие как SalesForce, и рекламные инструменты, такие как Google Ads и Facebook Ads, включают искусственный интеллект в свои системы.

Если вы являетесь клиентом одного из этих решений, их группы поддержки могут стать ценным ресурсом для начала внедрения ИИ в вашей организации, поскольку вы можете учиться на их знаниях и опыте.

Это отличный способ начать наращивать компетенцию вашей команды в приложениях ИИ практически без дополнительных затрат.

А как насчет возможностей ИИ вашего текущего стека технологий?

Технологии искусственного интеллекта основаны не на каналах, а на сценариях использования.

Итак, если на вашем веб-сайте работает система рекомендаций, почему бы не использовать этот алгоритм машинного обучения для улучшения персонализации вашей рассылки по электронной почте, push-уведомлений или содержимого чат-бота.

Вы можете использовать эти существующие технологии в качестве доказательства концепции с низкими инвестициями.

Таким образом, к тому времени, когда вы запрашиваете дополнительные ресурсы и бюджеты, ваши руководители уже полностью готовы к этому.

Когда вы ищете новый инструмент, остерегайтесь модных словечек.

Многие решения ИИ на самом деле не такие умные.Даже если в описании продукта есть слова «ИИ» или «машинное обучение».

Некоторые инструменты беззастенчиво используют эти термины для описания обычных возможностей автоматизации или таргетинга.

Теперь, когда у вас есть более глубокое понимание того, что на самом деле представляет собой ИИ, попробуйте проверить этих продавцов.

Если продавец не может подробно объяснить, как работает ИИ, не покупайте его.Если это кажется слишком хорошим, чтобы быть правдой, не покупайте это.

Потому что, к сожалению, не существует маркетинговой платформы искусственного интеллекта, которая аккуратно объединяет все в одну ежемесячную подписку.

Это связано с тем, что возможности ИИ ограничены, и он должен быть специально создан для решения одной четко определенной проблемы.

Вот почему вам нужно сначала выбрать правильный вариант использования, поскольку для каждого варианта использования, вероятно, потребуется свой собственный инструмент.

Но что вы можете сделать, так это начать создавать свой собственный искусственный интеллект.

Технология искусственного интеллекта становится все более доступной и доступной, потому что такие компании, как Google, Amazon, IBM и SalesForce, предлагают миру свои алгоритмы.

Некоторые сторонние сервисы имеют открытый исходный код, другие платные, но все они дают плацдарм, с которого вы можете настроить свое собственное решение.

Особенно, если они предлагают доступ к дополнительным наборам данных для наложения на ваши собственные данные 1-й стороны, что делает ваше приложение ИИ более мощным.

Причина 4: качество источников данных

Самые лучшие в мире инструменты и таланты искусственного интеллекта не дадут результатов, если вам не хватает самого важного компонента машинного обучения — высококачественных данных для информирования алгоритма обучения.

Качество данных, вероятно, является самой большой проблемой, с которой вы столкнетесь при внедрении ИИ.

Как отмечает eMarketer, данные часто устарели, разрознены или их просто недостаточно.

И мы не выделяем ресурсы, чтобы исправить это.

Проблема в том, что ввод неверных данных в хороший алгоритм машинного обучения не даст правильных ответов.

Без этого понимания того, что данные имеют решающее значение, вы, вероятно, будете винить в плохих результатах ИИ.

Есть вещи, которые мы, маркетологи, должны делать, чтобы получать данные, которые можно использовать.

  • Когда вы в последний раз проводили аудит Google Analytics?
  • Внедрили ли вы структурированную разметку и теги контента?
  • Используете ли вы сценарии ремаркетинга для сбора большего количества пользовательских данных?
  • Поддерживаете ли вы сбор данных, которые можно использовать для идентификации пользователей на разных устройствах и каналах, например адресов электронной почты?
  • Интегрированы ли ваши маркетинговые инструменты с вашей платформой управления данными (DMP)?

Вам нужно сосредоточиться на этих областях сейчас, потому что хороший маркетинг ИИ зависит от наличия действенных данных, которые структурированы, интегрированы с помощью общего идентификатора, многочисленны и (что наиболее важно) точны.

Взгляд в будущее

Искусственный интеллект меняет поведение потребителей.

Потребители ежедневно получают слишком много информации.

Они не хотят тратить время на оценку всех вариантов.Так они делегируют.

Подумайте о том, что уже контролируется ИИ.

  • Социальные алгоритмы влияют на то, с какими брендами мы взаимодействуем.
  • Цифровые карты определяют, какие маршруты мы выбираем, или предлагают места поблизости для посещения.
  • Механизмы рекомендаций формируют осведомленность и влияют на покупки.
  • ИИ может даже определить, на ком вы женитесь.На основе вашего свайпа влево и вправо алгоритм вашего приложения для знакомств выбирает вашу пару.

Алгоритмы станут новыми привратниками с помощью таких устройств, как цифровые персональные помощники.

И будущее вашего бизнеса зависит от вашей способности влиять на ИИ, который дает рекомендации людям, если не на все решения.

Подумай об этом.Когда клиент просит свой Google Home или Alexa «заказать мне печенье», решение о бренде принимает ИИ.

Вы должны понимать, как принимается это решение.Относитесь к алгоритмам как к новой аудитории.Поймите их потребности.

Начните продавать машины с помощью машин.

Дополнительные ресурсы:


Кредиты изображений

Рекомендуемые изображения и изображения в постах: создано автором, апрель 2020 г.
Все скриншоты сделаны автором, апрель 2020 г.