preloader

Uczenie maszynowe w komunikacji marketingowej. Wprowadzenie.

“Komputery są bezużyteczne. One mogą dawać tylko odpowiedzi”. Tak sugerował Pablo Picasso. Co się zmieniło od tamtych czasów i do czego komputery “ewentualnie” mogą nam służyć? ;) 

Ewolucja człowieka pociągnęła za sobą ewolucję technologiczną. Człowiek dostosowując świat do siebie szuka optymalnych rozwiązań, a co za tym idzie jest bardziej wymagający co do rozwiązań związanych z komputeryzacją. Już nie tylko oczekuje od komputera, że będzie wykonywał co mu się każe, ale wykaże się pewnego rodzaju “kreatywnością”. 

 

Czy takie podejście ma już odzwierciedlenie w rzeczywistych działaniach?


Odpowiedzią może być uczenie maszynowe. Jest to proces dzięki któremu, komputer, za pomocą algorytmów, może nauczyć się pewnych zachowań tłumacząc je na dane i adaptując wiedzę, przewidzieć efekty działań. Takie interdyscyplinarne podejście otwiera nowe możliwości, które mogą być wykorzystane w wielu dziedzinach. W drodze do odkrycia naczelnego algorytmu, ukształtowało się 5 głównych nurtów:

  1. Symboliści – uznają uczenie się za przeciwieństwo dedukcji i zapożyczają koncepcje z filozofii, psychologii i logiki.
  2. Koneksjoniści – odtwarzają procesu zachodzące w mózgu, a ich inspiracjami są neurologia i fizyka.
  3. Ewolucjoniści – symulują ewolucję w komputerach i posiłkują się genetyką oraz biologią ewolucyjną.
  4. Zwolennicy uczenia bayesowskiego – uważają, że uczenie się jest formą wnioskowania statystycznego.
  5. Analogiści – uczą się przez ekstrapolację z oceny podobieństwa, a znaczenie mają dla nich psychologia i optymalizacja matematyczna.

W zależności od dziedziny w której sztuczna inteligencja ma wesprzeć proces decyzyjny, możemy stosować adekwatne rozwiązania. Dzisiaj skupimy się na marketingu opartym na wiedzy.

Biorąc pod uwagę customer journey możemy rozróżnić 4 główne etapy w komunikacji z klientem:

  1. reach
  2. act
  3. convert
  4. engage

Najbardziej adekwatne rozwiązanie odpowiadające na rzeczywiste potrzeby, w zależności od etapu, bazujące na sztucznej inteligencji, możemy rozróżnić 3 typy:

1. Machine Learning Technique

2. Applied Propensity Models

3. AI Application

Machine Learning Techniques. Używa algorytmów w celu “nauczenia się” bazując na danych historycznych, dzięki czemu możliwe jest stworzenie propensity modelu. Przykładowo rozróżnić możemy 3 taktyki :

  1. propensity modeling (act)
  2. dynamic pricing (convert)
  3. predictive customer service (engage)

Applied Propensity Model. Przewiduje przyszłe zdarzenia (tj. score’owanie leadów) bazując na prawdopodobieństwie. Przykładowo rozróżnić możemy 9 taktyk: 

  1. smart content curation (reach)
  2. programmatic media bidding (reach)
  3. ad targeting (act)
  4. predictive analytics (act)
  5. lead scoring (act)
  6. re-targeting (convert)
  7. web & app personalisation (convert)
  8. marketing automation (engage)
  9. 1:1 dynamic content emails (engage)

AI Application. Realizuje zadania operacyjne, które zazwyczaj wykonywane są przez człowieka (obsługa klienta, pisanie kontentu). Przykładowo rozróżnić możemy 3 taktyki: 

  1. AI generated content (reach)
  2. voice search (reach)
  3. chat bots (convert)

Zastosowanie konkretnych rozwiązań spełnia inna rolę na poszczególnych etapach customer journey (tj. pozyskanie nowych klientów, wzrost zaangażowania, podniesienie konwersji, itd.). Dzięki wsparciu sztucznej inteligencji, Klient może otrzymać adekwatny komunikat odpowiadający na rzeczywiste potrzeby. 

W następnej części prześledzimy customer journey zaczynając od pierwszego etapu: reach.


Źródła:

  • The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Pedro Domingos.
  • 15 Applications of Artificial Intelligence in Marketing. Robert Allen.