Это первая статья из серии из двух частей о влиянии искусственного интеллекта на профессию маркетолога.

Маркетинг. Американская ассоциация маркетинга определяет эту профессию как

деятельность, набор институтов и процессов для создания, коммуникации, доставки и обмена предложениями, которые имеют ценность для клиентов, клиентов, партнеров и общества в целом.

Наряду с этим широким определением, маркетолог берет на себя различные роли. От разработки стратегии бренда до практических задач, таких как рекламные кампании, отделы маркетинга кажутся универсальными для большинства компаний. Однако конечная цель каждого маркетолога одна и та же: предложить продукт и/или услугу компании людям, которые в них нуждаются и хотят.

Введите искусственный интеллект («ИИ») и новую эру маркетинга ИИ. ИИ начинает трансформировать маркетинговую индустрию, и, как и в случае любого цифрового прорыва, есть опасения, что компьютеры со временем начнут заменять маркетологов.

Однако я считаю, что этот страх преувеличен. ИИ — это не магия и не ракетостроение. За этим облаком шумихи скрывается несколько неотъемлемых ограничений. Давайте отбросим это модное слово и посмотрим, что ИИ делает сегодня с маркетинговой индустрией. И, возможно, подобно этим компьютерам, мы можем «узнать» их значение для индустрии маркетинга.

Все на борт ИИ-поезда.

«Искусственный интеллект — это следующий шаг в маркетинге»

Я уверен, что многие из нас слышали эту фразу в той или иной форме. Во многих статьях говорится об ИИ, но лишь немногие осмеливаются исследовать его нюансы, не говоря уже о том, чтобы дать ему определение. Это привело к неправильному пониманию ИИ, когда в некоторых статьях новые технологии даже описываются как ИИ, несмотря на то, что ИИ вообще не применяется.

Будем надеяться, что понимание этих трех ключевых терминов сделает картину бесконечно яснее.

Искусственный интеллект. Спустя почти полвека с момента создания теста Алана Тьюринга компьютеры стали умнее, чем когда-либо. В быстро меняющейся области нет единого мнения относительно точного определения ИИ, но многие ученые примерно согласны с тем, что ИИ — это,

деятельность, направленная на то, чтобы сделать машины разумными, а интеллект — это то качество, которое позволяет объекту функционировать должным образом и предусмотрительно в своей среде (Stanford AI 100)

Проще говоря, ИИ — это широкая категория технологий, которые заставляют машины думать как люди. Примеры машинного интеллекта варьируются от решения кроссвордов до оптического распознавания изображений и автономных автомобилей.

Машинное обучение — это часть ИИ.

Разбивая это, машинное обучение (ML) — это область исследования, которая дает компьютерам возможность учиться без явного программирования. Сегодня большинство технологий машинного обучения демонстрируют обучение с учителем, когда входные данные (A) используются для генерации ответа (B). Профессор Эндрю Нг из Стэнфордского университета дает отличный обзор в своей статье здесь.

Наши компьютеры могут сделать гораздо больше, если мы добавим искусственные нейронные сети (подробнее о них ниже), которые черпают вдохновение из биологических нейронных сетей. Благодаря этой способности учиться с помощью логики и повторения машинное обучение приближает машину на один шаг к ее создателям-людям.

Аналитика данных — это не ИИ. Аналитика данных не делает машины разумными. Это область, которая исследует свойства и поведение данных, управляя потоком данных и средствами обработки данных для оптимальной доступности и удобства использования. Другими словами, аналитика данных — это обработка и понимание информации/данных вокруг нас.

Тем не менее, аналитика данных — очень важная часть картины, поскольку данные — это то, что обеспечивает машинное обучение. Через входные данные компьютер «обучается» и выдает желаемый результат.

Подводя итог,

Но почему эта сегментация важна? Сегодня, когда каждый тип технологий продается как ИИ, понимание того, что на самом деле делает компьютеры интеллектуальными (то есть ИИ), позволяет нам отличать настоящие технологии от причуд. Как уже упоминалось, аналитика данных — это просто обычный бизнес, но выполняется компьютерами. Технология, которая просто анализирует данные и предоставляет информацию, вряд ли можно назвать ИИ. Бизнес, который продает услуги по анализу данных, — это не ИИ. И если мы определим, что эта технология использует машинное обучение, мы сможем начать осознавать существующие ограничения, стоящие за ними, и их последствия для индустрии маркетинга.

Каковы основные области, в которых ИИ добился успеха в маркетинговой индустрии? Мы разделяем его на три области:

  • ИИ, который обеспечивает понимание потребителей
  • ИИ, который курирует контент
  • ИИ, который создает контент

Приведенные ниже примеры технологий ИИ не являются исчерпывающими. Не стесняйтесь, дайте нам знать в комментариях, если мы пропустили какие-либо существующие или будущие технологии.

ИИ, который обеспечивает понимание потребителей

Насколько здорово было бы, если бы ИИ занимался всеми маркетинговыми операциями, тестированием и решениями вместо вас?

Познакомьтесь с Альбертом. В двух словах, Альберт «выполняет многие трудоемкие ручные задачи, которые люди не могут выполнять со скоростью и масштабом, необходимыми для эффективного и действенного взаимодействия с потребителями». Он определяет наилучшее сочетание рекламных и маркетинговых коммуникаций по вашим каналам в течение заданного периода времени и бюджета. С помощью машинного обучения Альберт учится и собирает данные о том, что работает, а что нет. Это позволяет ему адаптировать процесс кампании «автоматически на каждом канале и устройстве, на каждом этапе пути».

Скептически? Ознакомьтесь с этими опубликованными историями успеха об эффективности Альберта здесь и здесь.

Затем у нас есть креативный директор McCann Japan, AI-CD β, который вызвал онлайн-дебаты о том, может ли ИИ выполнять работу креативного директора. AI-CD β обрабатывает данные деконструированных рекламных объявлений от коммерческих победителей за последние 10 лет с помощью своего алгоритма, извлекает темы, которые создают эмоционально трогательные или стимулирующие визуальные эффекты, и предлагает творческое направление для текущей кампании. Используя конкуренцию с известным креативным директором в качестве одного из своих аргументов в пользу продажи, реклама Al-CD β чуть не проиграла в опросе общественного мнения всего на 8 процентных пунктов.

Многие конкуренты начинают появляться и в этом пространстве. Это Einstein от Salesforce и Sensei от Adobe. Хотя у каждой из них есть свои нюансы, все эти платформы ИИ в той или иной степени включают машинное обучение. Они решают общую проблему, автоматизируя рутинные задачи и определяя области, на которых маркетологи должны сосредоточиться, чтобы получить максимальную рентабельность инвестиций.

С этими технологиями кажется, что мы на шаг ближе к замене креативных директоров-людей…

Ограничения машинного обучения

Ничто в этой статье не направлено на критику указанной выше технологии. На самом деле, мы все за маркетинговые решения на основе ИИ, особенно те, которые демонстрируют удивительный потенциал.

Но за каждым проектом машинного обучения стоят следующие неотъемлемые ограничения.

Машинное обучение сильно зависит от своего алгоритма. Когда задействованы нейронные сети, подумайте о множестве слоев нейронов в человеческом мозгу. Рискуя упростить, мы понимаем, что каждое решение принимается на основе многих факторов, и каждому фактору присваивается его относительная важность или «вес». Машина изучает и регулярно обновляет «веса», назначенные каждому пути, чтобы принять правильное решение. Однако когда машина начинает обучаться, ее обычно сравнивают с «черными ящиками», где вы не будете знать внутреннюю работу, а будете знать только входной и выходной слои.

Важный вопрос заключается в том, как определить релевантные факторы, влияющие на решение? Нейронная сеть может сопровождаться множеством скрытых слоев. Наличие слишком большого количества слоев приведет к переоснащению, когда компьютер будет учитывать «нерелевантные» факторы или «шум», который искажает результаты. С другой стороны, слишком мало скрытых слоев приведет к неточным результатам. За этим не стоит никакой науки, и обычно это зависит от контекста, проб и ошибок. Как выразился мой лектор, «скрытые уровни глубокого обучения — это черная наука», и это правильно.

Мусор на входе, мусор на выходе. Все аргументы несостоятельны, если их предпосылки ошибочны. Данные должны быть предварительно обработаны и нормализованы, иначе полученные результаты будут бессмысленными и непрактичными. Это означает, что данные должны иметь одинаковую форму и параметры, чтобы компьютер мог их понять. В результате обучение нейронной сети также требует огромного количества человеческого времени и рекомендаций, которые необходимо учитывать любой компании, желающей положиться на нее.

Открытые и динамичные среды. Сегодня нейронные сети чрезвычайно эффективно работают в закрытых средах, но не в открытых системах, которые постоянно меняются. Именно здесь вступают в действие глубокое обучение/нейронные сети. Нейронным сетям чрезвычайно сложно моделировать динамические среды, особенно маркетинг, где поведение пользователей, отношение и тенденции изменчивы и меняются на ходу.

Отсутствие человеческого элемента. Машинное обучение и искусственный интеллект в целом помогут доставлять соответствующий контент целевому пользователю. Однако маркетинг всегда был тонкой смесью искусства и науки. Если ожидается, что кто-то будет создавать сообщения, которые будут мотивировать людей, формировать или изменять мнения или привносить элемент вирусности, это потребует некоторого воображения, эмпатии и артистизма. И это то, что не может быть обеспечено машиной. Пока что.

Последствия для маркетинга

Альберт, Эйнштейн и AI-CD β нацелены на утомительные исполнительские компоненты маркетинга. Таким образом, решения о том, где публиковать, какой контент отправлять и кому отправлять контент, будут приниматься искусственным интеллектом. Многие из этих ИИ, которые обеспечивают понимание потребителей, не создают контент, а только дают рекомендации и указания.

Знать, на кого ориентироваться и какое сообщение использовать, недостаточно для конверсии. С точки зрения маркетолога, он должен создавать кампании, которые охватят его целевую аудиторию и выстроят отношения с потенциальными клиентами, чтобы обеспечить конверсию. Маркетологи, использующие ИИ, окажутся более свободными, чтобы сосредоточиться на творческом направлении кампаний. Передача черных и трудоемких задач машинам даст маркетологам больше времени, чтобы сосредоточиться на творческих аспектах своей работы.

Технологии, предоставляющие информацию о потребителях, открывают больше областей для работы маркетологов. Например, поскольку Альберт определяет более целевые группы для охвата, задача маркетолога состоит в том, чтобы понять поведение каждой группы и создать различные визуальные эффекты или рекламные тексты, которые им понравятся. Это предполагает более глубокое понимание и исследование более разнообразной целевой аудитории для вашего продукта и/или услуги.

Сегодня ИИ по-прежнему имеет узкое применение и имеет присущие ему ограничения. Например, AI-CD β может только предложить творческое направление для маркетинговой кампании, но повседневный контент по-прежнему должен создаваться такими маркетологами, как вы и я. способ пойти, чтобы быть в состоянии заменить маркетологов в ближайшем будущем.

Во второй части мы исследуем две другие области, в которых ИИ оказал влияние на индустрию маркетинга. А пока продолжайте учиться и адаптироваться.

Фото: Райдар