Как подготовить свой маркетинг к будущему в эпоху ИИ

Искусственный интеллект больше не является блестящей новинкой. Это было здесь какое-то время. Если вы выполнили поиск в Google или нажали на рекомендуемый продукт, статью или фильм, вы взаимодействовали с ним.

Если вы маркетолог, вы, вероятно, уже работали с ним. Реклама в Google Ads, Bing или Facebook работает с искусственным интеллектом.

Так что перестаньте готовиться к «восстанию машин». Машины здесь, и они действительно очень послушны. Они отлично справляются с автоматизацией некоторых из самых скучных маркетинговых задач.

Вопрос в том, куда девается вся эта автоматизация? Сколько задач возьмут на себя машины? На что будет похожа ваша работа по мере их развития? И как вы можете позиционировать себя и свою компанию, чтобы извлечь из этого максимальную пользу?

Ответ проще, чем вы думаете. Но это ответ из четырех частей.

1. Получите образование.

Популярная викторина: в чем разница между машинным обучением и искусственным интеллектом?

Большинство маркетологов не могут дать ответ на этот вопрос. Мы, вероятно, знаем, что ИИ более сложен, чем машинное обучение, и что машинное обучение является подмножеством ИИ… но оттуда все становится мутно.

Вот одно определение:

ИИ — это любая технология, которая позволяет системе демонстрировать интеллект, подобный человеческому… Машинное обучение — это один из типов ИИ, который использует математические модели, обученные на данных, для принятия решений. По мере поступления большего количества данных модели машинного обучения могут принимать более обоснованные решения.

Честно говоря, для реальных маркетинговых приложений — вещей, которые вы увидите на работе в ближайшие три года — маркетологам, вероятно, не нужно слишком беспокоиться об истинном искусственном интеллекте прямо сейчас. Google Ads не собирается шутить. Но машинное обучение определенно играет роль, как и автоматизация.

Это хорошая вещь. При правильном управлении машинное обучение может сделать вас гораздо более эффективным и результативным. Например, наш инструмент управления ставками и бюджетом PPC использует полноценное машинное обучение для управления ставками и бюджетами.

Как объясняется в нашей электронной книге «Руководство для агентств по основам автоматического назначения ставок»,

Простое автоматическое назначение ставок состоит в том, чтобы позволить компьютеру следовать набору правил, которые в ответ на определенные триггеры будут увеличивать или уменьшать ставки PPC на определенные суммы. Этот тип автоматизации не учится, он просто работает в соответствии с заранее установленными правилами.

Этот уровень автоматического назначения ставок не так уж отличается от системы автоматизации маркетинга, которая настроена на отправку определенного электронного письма в определенное время после того, как кто-то загрузил определенный технический документ. Это предопределенное действие, которое может установить маркетолог, а затем ожидать, что программное обеспечение будет выполняться каждый раз, когда происходит это событие.

Машинное обучение гораздо сложнее.

«В то время как простое автоматическое назначение ставок требует, чтобы человек сначала установил целевую цену за конверсию, система машинного обучения стремится получить минимально возможную цену за конверсию за максимальное количество кликов и конверсий». Это требует, чтобы система машинного обучения управляла десятками различных приоритетов и данных. входы («микросервисы», как мы их называем) для получения желаемого результата.

Таким образом, хотя автоматическое назначение ставок, безусловно, может сократить объем работы маркетолога, «машинное обучение:

• Получите максимальное количество конверсий по средней цене ниже максимальной цены.
• Убедитесь, что бюджет длится весь период
• Убедитесь, что каждый день реклама находится на аукционе в течение всего времени, установленного расписанием рекламы».

Это совсем другой порядок величин. И если мы собираемся перестроить наш маркетинг для эпохи ИИ, нам нужно понять, как эти системы работают и различаются в деталях.

Чтобы получить удивительно четкое объяснение того, как создаются системы машинного обучения, посмотрите серию видеороликов Google «Приключения ИИ». Видео становятся более техническими по мере прохождения серии, но первые очень доступны.

Вот пробник. В этом видео вы увидите, как программа машинного обучения может быть разработана и обучена различать пиво и вино.

2. Очистите свои данные.

Автоматизация, машинное обучение и ИИ работают на данных. И поэтому поговорка «Мусор на входе, мусор на выходе» станет еще более значимой в ближайшие годы.

Как вы знаете, управление данными — огромная проблема в маркетинге. Часто у нас есть устаревшие системы, которые генерируют данные, которые не «взаимодействуют» с данными из других систем. Или у нас есть данные, которые неструктурированы и, следовательно, не могут быть обработаны программой машинного обучения.

Google определяет машинное обучение как «использование данных для ответа на вопросы». Это отличное, четкое объяснение, и если вы уже думаете о качестве и организации данных, оно дает вам ключ к пониманию того, насколько организованными и точными должны быть ваши данные, прежде чем кто-либо сможет задавать вопросы по ним.

В конце концов… как вы думаете, сколько дубликатов в вашей базе данных потенциальных клиентов? Есть ли у вас все изображения, которые вы когда-либо использовали в маркетинге, в хранилище контента, упорядоченные по формату файла, теме, множеству тегов, создателям и тому, где это изображение вообще использовалось?

Это организованные данные. И это критически важная часть подготовки вашей компании к будущему, чтобы вы могли творить чудеса с искусственным интеллектом позже — или с машинным обучением и автоматизацией в этом году.

3. Определите цели.

Машины отличные. Они делают именно то, что вы им говорите. И ничего больше. Это может быть очень унизительно.

Я изучал Perl (язык программирования) около двадцати лет назад и сразу понял, что если что-то пойдет не так, то это будет не ошибка кода или оборудования. Это было мое. Если бы я использовал не того оператора или просто где-то пропустил запятую, машина послушно и безупречно выполняла бы мои указания… что не соответствовало бы тому, что я действительно хотел, чтобы она делала.

Большинству из нас не придется писать код напрямую (огромное спасибо всем приложениям, которые позволяют нам программировать в основном через их дружественные интерфейсы WYSIWYG). Но мы должны получить наши инструкции правильно.

Таким образом, если вы определенным образом определили квалифицированный маркетолог для своего приложения машинного обучения, оно будет находить людей на основе именно этих инструкций. Если ваши инструкции ошибочны, ваши результаты будут ошибочными. Не вините приложение.

Это важно понимать, если вы хотите настроить автоматизированные системы с данными. Данные должны быть точными и читаемыми. И тогда инструкции, которые вы даете машине для выполнения своей работы, должны быть правильными.

Если вы дадите машине неправильные инструкции, она вас не исправит (если только кто-то не написал код для проверки ваших инструкций). Он будет просто послушно выполнять ваши ставки, возвращая, скажем, не ту аудиторию для вашей новой рекламной кампании. Вы можете не осознавать, что ваши инструкции были плохими, пока три месяца спустя отдел продаж не скажет вам: «Получение потенциальных клиентов из этой кампании было ужасным».

Здесь есть и другой уровень: мы должны уметь количественно определять наши цели.

Так что, когда мы говорим: «Я хочу улучшить качество обслуживания клиентов», это здорово… но как вы можете измерить это для компьютера? Вам понадобятся некоторые очень конкретные измерения и очень конкретные входные данные для отслеживания этих измерений, прежде чем компьютер сможет начать улучшать качество обслуживания клиентов.

Компьютеры невероятно детализированы; они не могут делать выводы и заключения, которые люди делают так легко. Вот почему мы сохраняем свои рабочие места, но это также и пугающая работа программистов — разбивать высокие цели на программные гайки и болты.

Если вы хотите, чтобы ваш маркетинг был ориентирован на будущее, вам нужно сначала набрать все эти гайки и болты — эти цели и определения.

4. Оптимизация для голосового поиска.

Надеюсь, мы были достаточно конкретны в наших предложениях. Но если нет, вот очень четкая директива: начните оптимизировать под голосовой поиск.

Это один из аспектов ИИ, который определенно уже существует. Как отметила Кэди Кондайлс в статье «ИИ умнее вас: адаптируйте вашу стратегию розничной торговли, чтобы не отставать» (ее основной доклад на конференции Hero Conf London), к 2020 году 30% просмотров веб-страниц будут осуществляться без экрана — с помощью цифровых голосовых помощников.

Распознавание голоса — одно из самых значимых достижений ИИ на сегодняшний день. Поиск — еще одно ключевое достижение ИИ. Поэтому, если вы хотите позиционировать свой бренд и свой маркетинг для ИИ, есть одно очень конкретное место, на котором можно сосредоточить свои усилия: голосовой поиск.

Оптимизация для голосового поиска на самом деле является просто примером ранее обсуждавшегося здесь вопроса: очистите свои данные. Сделайте его доступным для машин. Оптимизация веб-сайта для голосового поиска — это именно то, что нужно: взять мешанину данных (наши веб-сайты) и преобразовать ее в то, что может проанализировать приложение машинного обучения или ИИ.

Еще одна рекомендация Кэди — «использовать искусственный интеллект, основанный на намерениях, для идентификации и охвата ваших покупателей» — является примером обратного действия этого принципа. Если вы используете искусственный интеллект на основе намерений для общения с людьми, вам потребуется подключиться к системе, которая обработала петабайты данных из браузеров людей и преобразовала их в приложение машинного обучения.

Здесь снова необработанные данные были синтезированы в приложение, которое может распознавать закономерности и рекомендовать действия.

Заключительные мысли

Будет все больше и больше этого, когда будут собираться огромные наборы данных и находить в них закономерности и тенденции. И это хорошо — для работы машинного обучения и ИИ требуется много данных. Им нужна предсказуемая среда и последовательные задачи, чтобы действительно блестеть.

Именно поэтому маркетологи никуда не денутся. Мы, люди, можем достаточно хорошо функционировать с ограниченными данными. Мы можем быстро адаптироваться к новым ситуациям, и у нас отлично получается делать большие познавательные скачки. Машин пока нет.

Кредиты изображений

Feature Image: Unsplash / Franck V
Изображение 1: из электронной книги Acquisio по машинному обучению