تحت تصرف المسوقين الحديثين ترسانة ضخمة من الأدوات الرقمية ، وهذا كل شيء: من أنظمة التحليلات إلى الأنظمة البرمجية المعقدة والحلول السحابية المختلفة. من ناحية أخرى ، تتزايد كمية البيانات التي يولدها المستخدمون مثل الانهيار الجليدي. مصدرها هو العامل السلوكي في شبكة الاتصال والمستخدم في العالم الرقمي. للتنقل في هذا التدفق من المعلومات ، يحتاج المسوقون إلى حلول متخصصة يمكنها جمع بيانات المستخدم ومعالجتها وتقديمها بشكل ملائم للتحليل. هذا هو المكان الذي يساعد فيه الذكاء الاصطناعي والتعلم الآلي المسوقين. التعلم الآلي (ML) هو قسم فرعي من الذكاء الاصطناعي يستخدم خوارزميات يمكن تدريبها بشكل مستقل ، أي أنها لا تحتاج إلى برمجة خاصة لمهمة محددة.
وفقًا لـ MIT Technology Review ، تستخدم 60٪ من الشركات بشكل أو بآخر ML في أعمالها.وفقًا للمحللين ، كان عام 2017 عامًا من التطوير المكثف وتنفيذ ML في الأعمال التجارية. هذه التكنولوجيا الآن في ذروة
منحنى النضج التكنولوجي Gartner - مما يعني أنه في المستقبل القريب سوف تتطور ML بشكل مكثف ، وستستثمر الشركات في هذه التقنيات. أعطت مجلة Computerworld ML ML المركز الأول في
قائمة أهم مهارات الموظفين. يهتم المسوقون في المقام الأول بفرص مشاركة المستخدم الشخصية التي يمكن أن توفرها خوارزميات ML. تسمح لك بالقيام بثلاثة أشياء رئيسية:
- العمل باستخدام البيانات الضخمة وإجراء تقسيم متقدم للجمهور ؛
- إجراء تحليلات تنبؤية لسلوك العملاء ؛
- تقديم توصيات لتعديل الإجراءات في الوقت الحقيقي.
التوصياتتقوم Netflix ، باستخدام التحليلات التنبؤية لتحسين التوصيات المقدمة لزوار الموقع ، بإشراكهم في استخدام الخدمة بشكل أكثر نشاطًا. إذا سبق لك استخدام موقع Netflix على الويب ، فربما شاهدت قسمًا من البرامج التلفزيونية الموصى بها هناك. يتم تقديم جميع التوصيات إلى زوار الموقع باستخدام خوارزميات التعلم الآلي التي تحلل تفضيلاتك و "تفهم" فئات الأفلام التي تعجبك أكثر. يعمل نظام توصية المنتج على e-Bay بشكل مشابه.
بدء التشغيل من الولايات المتحدة الأمريكية
IdealSeat ، يستخدم ML والتعلم العميق لخلق تجربة متفرج أكثر راحة في المباريات. تحلل الخدمة العديد من المعلمات التي يمكن للمشاهدين اختيارها عند طلب تذاكر: يمكنك تحديد المكان الذي تريد الجلوس فيه: في الظل أو تحت الشمس ، في مروحة أو منطقة عائلية ، وما إلى ذلك.
تحليلات تنبؤيةباستخدام ML ، يمكن للشركات التنبؤ متى ولماذا سيتصل بها العميل. هذا يسمح لك بتخصيص التواصل مع العملاء وتخطيط تكاليف الحفاظ على خدمة الدعم. على سبيل المثال ، يمكن للشركة تحليل التفضيلات الموسيقية لشخص ما ، وتشكيل نمط لسلوك المستهلك وحساب قيمة متوسط شيكه في متاجره. من حيث المبدأ ، يمكنك حتى تحديد نوع المشتريات ومقدار ما سيحققه مشجعو فريق البيتلز ، وما هو متوسط الشيك لمحبي ABBA.
لقد تعلم خبراء سبيربنك بالفعل كيفية تحديد أنماط سلوك حاملي البطاقات والتنبؤ بها. على سبيل المثال ، يمكن للبنك أن يميز بين الأنشطة المختلفة لحاملي البطاقات ويقللها إلى ثلاثة أنماط رئيسية: شراء سيارة أو شراء أثاث أو تكاليف الإصلاح والمعالجة. بناءً على ذلك ، قدم برامج مناسبة لعملائك.
البيانات الضخمة والتسعير المرنتعمل تقنيات ML على تحسين الأسعار اعتمادًا على كمية السلع واتجاهات المبيعات وعوامل أخرى. يتوقع 63٪ من المستخدمين اليوم التخصيص استنادًا إلى الإجراءات السابقة من مواقع الويب للشركة ، خاصةً المتاجر عبر الإنترنت. كمثال ، تذكر آليات التخصيص على Booking.com.
باستخدام خوارزميات تحليل البيانات الضخمة ، يمكن لجهات التسويق استخدام البيانات والإحصاءات التاريخية لإعداد التوقعات. لقد استخدمت خدمات تحليلات الهاتف المحمول مثل
Amazon Mobile Analytic s أو
Google Cloud Machine Learning هذا بالفعل بنجاح.
تقسيم الإعلان والاستهدافباستخدام ML ، يمكنك توقع التحويل بناءً على العوامل الخارجية وضبط عروض الأسعار تلقائيًا في السياق. الآن تلقى التطوير التدريب مع التعزيز: لم يتم وضع النموذج الأولي في نظام الإعلان السياقي. تبدأ في التفاعل مع البيئة وتلقي التعليقات. يقوم النظام بتصحيح أفعاله بناءً على تقييمات جودة التغذية المرتدة الخاصة به. على سبيل المثال ، إذا تم إطلاق الإعلان السياقي في مجال المنتجات المصرفية ، فقد تكون هذه المعلمة ذات فائدة لعميل عرض البنك.
تأهيل العملاء المحتملينيمكن لخوارزميات ML تحديد المستخدمين الواعدين المستعدين للشراء بأعلى الاحتمالات. للقيام بذلك ، يجب على متخصصي التسويق والمسوقين تطوير معاييرهم الخاصة لتقييم "احتمالية" جهة الاتصال. على سبيل المثال ، تقوم الخوارزمية بتحليل أنماط اللغة ، وتحديد الكلمات التي تزيد من التفاعل ونمو النقرات. ثم يمكنك إنشاء قائمة بالكلمات المشغلة التي سيكتب بها المسوقون إعلانات.
العالم يتغير بسرعة كبيرة ، والمستهلك اليوم ينتظر خدمة فريدة من نوعها ، ويعتقد أن كل شيء سيحدث على الفور ، وشخصية وفي أي قناة مناسبة له. ML هي مساعدة عظيمة وأداة قوية لجهات التسويق. ومع ذلك ، لكي يعمل كل شيء ، لا يكفي فقط شراء البرامج المتخصصة وتثبيتها. لتطبيق AI أو ML في مؤسسة ، من الضروري إنشاء عمليات جديدة أو إعادة تنسيق العمليات الحالية: أولاً وقبل كل شيء ، العمل على الخدمات اللوجستية للبيانات الواردة وتطوير معايير مشتركة لمعالجتها في الوقت الفعلي.
في الواقع ، هناك مجموعتان كبيرتان من بيانات المستخدم: المعلومات التي يمكن للشركات نفسها جمعها (متوسط الشيكات وأنواع المشتريات وما إلى ذلك) والمعلومات مباشرةً من قنوات الاتصال (الاهتمامات والعمر وبيانات أخرى عن النشاط الاجتماعي للمستخدم). معًا ، ستعطي كل هذه البيانات صورة كاملة للمستخدم وصورة لتفضيلاته. ستكون هذه المجموعة من المعلومات هي "الغذاء" لخوارزميات ML.
ماذا تفعل بعد جمع البيانات ومعالجتها وتحليلها؟ المرحلة الثانية الأكثر أهمية من العمل مع خوارزميات ML هي استخدام التوقعات التي تم الحصول عليها عمليًا ، ووضع خرائط تفصيلية لمن ، وماذا ، وأين ، ومتى ، وكيف سيشترون.
ML المستقبل
من الناحية النظرية ، يمكن أن تصبح ML و AI كيانات مستقلة تمامًا ومتجانسة: سوف يتحولان إلى Skynet أو أبطال من سلسلة Black Mirror. دعنا نتذكر بضع حالات حديثة باستخدام روبوتات الدردشة. أولاً ، عندما اخترع البوتات التي طورها فريق Facebook ، بعد اتصال قصير مع بعضهم البعض ، لغتهم الخاصة. قرر المبدعون ، الذين لم يتمكنوا من فك شفرة هذه اللغة النيابية ، إغلاق المشروع
على وجه السرعة. الحالة الثانية أقدم قليلاً: أصبح برنامج الدردشة الذي أطلقته Microsoft على Twitter في النهاية عنصريًا صارمًا. بعد يوم واحد من الإطلاق ،
أزالت Microsoft أكثر الملاحظات استفزازًا للبوت.
ومع ذلك ، يظهر الوضع الحقيقي أن الشركات المحلية يجب ألا تخاف من الذكاء الاصطناعي الهائج. سوف يتعلم إطلاق الحملات السياقية بكفاءة وإنشاء مواقع سهلة الاستخدام.
وبالطبع ، سيتم تطوير خوارزميات ML وطرق استخدامها في التسويق والأعمال. لقد حددنا نقاط النمو التالية لهذه التقنيات:
تحسين آليات جمع وإعداد بيانات العملاء. اليوم ، أحد المستويات الرئيسية لاستخدام ML في الأعمال هو المستوى المنخفض لجودة البيانات. غالبًا ما تكون المعلومات مجزأة ومجزأة: على سبيل المثال ، يُعرف العمر لمجموعة واحدة من المستخدمين ، وتفضيلات المستهلك معروفة لمجموعة أخرى. يعني تحسين جودة البيانات زيادة كفاءة خوارزميات ML.
تحسين فعالية ML في الأعمال التجارية. الآن استخدام الذكاء الاصطناعي مفيد فقط للشركات الكبيرة جدًا. وفقًا لتقديرات مختلفة ، تزداد كفاءة الأعمال من استخدام ML بنسبة 2-3٪ فقط. هذا يفتح مجالا كبيرا للجهود المشتركة في المستقبل من قبل المسوقين والمطورين.
تطوير أنظمة لجمع بيانات العملاء. قبل بدء ML مع التحليلات والتنبؤات ، تحتاج إلى تجميع مجموعة كبيرة من المعلومات للتحليل ، ولهذا يجب جمعها وتنظيفها وتقسيمها. هذا يفتح الكثير من المجال لأنظمة جمع بيانات العملاء وتعاونهم المختلفة.
هل ستقوم منظمة العفو الدولية بكل شيء بنفسه؟
بغض النظر عن الكيفية التي يحلم بها المسوقون بخدمة فائقة بزر "إنقاذ" واحد ، فمن غير المحتمل أن يصبح هذا حقيقة. لن تحل الخوارزميات والحسابات محل المسوق نفسه أبدًا. ML هي مجرد أداة ، وإن كانت قوية ، تحتاج إلى استخدامها بشكل صحيح. في المستقبل المنظور ، لن تتمكن الماكينة من فهم العميل وتشكيل حاجته لمنتج أو خدمة.
يتم في نهاية المطاف تفسير البيانات التي تم الحصول عليها باستخدام AI و ML بواسطة أخصائي حي. احترافه ، والقدرة على تحديد المتغيرات الرئيسية التي تؤثر على النتيجة بشكل صحيح ، وتحديد التأثير النهائي لتطبيق خوارزميات ML.