À disposição dos profissionais de marketing modernos, existe um enorme arsenal de ferramentas digitais: de sistemas de análise a plataformas programáticas sofisticadas e várias soluções em nuvem. Por outro lado, a quantidade de dados gerados pelos usuários está crescendo como uma avalanche. Sua fonte é o fator comportamental na rede e na comunicação do usuário no mundo digital. Para navegar nesse fluxo de informações, os profissionais de marketing precisam de soluções especializadas que possam coletar dados do usuário, processar e apresentar de uma forma conveniente para análise. É aqui que a inteligência artificial e o aprendizado de máquina ajudam os profissionais de marketing. O aprendizado de máquina (ML) é uma subseção de inteligência artificial que usa algoritmos que podem ser treinados independentemente, ou seja, eles não precisam ser especialmente programados para uma tarefa específica.
Segundo a MIT Technology Review, 60% das empresas, de uma forma ou de outra, usam ML em seus negócios.Segundo analistas, 2017 foi um ano de intenso desenvolvimento e implementação de ML nos negócios. Essa tecnologia está agora no auge da
curva de maturidade da tecnologia Gartner - o que significa que, no futuro próximo, a ML se desenvolverá intensamente e as empresas investirão nessas tecnologias. A revista Computerworld deu a ML o primeiro lugar na
lista das habilidades mais valiosas dos funcionários. Os profissionais de marketing estão interessados principalmente nas oportunidades de envolvimento personalizado do usuário que os algoritmos de ML podem oferecer. Eles permitem que você faça três coisas principais:
- Trabalhar com Big Data e realizar segmentação avançada do público;
- Realizar análises preditivas do comportamento do cliente;
- Forneça recomendações para ajustar ações em tempo real.
RecomendaçõesA Netflix, usando análises preditivas para melhorar as recomendações para os visitantes do site, envolve-os no uso mais ativo do serviço. Se você já usou o site da Netflix, provavelmente já viu uma seção de programas de TV recomendados lá. Todas as recomendações são fornecidas aos visitantes do site usando algoritmos de aprendizado de máquina que analisam suas preferências e "entendem" quais categorias de filmes você mais gosta. O sistema de recomendação de produtos no e-Bay funciona da mesma forma.
A startup do USA
IdealSeat , usa ML e aprendizado profundo para criar a experiência de espectador mais confortável nas partidas. O serviço analisa muitos parâmetros que os espectadores podem escolher ao solicitar ingressos: você pode decidir onde deseja se sentar: na sombra ou no sol, em uma zona de ventilador ou família e assim por diante.
Análise preditivaUsando o ML, as empresas podem prever quando e por que um cliente entrará em contato com eles. Isso permite personalizar a comunicação com os clientes e planejar os custos de manutenção de um serviço de suporte. Por exemplo, uma empresa pode analisar as preferências musicais de uma pessoa, formar um padrão de comportamento do consumidor e calcular o valor do cheque médio em suas lojas. Em princípio, você pode até identificar que tipo de compras e quanto os fãs dos Beatles farão, e qual será a média dos fãs do ABBA.
Os especialistas do Sberbank já aprenderam como identificar e prever padrões de comportamento dos portadores de cartão. Por exemplo, um banco pode distinguir entre diferentes atividades dos titulares de cartões e reduzi-las a três padrões principais: comprar um carro, comprar móveis ou reparar e tratar os custos. Dependendo disso, ofereça programas apropriados para seus clientes.
Big Data e Preços FlexíveisAs tecnologias ML otimizam os preços, dependendo da quantidade de mercadorias, tendências de vendas e outros fatores. Hoje, 63% dos usuários esperam personalização com base em ações anteriores de sites da empresa, especialmente lojas online. Como exemplo, lembre-se dos mecanismos de personalização em Booking.com.
Com os algoritmos de análise de Big Data, os profissionais de marketing podem usar dados e estatísticas históricos para fazer previsões. Serviços de análise móvel, como o
Amazon Mobile Analytic ou o
Google Cloud Machine Learning , já foram usados com sucesso.
Segmentação e segmentação de anúnciosCom o ML, você pode prever a conversão dependendo de fatores externos e ajustar automaticamente os lances no contexto. Agora o desenvolvimento recebeu treinamento com reforço: o modelo inicial não está definido no sistema de publicidade contextual. Ela começa a interagir com o ambiente e a receber feedback. O sistema corrige suas ações com base em suas próprias avaliações de qualidade de feedback. Por exemplo, se a publicidade contextual for lançada no campo de produtos bancários, esse parâmetro poderá ser do interesse do cliente da oferta do banco.
Qualificação de leadsOs algoritmos de ML podem identificar usuários promissores que estão prontos para comprar com a maior probabilidade. Para fazer isso, especialistas em vendas e profissionais de marketing devem desenvolver conjuntamente seus próprios critérios para avaliar a “prospectividade” de um contato. Por exemplo, um algoritmo analisa padrões de linguagem, seleciona palavras que aumentam o engajamento e o crescimento de cliques. Em seguida, você pode fazer uma lista de palavras-chave com as quais os profissionais de marketing escreverão anúncios.
O mundo está mudando muito rapidamente, o consumidor de hoje está esperando por um serviço único, ele acha que tudo vai acontecer instantaneamente, personalizado e em qualquer canal conveniente para ele. O ML é uma grande ajuda e uma ferramenta poderosa para profissionais de marketing. No entanto, para que tudo funcione, não basta comprar e instalar software especializado. Para implementar AI ou ML em uma organização, é necessário criar novos processos ou reformatar os existentes: primeiro, trabalhar na logística dos dados recebidos e desenvolver padrões comuns para o processamento em tempo real.
De fato, existem dois grandes grupos de dados do usuário: informações que as próprias empresas podem coletar (verificação média, tipos de compras etc.) e informações diretamente dos canais de conexão (interesses, idade e outros dados sobre a atividade social do usuário). Juntos, todos esses dados fornecerão um retrato completo do usuário e uma imagem de suas preferências. Esse conjunto de informações será o "alimento" para os algoritmos de ML.
O que fazer depois que os dados são coletados, processados e analisados? A segunda etapa mais importante do trabalho com algoritmos de BC é usar na prática as previsões obtidas, elaborar mapas detalhados de quem, o que, onde, quando e como eles irão comprar.
Future ML
Em teoria, ML e AI podem se tornar entidades completamente autônomas e antropomórficas: elas se transformarão em Skynet ou heróis da série Black Mirror. Vamos relembrar alguns casos recentes de bots de bate-papo. Primeiro, quando os bots desenvolvidos pela equipe do Facebook, após uma breve comunicação entre si, inventaram seu próprio idioma. Os criadores, que não conseguiram decifrar essa linguagem neopagã,
decidiram encerrar o projeto
com urgência. O segundo caso é um pouco mais antigo: o bot de bate-papo lançado pela Microsoft no Twitter acabou se tornando um racista difícil. Um dia após o lançamento, a Microsoft
removeu os comentários mais provocativos do bot.
No entanto, o estado real mostra que as empresas domésticas não devem ter medo da IA furiosa. Ele aprenderia a lançar competentemente campanhas contextuais e criar sites amigáveis.
Algoritmos e métodos de ML para seu uso em marketing e negócios, é claro, serão desenvolvidos. Identificamos os seguintes pontos de crescimento para essas tecnologias:
Melhorar os mecanismos de coleta e preparação de dados do cliente. Hoje, uma das principais limitações do uso de ML nos negócios é o baixo nível de qualidade dos dados. As informações geralmente são fragmentárias e fragmentadas: por exemplo, a idade é conhecida por um grupo de usuários e as preferências do consumidor por outro. Melhorar a qualidade dos dados significa aumentar a eficiência dos algoritmos de ML.
Melhorar a eficácia do ML nos negócios. Agora, o uso da IA é benéfico apenas para empresas muito grandes. De acordo com várias estimativas, a eficiência comercial do uso de ML aumenta em apenas 2-3%. Isso abre grandes possibilidades para futuros esforços conjuntos de profissionais de marketing e desenvolvedores.
Desenvolvimento de sistemas para coleta de dados de clientes. Antes de iniciar o ML com análises e previsões, é necessário acumular uma grande variedade de informações para análise e, para isso, elas precisam ser coletadas, limpas e segmentadas. Isso abre muito escopo para os sistemas de coleta de dados do cliente e suas diversas colaborações.
AI vai fazer tudo sozinho?
Não importa como os profissionais de marketing sonhem com um super serviço com um único botão "Salvage", é improvável que isso se torne realidade. Algoritmos e cálculos nunca substituirão o próprio profissional de marketing. O ML é apenas uma ferramenta, embora poderosa, que você precisa poder usar corretamente. Em nosso futuro previsível, a máquina não será capaz de entender o cliente e formar sua necessidade de um produto ou serviço.
Os dados obtidos usando AI e ML são finalmente interpretados por um especialista em vida. Seu profissionalismo, a capacidade de identificar corretamente as principais variáveis que afetam o resultado e determinar o efeito final da aplicação dos algoritmos de ML.