Apa itu Deep Learning? Inilah Hampir Semua yang Perlu Diketahui Pemasar

Kecerdasan sintetis (AI) telah menjadi sorotan akhir-akhir ini karena banyak bisnis dan merek seperti Zara dan H&M memasukkan AI ke dalam jenis bisnis mereka. Sebagai pemasar, Anda mungkin bertanya-tanya apakah ini menyebabkan kekhawatiran. Apakah AI akan menguasai pekerjaan kita? Faktanya, AI benar-benar dapat membuat pemasaran lebih mudah dan lebih efektif bagi pemasar dengan menggunakan teknologi pembelajaran yang mendalam.

Tapi apa itu penguasaan mendalam? Bagaimana kinerjanya? Dan bagaimana itu dapat digunakan untuk periklanan dan pemasaran serta keuntungan di perusahaan Anda? Di sini tercantum apa saja yang perlu diketahui pengusaha tentang penemuan mendalam dan posisi menguntungkan yang dapat dilakukannya di pasar pemasaran internet.

Apa yang dipelajari secara mendalam dalam kecerdasan buatan?

Penemuan Peralatan vs. Pembelajaran Mendalam

Contoh Penemuan Mendalam dalam pemasaran dan Periklanan Internet

Sekolah Neural Network

Bagaimana Pengusaha Dapat Menggunakan Pembelajaran Mendalam

Merangkul Pembelajaran Mendalam dalam Periklanan

Sangat mirip dengan cara individu belajar dari pengetahuan, algoritme pembelajaran mendalam melakukan tugas berulang kali, menghasilkan perubahan hampir setiap saat untuk meningkatkan hasil. "Penemuan mendalam" mengacu pada lapisan lebar (dalam) jaringan saraf yang memungkinkan pencarian.

Mencari Tahu Peralatan vs. Mencari Tahu Mendalam

Pembelajaran mendalam adalah semacam pembelajaran mesin. Pembelajaran perangkat berarti komputer belajar dari data yang menerapkan algoritme untuk berpikir dan bertindak tanpa diprogram - dengan kata lain, tanpa perlu campur tangan manusia. Seperti disebutkan sebelumnya, pemahaman yang mendalam adalah tentang desktop yang belajar merasakan menggunakan struktur yang dimodelkan setelah otak manusia.

Penemuan mesin juga melibatkan kemampuan komputasi yang jauh lebih sedikit, meskipun pembelajaran mendalam membutuhkan intervensi manusia yang jauh lebih sedikit.

Contoh Deep Learning dalam Pemasaran dan Pemasaran

Katakanlah kita adalah dealer mobil online, dan kita ingin menggunakan penawaran real-time (RTB) untuk mendapatkan tempat iklan barang dagangan kita di situs internet lain untuk tujuan penargetan ulang.

RTB adalah metode otomatis yang akan berlangsung dalam kerangka waktu kecil di bawah 100 milidetik. Saat seseorang mengunjungi situs web, pengiklan diberi tahu, dan serangkaian tindakan dibuat terlepas dari apakah pengiklan tersebut menawar pameran iklan atau tidak.

Di RTB, kami menggunakan perangkat lunak untuk menentukan apakah kami ingin menawar iklan tertentu — program perangkat lunak akan memilih dengan memprediksi seberapa besar kemungkinan pengunjung situs web membeli salah satu produk kami. Kami hanya menyebutnya "kecenderungan membeli."

Pada kesempatan kali ini, kita akan menggunakan deep finding out untuk membuat prediksi ini. Itu berarti perangkat lunak RTB kami akan menggunakan jaringan saraf untuk memprediksi kecenderungan membeli.

Komunitas saraf di dalam aplikasi RTB kami terdiri dari neuron dan koneksi di antara mereka. Jaringan saraf di atas kesan hanya memiliki segelintir neuron.

Dalam situasi ini, kami ingin mengetahui apakah pelanggan situs internet tertentu kemungkinan besar akan membeli kendaraan dan apakah kami harus membayar kembali untuk iklan agar fokus pada pelanggan. Hasilnya akan bergantung pada minat dan langkah pengunjung situs web.

Untuk memperkirakan kecenderungan pembelian, kami awalnya memilih beberapa "fitur" yang penting untuk menentukan perilaku elektronik orang ini. Atribut tersebut akan mencakup mana dari 4 halaman web berikutnya yang sering dikunjungi:

1. Harga.
2. Konfigurasi Otomatis.
3. Persyaratan.
4. Pendanaan.

Semua karakteristik itu akan memengaruhi keluaran jaringan saraf dan ringkasan kami. Output itu hanya dapat memiliki satu dari dua nilai:

1. Pelanggan situs web tertarik pada item atau "siap untuk membeli". Kesimpulan: Kita harus menyaring iklan.
2. Pelanggan situs tidak tertarik dengan barang dagangan atau "belum siap". Ringkasan: Jangan tampilkan iklan.

Untuk setiap entri, kami menggunakan "0" atau "1".

“1” menunjukkan bahwa pengguna telah mengunjungi halaman web. Neuron di tengah akan memasukkan nilai dari neuron terkait yang bekerja dengan bobot — yang berarti mereka menentukan nilai dari setiap halaman web yang dikunjungi.

Proses ini berlangsung dari kiri ke kanan hingga akhirnya kita mencapai neuron "keluaran" - "siap untuk membeli" atau "tidak siap", seperti untuk setiap catatan kita sebelumnya.

Semakin tinggi harga keluaran, semakin besar kemungkinan bahwa keluaran ini adalah keluaran yang benar —atau semakin tepatnya masyarakat memprediksi tindakan pengguna.

Dalam contoh ini, pengunjung situs web muncul di halaman Harga dan Konfigurasi Mobil, tetapi melewatkan spesifikasi Teknis dan Pembiayaan. Menggunakan sistem numerik yang disebutkan sebelumnya, kami mendapatkan "skor" 0,7, yang menandakan bahwa ada kemungkinan 70% pengguna ini "siap membeli" solusi kami.

Jadi, jika kita melihat komponen utama kita, peringkat itu menandakan ringkasan yang kita butuhkan untuk memperoleh penempatan iklan RTB.

Pendidikan Komunitas Neural

Melatih jaringan saraf biasanya berarti memberi komunitas fakta yang diminta untuk menciptakan hasil. Hambatannya adalah untuk membangun elemen "bobot" yang sesuai untuk semua koneksi di dalam jaringan saraf, oleh karena itu perlu melalui sekolah.

Dalam contoh dealer kendaraan kami, kami akan memberi makan data jaringan saraf dari berbagai pengunjung situs web. Informasi tersebut akan mencakup hal-hal seperti opsi pelanggan seperti halaman web mana yang sering dikunjungi pembeli. Pengetahuan tersebut juga akan mencakup hal-hal seperti indikator investasi akhirnya mereka dalam kesimpulan dari kami, yang diberi label sebagai "memang" atau "tidak".

Jaringan saraf memproses semua informasi ini, menyesuaikan bobot setiap neuron hingga komunitas saraf cenderung membuat perhitungan yang tepat untuk setiap orang dalam pengetahuan pengajaran. Pada saat gerakan itu selesai, bobotnya diikat, dan jaringan saraf dapat memperkirakan hasil pengunjung halaman web baru dengan lebih tepat.

Bagaimana Pemasar Dapat Menggunakan Deep Discovering

“Penguasaan perangkat dapat digunakan untuk efisiensi atau keuntungan pengoptimalan,” klaim Jim Lecinski, rekan penulis Kanvas pemasaran Internet AI: Peta Jalan Lima Fase untuk Menerapkan Kecerdasan Sintetis dalam Periklanan , dalam sebuah wawancara dengan Kellogg Insight.

“Jadi, misalnya, pelaporan hafalan apa pun dapat diotomatisasi dan dilakukan dengan lebih kompeten. Kemudian staf waktu komprehensif ini dapat digunakan kembali dan diterapkan kembali untuk pekerjaan pengembangan strategis lainnya, ”katanya.

Namun yang lebih penting, Lecinski mengatakan AI dan pembelajaran mendalam memiliki kemampuan untuk mendorong pertumbuhan.

“Lebih dari itu, CEO, dewan direksi, dan departemen periklanan memandang pemasaran internet sebagai mesin pertumbuhan utama yang bertugas menciptakan prediksi atau proyeksi berdasarkan informasi untuk mendapatkan campuran ideal dari barang yang sesuai dengan label harga yang tepat, dipromosikan dengan cara yang sesuai melalui saluran yang sesuai kepada orang yang tepat,” katanya.

Lecinski menjelaskan, “Data besar dan penguasaan perangkat, dalam banyak situasi, dapat membuat prediksi tersebut dan mendorong kemajuan lebih baik daripada orang yang tidak memiliki fakta atau individu yang hanya dibantu oleh fakta.”

Berikut adalah beberapa strategi yang dapat digunakan pengusaha untuk belajar secara mendalam untuk mendorong perkembangan.

Segmentasi

Model pembelajaran mendalam dilengkapi untuk menemukan pola dalam informasi yang menjadikannya sempurna untuk segmentasi inovatif. Hal ini memungkinkan pengusaha untuk dengan mudah dan cepat mengenali fokus pada audiens untuk kampanye pemasaran saat mesin menggunakan perilaku masa lalu untuk memperkirakan calon pelanggan potensial.

Peralatan juga dapat menggunakan jaringan saraf dan fakta untuk mengenali pembeli mana yang akan pergi — memungkinkan pemasar untuk segera bertindak. Pada akhirnya, AI mengeluarkan tebakan dari segmentasi, memungkinkan pemasar untuk memusatkan upaya mereka di tempat lain.

AI HubSpot kami, misalnya, akan membuat segmentasi lebih mudah melalui elemen penyitaan informasi email otomatis kami. Elemen ini memungkinkan orang untuk segera menangkap informasi kontak penting seperti nama, jabatan, nomor ponsel, dan alamat dari prospek dan klien potensial. Karakteristik membantu membuat segmentasi, perutean, dan pelaporan menjadi singkat dan mudah bagi pengusaha.

Hyper-personalisasi

Sebuah studi modern oleh McKinsey mengungkapkan bahwa 71% pembeli mengharapkan bisnis menghasilkan interaksi yang dipersonalisasi, dan 76% marah ketika hal itu tidak terwujud. Sementara personalisasi penting untuk pengalaman konsumen, itu sulit untuk dilakukan ketika ada begitu banyak fakta untuk diperiksa.

Namun demikian, penemuan mendalam dapat digunakan untuk membangun mesin personalisasi yang dapat membantu pemasar merampingkan cara menawarkan konten yang sangat dipersonalisasi. Ilustrasi komponen yang sangat dipersonalisasi termasuk situs web yang menyaring artikel yang mungkin berbeda tergantung pada siapa yang menjelajah atau pemberitahuan push untuk pengguna yang pergi tanpa melakukan pembelian.

Hiper-personalisasi juga dapat meluas ke opsi komunikasi seperti obrolan langsung, dan pemahaman yang mendalam dapat membuat pengumpulan informasi dari obrolan langsung ini menjadi mudah. AI pengenalan nama obrolan langsung kami, misalnya, dapat menerima informasi bicara yang bermanfaat (seperti nama) dan memperbaruinya di HubSpot CRM tanpa harus mengintegrasikan apa pun.

Memprediksi tindakan pembeli

Pembelajaran mendalam juga akan membantu pemasar memprediksi apa yang akan dilakukan konsumen di masa mendatang dengan memantau bagaimana mereka bergerak melalui situs Anda dan seberapa sering mereka melakukan pemesanan. Dalam melaksanakannya, AI dapat menjelaskan kepada perusahaan barang dagangan dan layanan mana yang diinginkan dan harus benar-benar menjadi fokus kampanye di masa mendatang.

Merangkul Penguasaan Jauh dalam Pemasaran dan periklanan

Meskipun pencarian mendalam dan AI mungkin terdengar menakutkan, sebenarnya ini adalah satu lagi pemasar perangkat yang dapat memanfaatkan untuk merampingkan proses dan pengembangan pasar untuk organisasi mereka. Pemasar dapat mengintegrasikan pemahaman mendalam dan AI ke dalam berbagai aspek pemasaran digital dan otomatisasi pendapatan. Jadi, jangan takut dengan perangkat ini — rangkullah!