Czym jest Deep Finding? Oto prawie wszystko, co marketerzy powinni wiedzieć

Syntetyczna inteligencja (AI) jest obecnie w centrum uwagi, ponieważ wiele firm i marek, takich jak Zara i H&M, włącza sztuczną inteligencję do swoich rodzajów działalności. Jako marketer możesz się zastanawiać, czy jest to powód do zmartwień. Czy sztuczna inteligencja przejmie więcej niż nasze miejsca pracy? W rzeczywistości sztuczna inteligencja może sprawić, że marketing stanie się prostszy i bardziej skuteczny dla marketerów, wykorzystując dogłębną analizę know-how.

Ale czym jest głęboki mastering? Jak to działa? I jak można to wykorzystać do reklamy i marketingu oraz zysków w Twojej korporacji? Wymieniono tutaj wszystko, co przedsiębiorcy powinni wiedzieć o głębokim odkrywaniu i korzystnej pozycji, jaką może ono odgrywać na rynku marketingu internetowego.

Czym jest głębokie studiowanie w sztucznej inteligencji?

Odkrywanie sprzętu a głębokie studiowanie

Przykład głębokiego odkrywania w marketingu i reklamie internetowej

Uczenie sieci neuronowej

Jak przedsiębiorcy mogą korzystać z głębokiego studiowania

Obejmując głębokie studia w reklamie

Algorytm głębokiego uczenia się, bardzo podobny do sposobu, w jaki jednostki odkrywają na podstawie wiedzy, wykonuje zadanie wielokrotnie, wprowadzając zmiany prawie za każdym razem, aby poprawić wynik. „Głębokie odkrywanie” odnosi się do szerokich (głębokich) warstw sieci neuronowych, które umożliwiają wyszukiwanie.

Wyszukiwanie sprzętu a dogłębne dowiadywanie się

Głębokie studiowanie jest rodzajem uczenia maszynowego. Badanie urządzeń oznacza, że ​​komputery uczą się na podstawie danych, stosując algorytmy, aby zakładać i działać bez programowania — innymi słowy i wyrażeń, bez potrzeby interwencji człowieka. Jak wspomniano wcześniej, głębokie zrozumienie polega na tym, że komputery stacjonarne uczą się czuć, wykorzystując struktury wzorowane na ludzkim mózgu.

Odkrywanie maszyn wiąże się również ze znacznie mniejszymi zdolnościami obliczeniowymi, chociaż uczenie głębokie wymaga znacznie mniejszej ciągłej interwencji człowieka.

Przykład głębokiego uczenia się w marketingu i marketingu

Załóżmy, że jesteśmy internetowym salonem samochodowym i chcemy skorzystać z licytacji w czasie rzeczywistym (RTB), aby uzyskać miejsce reklamowe dla naszych towarów na innych stronach internetowych w celu retargetowania.

RTB to automatyczna metoda, która będzie miała miejsce w krótkim czasie poniżej 100 milisekund. Gdy osoba odwiedza witrynę internetową, reklamodawca jest powiadamiany i ustalany jest zbiór działań niezależnie od tego, czy reklamodawca licytuje ekspozycję reklamową, czy nie.

W RTB używamy oprogramowania do określenia, czy chcemy wziąć udział w przetargu na określoną reklamę — program wybierze, przewidując, jakie jest prawdopodobieństwo, że odwiedzający witrynę kupi tylko jeden z naszych towarów. Nazywamy to po prostu „skłonnością do kupowania”.

W tym przypadku użyjemy głębokiego wyszukiwania, aby dokonać tej prognozy. Oznacza to, że nasz program RTB użyje sieci neuronowej do przewidywania skłonności do zakupów.

Społeczność neuronowa wewnątrz naszej aplikacji RTB składa się z neuronów i połączeń między nimi. Sieć neuronowa w powyższym wrażeniu ma tylko garstkę neuronów.

W tej sytuacji chcemy dowiedzieć się, czy pewny klient serwisu internetowego najprawdopodobniej kupi pojazd i czy musimy się zrewanżować za reklamę skupiającą się na kliencie. Wynik będzie zależał od zainteresowań i kroków osoby odwiedzającej witrynę.

Aby przewidzieć skłonność do zakupów, wstępnie wybieramy kilka „cech”, które są kluczowe dla określenia zachowania elektronicznego tej osoby. Te atrybuty ludzi będą składać się z tego, które z 4 poszukiwanych stron internetowych na całym świecie były odwiedzane:

1. Cennik.
2. Autokonfigurator.
3. Wymagania.
4. Finansowanie.

Wszystkie te cechy wpłyną na wynik naszej sieci neuronowej i nasze podsumowanie. Dane wyjściowe mogą mieć tylko jedną z dwóch wartości:

1. Klient witryny internetowej jest zainteresowany przedmiotem lub „gotowy do zakupu”. Wniosek: Musimy wyświetlić reklamę.
2. Klient witryny nie jest zaintrygowany towarem lub „nie jest gotowy”. Podsumowanie: Nie pokazuj reklamy.

Dla każdego wpisu używamy „0” lub „1”.

„1” sugeruje, że użytkownik odwiedził stronę internetową. Neurony w środku wstawią wartości powiązanych z nimi neuronów pracujących z wagami — co oznacza, że ​​określają wartość każdej odwiedzanej strony internetowej.

Proces ten trwa od pozostania do poprawnego, aż w końcu osiągniemy „wyjściowe” neurony — „gotowe do zakupu” lub „niegotowe”, jak w przypadku każdego naszego poprzedniego rekordu.

Im wyższa cena produkcji, tym większe prawdopodobieństwo, że ta produkcja jest poprawna — lub dokładniej społeczność przewiduje działania użytkownika.

W tym przykładzie odwiedzający witrynę pojawił się na stronach Cennik i Konfigurator samochodów, ale pominął Specyfikacje techniczne i Finansowanie. Używając wspomnianego wcześniej systemu numerycznego otrzymujemy „wynik” 0,7, co oznacza, że ​​istnieje 70% prawdopodobieństwo, że ten użytkownik jest „gotowy do zakupu” naszego rozwiązania.

Tak więc, jeśli spojrzymy na nasze główne komponenty, ta ocena oznacza podsumowanie, którego potrzebujemy, aby uzyskać miejsce reklamowe RTB.

Edukacja społeczności neuronowej

Coaching sieci neuronowej zazwyczaj oznacza dostarczanie społeczności faktów potrzebnych do uzyskania wyników. Przeszkodą jest zbudowanie odpowiednich elementów „wagowych” dla wszystkich połączeń wewnątrz sieci neuronowej, dlatego musi ona przejść przez uczenie.

W naszym przykładzie z dealerem samochodowym zasilalibyśmy dane sieci neuronowej od różnych odwiedzających witrynę. Informacje obejmowałyby takie rzeczy, jak opcje klienta, takie jak strony internetowe odwiedzane przez kupujących. Wiedza obejmowałaby również takie rzeczy, jak wskaźniki ich ewentualnej inwestycji w wnioski od nas, które są oznaczone jako „rzeczywiście” lub „nie”.

Sieć neuronowa przetwarza wszystkie te informacje, odpowiednio dostosowując wagi każdego neuronu, aż społeczność neuronowa będzie miała tendencję do dokonywania właściwych obliczeń dla każdego mężczyzny lub kobiety w ramach wiedzy dydaktycznej. W czasie, gdy ten ruch jest całkowity, wagi są mocowane, a sieć neuronowa może znacznie dokładniej prognozować wyniki odwiedzających nową stronę internetową.

Jak marketerzy mogą korzystać z głębokiego odkrywania

„Mastering urządzeń można wykorzystać do zwiększenia wydajności lub optymalizacji”, twierdzi Jim Lecinski, współautor książki The AI ​​Internet marketing Canvas: A Five Phase Roadmap to Implementing Synthetic Intelligence in Advertising , w wywiadzie dla Kellogg Insight.

„Tak więc, dla przykładu, każde raportowanie rotacyjne mogłoby zostać zautomatyzowane i przeprowadzone o wiele bardziej kompetentnie. Następnie ci wszechstronni pracownicy mogliby zostać ponownie przydzieleni i ponownie przydzieleni do innych strategicznych zadań związanych z rozwojem” – powiedział.

Ale co ważniejsze, Lecinski mówi, że sztuczna inteligencja i głębokie odkrywanie mogą przyspieszyć wzrost.

„Co więcej, dyrektorzy generalni, zarządy i działy reklamy postrzegają marketing internetowy jako główną siłę napędową wzrostu, której zadaniem jest tworzenie opartych na informacjach prognoz lub prognoz w celu uzyskania idealnej mieszanki odpowiedniego produktu po właściwej cenie, promowanej w odpowiedni sposób, odpowiednimi kanałami, do właściwych ludzi” – wspomniał.

Leciński wyjaśnił: „Duże dane dodatkowo opanowanie urządzeń może w wielu okolicznościach sprawić, że te prognozy i napędzać postęp będą lepsze niż ludzie pozbawieni faktów lub osoby po prostu wspomagane przez fakty”.

Oto kilka strategii, które przedsiębiorcy mogą wykorzystać do głębokiego studiowania, aby wspierać rozwój.

Segmentacja

Modele głębokiego uczenia są przystosowane do odkrywania wzorców w informacjach, co czyni je doskonałymi do innowacyjnej segmentacji. Pozwala to przedsiębiorcom bardzo łatwo i szybko rozpoznać koncentrację na odbiorcach w kampanii marketingowej, gdy maszyny wykorzystują przeszłe zachowania do przewidywania prawdopodobnych potencjalnych klientów.

Sprzęt może również wykorzystywać sieci neuronowe i fakty do rozpoznawania, którzy kupujący są bliscy odejścia — umożliwiając marketingowcom natychmiastowe działanie. Ostatecznie sztuczna inteligencja eliminuje zgadywanie z segmentacji, umożliwiając marketerom skoncentrowanie wysiłków gdzie indziej.

Na przykład nasza sztuczna inteligencja HubSpot ułatwiłaby segmentację dzięki naszemu zautomatyzowanemu elementowi przechwytywania informacji o poczcie elektronicznej. Element umożliwia natychmiastowe przechwytywanie ważnych informacji kontaktowych, takich jak nazwiska, stanowiska, numery telefonów komórkowych i adresy od potencjalnych klientów i potencjalnych klientów. Ta cecha sprawia, że ​​segmentacja, kierowanie i raportowanie są krótkie i łatwe dla przedsiębiorców.

Hiperpersonalizacja

Nowoczesne badanie przeprowadzone przez firmę McKinsey ujawnia, że ​​71% kupujących oczekuje od firm spersonalizowanych interakcji, a 76% wkurza się, gdy tak się nie dzieje. Chociaż personalizacja jest ważna dla doświadczenia konsumenta, jej wykonanie jest naprawdę trudne, gdy jest tak wiele faktów do zbadania.

Niemniej jednak głębokie odkrywanie można wykorzystać do zbudowania mechanizmów personalizacji, które mogą pomóc marketerom usprawnić podejście polegające na oferowaniu hiperspersonalizowanych treści. Ilustracje hiperspersonalizowanych komponentów obejmują strony internetowe wyświetlające artykuły, które mogą się różnić w zależności od tego, kto przegląda lub powiadomienia push dla klientów, którzy odchodzą bez dokonania zakupu.

Hiperpersonalizacja może również obejmować opcje komunikacji tego typu, takie jak czaty na żywo, a głębokie zrozumienie może sprawić, że zbieranie informacji z tych czatów na żywo będzie dziecinnie proste. Nasza sztuczna inteligencja rozpoznawania tożsamości na czacie może na przykład uzyskać przydatne informacje (takie jak nazwiska) i zaktualizować je w HubSpot CRM bez potrzeby integracji.

Przewidywanie działań kupujących

Dogłębne badanie pomoże również marketerom przewidzieć, co konsumenci będą robić w przyszłości, monitorując sposób, w jaki poruszają się po Twojej witrynie i jak ogólnie składają zamówienie. Wykonując to, sztuczna inteligencja może wyjaśnić firmom, które towary i usługi są pożądane i które powinny być przedmiotem przyszłych kampanii.

Obejmowanie głębokiego opanowania w marketingu i reklamie

Chociaż dogłębne odkrywanie i sztuczna inteligencja mogą brzmieć zniechęcająco, tak naprawdę jest to jeszcze jedno narzędzie, które marketerzy urządzeń mogą wykorzystać do usprawnienia procesów i rozwoju rynku w swojej organizacji. Marketerzy mogą zintegrować głębokie zrozumienie i sztuczną inteligencję z wieloma aspektami marketingu cyfrowego i automatyzacji przychodów. Więc nie bój się urządzenia — obejmij je!