什么是深度发现？ 这几乎是营销人员需要知道的一切

如今，合成智能 (AI) 一直是人们关注的焦点，因为 Zara 和 H&M 等许多企业和品牌都将 AI 纳入其业务类型。 作为营销人员，您可能想知道这是否是因为担心。 AI 会抢走我们的工作岗位吗？ 事实上，人工智能实际上可以通过使用深度学习技术使营销对营销人员来说更简单、更有效。

但什么是深度掌握？ 它的表现如何？ 以及如何将其用于贵公司的营销和利润？ 这里列出了企业家需要了解的有关深度发现及其在互联网营销市场中可以发挥的有利作用的任何信息。

人工智能深度学习是什么？

设备发现 vs. 深度学习

互联网营销和广告中的深度发现示例

神经网络的教育

企业家如何使用深度学习

拥抱广告深度学习

与个人从知识中发现的方式非常相似，深度学习算法重复执行一项任务，几乎每次都会产生变化以改善结果。 “深度发现”是指允许发现的神经网络的宽（深）层。

设备探索与深度探索

深度学习是一种机器学习。 设备学习意味着计算机从数据中学习应用算法来假设和行动而无需编程——换句话说，不需要人工干预。 如前所述，深度理解是关于桌面学习感受采用以人脑为模型的结构。

机器发现还涉及相当少的计算能力，尽管深度学习需要的持续人工干预要少得多。

市场营销中深度学习的例子

假设我们是一家在线汽车经销商，我们希望使用实时竞价 (RTB) 为我们的商品在其他互联网网站上获得广告位置，以实现重新定位目的。

RTB 是一种自动方法，将在不到 100 毫秒的短时间内发生。 当一个人访问一个网站时，广告商会收到警报，并且无论该广告商是否为广告展示出价，都会建立一系列操作。

在 RTB 中，我们使用软件来确定我们是否要为某个广告出价——软件程序将通过预测网站访问者购买我们的一种商品的可能性来做出选择。 我们简称为“购买倾向”。

在这种情况下，我们将使用深度学习来做出这个预测。 这表明我们的 RTB 软件程序将使用神经网络来预测购买倾向。

我们的 RTB 应用程序内部的神经社区由神经元和它们之间的连接组成。 过印象中的神经网络只有屈指可数的几个神经元。

在这种情况下，我们想知道某个特定的网站客户是否最有可能购买汽车，以及我们是否必须支付广告费用以关注该客户。 结果将取决于网站访问者的兴趣和步骤。

为了预测购买倾向，我们最初选择了几个对定义此人的电子行为至关重要的“特征”。 这些人的属性将包括以下 4 个互联网页面中的哪些经常被访问：

1. 价钱。
2. 自动配置器。
3. 要求。
4. 资金。

所有这些特征都会影响我们神经网络的输出和我们的总结。 该输出只能具有以下两个值之一：

1. 网站客户对该商品感兴趣或“准备购买”。 结论：我们必须筛选广告。
2. 站点客户对商品不感兴趣或“没有准备好”。 总结：不显示广告。

对于每个输入，我们使用“0”或“1”。

“1”表示用户访问过该网页。 中间的神经元将插入与权重相关的相关神经元的值——这意味着它们确定每个访问过的网页的值。

这个过程从保留到纠正，直到我们最终获得“输出”神经元——“准备购买”或“未准备好”，就像我们之前的每一个记录一样。

输出的价格越高，该输出正确的可能性就越大——或者社区预测用户行为的准确性就越高。

在此示例中，网站访问者出现在定价和汽车配置器页面，但跳过了技术规格和融资。 使用前面提到的数字系统，我们得到 0.7 的“分数”，这表示该用户“准备购买”我们的解决方案的可能性为 70%。

因此，如果我们看一下我们的主要组件，该评级表示我们需要获得 RTB 广告位置的摘要。

神经共同体的教育

指导神经网络通常意味着向社区提供创造成果所需的事实。 障碍在于为神经网络内部的所有连接构建适当的“权重”元素，这就是为什么它需要经过学校教育。

在我们的汽车经销商示例中，我们将提供来自不同网站访问者的神经网络数据。 该信息将包括诸如客户选项之类的内容，例如客户经常访问的网页。 这些知识还包括诸如他们最终投资于我们的结论的指标之类的东西，这些结论被标记为“确实”或“否”。

神经网络处理所有这些信息，调整每个神经元的权重，直到神经网络倾向于对教学数据中的每个人做出正确的计算。 当移动完成时，权重固定，神经网络可以更准确地预测新网页访问者的结果。

营销人员如何使用深度发现

“设备掌握可用于提高效率或优化收益，”人工智能互联网营销画布的合著者 Jim Lecinski 在接受 Kellogg Insight 采访时表示：“在广告中实施合成智能的五阶段路线图” 。

“因此，举个例子，任何死记硬背的报告都可以自动化并更有效率地进行。 然后，这些全职员工可以重新调整用途，并重新应用于其他战略性晋升工作，”他说。

但更重要的是，Lecinski 说人工智能和深度学习有能力推动增长。

“此外，首席执行官、董事会和广告部门正在将网络营销视为主要的增长引擎，负责创建基于信息的预测或预测，以正确的价格标签获得合适项目的理想组合，促进以合适的方式通过合适的渠道提供给合适的人，”他说。

Lecinski 解释说，“在许多情况下，大数据和设备掌握可以比缺乏事实的人或仅靠事实帮助的人更好地做出这些预测并推动进步。”

以下是企业家可以利用深度学习促进发展的几种策略。

分割

深度学习模型能够发现信息中的模式，使其非常适合创新细分。 当机器使用过去的行为来预测可能的潜在客户时，这使企业家能够非常轻松快速地识别出营销活动对受众的关注。

设备还可以使用神经网络和事实来识别哪些购物者即将离开——让营销人员立即采取行动。 最终，人工智能消除了细分中的猜测，使营销人员可以将精力集中在其他地方。

例如，我们的 HubSpot AI 可以通过我们的自动电子邮件数据抓取功能降低细分难度。 该元素使人们可以立即捕捉重要的联系人信息，例如来自潜在客户和潜在客户的姓名、职位、手机号码和地址。 该功能有助于使企业家的细分、路由和报告变得简单而轻松。

超个性化

麦肯锡的一项现代研究表明，71% 的购物者希望企业能够产生个性化的互动，而 76% 的人会因为没有实现而生气。 虽然个性化对消费者体验很重要，但在有如此多的事实需要检查时执行起来确实具有挑战性。

然而，深度发现可用于构建个性化引擎，帮助营销人员简化提供超个性化内容的过程。 超个性化组件的示例包括筛选文章的网站，这些文章可能会根据谁在浏览或为没有购买而离开的客户推送通知而有所不同。

超个性化还可以扩展到诸如实时聊天之类的通信选项，而深入的理解可以使从这些实时聊天中收集信息变得轻而易举。 例如，我们的实时聊天身份识别 AI 可以获取有用的对话信息（如姓名）并在 HubSpot CRM 中更新它，而无需集成任何东西。

预测购买者行为

深入研究还可以帮助营销人员通过监控消费者如何浏览您的网站以及他们下订单的频率来预测消费者接下来会做什么。 在这样做的过程中，人工智能可以向公司解释哪些产品和服务是需要的，应该成为未来活动的重点。

深入掌握营销和广告

尽管深度学习和 AI 听起来可能令人生畏，但它确实是设备营销人员可以用来简化其组织的流程和市场开发的另一种工具。 营销人员可以将深刻理解和人工智能融入数字营销和收入自动化的众多方面。 所以，不要害怕这个设备——拥抱它！