Как маркетолог вы знаете, что искусственный интеллект (ИИ) — это тренд, который нужно использовать. Но если бы вас попросили объяснить в нескольких коротких предложениях, что это значит для вас, вы смогли бы это сделать ?
Быстрый поиск в Google по запросу "Marketing AI" выдает 850 000 000 результатов. Вряд ли у вас есть время просеять каждое упоминание. Ниже мы представляем несколько определений и тактик для оценки маркетинговых технологических решений, которые утверждают, что «работают на искусственном интеллекте».
Итак, развенчиваем модные словечки из области Martech...
Искусственный интеллект (также известен как Интеллектуальная автоматизация)
Одно из определений ИИ для маркетологов (и таких определений много) пришло от Пола Ретцера из Института маркетинга ИИ: «Искусственный интеллект – это технология, которая автоматизирует задачу, ранее выполненную человеком». Довольно просто, не правда ли?
Каждый раз, когда вы видите ИИ в контексте Martech, просто замените термин «искусственный интеллект» на «интеллектуальная автоматизация», что в маркетинге может означать одну из двух вещей :
1. Рекомендация.
Некоторые маркетинговые программы предсказывают, какое действие будет иметь наиболее положительный результат, чтобы рекомендовать следующий шаг в серии событий. Думайте об этих небольших рекомендациях как о ступеньках на пути к полной автоматизации поставленной задачи. Примеры: предложение тем контента для сообщения в блоге или предложение темы письма.
2. Автоматизация.
Автоматизация основывается на рекомендациях. Чтобы иметь право на автоматизацию, задача должна быть рутинной и повторяемой; цель должна быть конкретной; и шаги для достижения этой цели должны следовать точному набору правил. Примеры: алгоритмическая покупка рекламы programmatic и запуск следующего электронного письма в цепочке писем (automated emails) по customer journey.
По мере того, как мы собираем все больше и больше данных, и возможности маркетинговых технологий улучшаются, количество задач, которые мы можем автоматизировать в рамках маркетинга, несомненно, будут увеличиваться. Есть ли причины для беспокойства, что все функции маркетинга будут полностью автоматизированы? Вряд ли - вероятная эволюция состоит в том, что чем больше функций автоматизировано, тем больше возможностей для маркетинговой стратегии и креативности.
Data science (также известен как Технология, которая обеспечивает искусственный интеллект)
Думая об этой науке, забудьте про пробирки, мензурки и ваш урок биологии 9-го класса. Согласно Школе информации Беркли, Data science (наука о данных) – это практика «организации и анализа огромных объемов данных». А для того, чтобы быть эффективным data scientist, необходимо уметь «выявлять соответствующие вопросы, собирать данные из множества различных источников данных, систематизировать информацию, преобразовывать результаты в решения и передавать свои выводы таким образом, чтобы это положительно сказывалось на деловых решениях».
Вот три наиболее важных составляющих для понимания Data science:
1. The data source / Источник данных. Последовательный, воспроизводимый процесс, который можно измерить, называется источником данных. Примером являются данные open rate в имейлинге. Если предоставить дата сайнтисту предыдущие темы имейлов и данные по их открытию, то он сможет предложить на основе этих данных наиболее эффективную тему следующего письма.
2. Big Data / Большие данные. Доступ к большому количеству наблюдений от конкретного процесса называется «Большие данные». Например, компании, выпускающие кредитные карты, используют записи транзакций от различных клиентов для обнаружения мошенничества. Какие-то транзакции будут общепринятой нормой, а какие-то покажутся подозрительными.
3. Machine-learning (МL) / Машинное обучение. Организация и анализ структурированных данных (например, посещений веб-сайта и данных о покупке) или неструктурированных данных (например, изображений или письменного контента) и составление прогнозов на основе этих данных известны как машинное обучение – зонтичный термин, который применяется к ряду методов data science.
Примером машинного обучения является сканирование изображений и их тегирование (tagging) в базе данных на основе идентифицированных объектов с возможностью поиска.
Итог: просто подумайте о машинном обучении как о наборе методов, используемых машинами (то есть компьютерами), чтобы помочь нам (то есть людям) узнать что-то конкретное.
Вопросы, которые следует задавать при рассмотрении инструментов маркетинга на основе искусственного интеллекта.
Думая о применении новых технологий, нужно задавать правильные вопросы. Эти вопросы помогут сделать искусственный интеллект более доступным для вашей маркетинговой команды:
· Нужно ли интеллектуально автоматизировать эту задачу или она уже автоматизирована?
· Есть ли у технологии свой собственный источник больших данных (Big Data source), или мне нужно будет его предоставить? Есть ли у меня нужный для анализа объем данных и смогу ли я при необходимости подключить свой источник данных к технологии?
· Есть ли доказательства того, что технология дает хорошие рекомендации или автоматизирует одну из моих задач?
Искусственный интеллект, большие данные и машинное обучение никуда не уйдут, и чем быстрее вы окажетесь на пути к тому, чтобы оставаться впереди самого большого разрыва в маркетинге, тем лучше.
Cтатья готовилась по источникам: https://www.marketingprofs.com/articles/2019/41119/the-abcs-of-ai-in-marketing
Подписывайтесь на канал Высшей школы маркетинга и развития бизнеса НИУ ВШЭ, чтобы быть в курсе изменений и новых трендов в бизнесе и маркетинге!
