یادگیری ماشین، هوش مصنوعی و بازاریابی محتوا

یادگیری ماشین، هوش مصنوعی و بازاریابی محتوا

شرکت مشاوره اَکسنچِر، Accnetur، در گزارشی۱ به بررسی و معرفی ۱۹ روند در دیجیتال مارکتینگ برای سال ۲۰۱۹ و بعد از آن پرداخته است و در آن به روندهایی مانند هوشمندتر شدن تبلیغات، تعهد بیشتر به محتوا، یکپارچه‌سازی خدمات مشتری در شبکه‌های اجتماعی با CRM، هوش مصنوعی (Artificial Intelligence)، چت‌بات‌ها، شخصی‌سازی و استفاده از بیگ دیتا و خودکارسازی بازاریابی، اشاره کرده است.

پیش‌بینی اکسنچر تنها یک نمونه از انبوه گزارش‌هایی است که به پررنگ‌تر شدن سهم هوش مصنوعی و یادگیری ماشین، در بازاریابی و در هم تنیده‌شدن این دو حوزه اشاره کرده‌است.

به همین دلیل در این پُست قصد داریم تا به نقش هوش مصنوعی در بازاریابی محتوا و کاربردهای آن بپردازیم. این نوشته شامل چهار بخش زیر است:

  • فرصت‌های موجود برای استفاده از هوش مصنوعی (AI) در بازاریابی محتوایی
  • توانایی‌های هوش مصنوعی و یادگیری ماشین در تولید محتوای بازاریابی
  • بازاریابان محتوایی چگونه می‌توانند از کاربردهای هوش مصنوعی استفاده کنند؟
  • سخن آخر؛ «به قدر تشنگی باید بچشید»

فرصت‌های موجود برای استفاده از هوش مصنوعی (AI) در بازاریابی محتوایی۲

در این بخش به بررسی فرصت‌های موجود برای استفاده از هوش مصنوعی (AI) در بازاریابی محتوایی پرداخته شده‌است. منظور از فرصت این است که چگونه می‌توان از هوش مصنوعی به عنوان ابزاری برای بهینه‌سازی فعالیت‌های مرتبط با بازاریابی و کسب و کار کمک گرفت. به عنوان مثال تعیین اولویت عواملی که منجر به سودآوری می‌شوند، کمک به انتخاب عنوان یا لغات کلیدی برای SEO، کسب آگاهی و نگرش‌های جدید از کسب و کار خود، یا بررسی وضعیت در میان رقبا و اتخاذ استراتژی و اقدام‌های متناسب.

در ادامه هریک از این کاربردها تشریح شده‌است.

تحلیل محرک اصلی (Driver Analysis): کدام اقدام منجر به سود بیشتر می‌شود؟

زمانی که با حجم زیادی از داده‌ها مواجه هستید و مطمئن نیستید کدامیک از آن‌ها منجر به خروجیِ مورد نظر شما می‌شود، تحلیل محرک (Driver Analysis) ابزار موثری است.

اطلاعات را به الگوریتم یادگیری ماشین خود می‌دهید و او به شما خواهد گفت چه اطلاعاتی برای شما مهم‌تر است. خروجی این الگوریتم به شما خواهد گفت کدام ترکیب از متغیرها، قوی‌ترین ارتباط را با هدف شما دارد.

به عنوان نمونه چنین تحلیلی بر روی وبسایت اسپین ساکس (Spin Sucks) انجام شده‌است. هدف این وبسایت ایجاد سرنخ‌های فروش (Lead generation) است. پس از این تحلیل مشخص شد که جست‌وجو‌ی طبیعی (Organic search) در جایگاه سوم در بین محرک‌ها و عوامل موثر بر سوددهی قرار دارد. نکته جالب توجه این است که تیم این وبسایت، انرژی و زمان زیادی را صرف بهبود جست‌وجوی طبیعی می‌کردند- که البته لازم است- اما نکته کلیدی و مغفول این بود که بازاریابی ایمیلی (Email marketing) اولین و مهمترین عامل بوده است.

با استفاده از این تحلیل و درک بهتر از اینکه چه عواملی و به چه میزانی، سرنخ‌های فروش را ایجاد می‌کنند، اسپین ساکس بیشتر وقت خود را به ایمیل مارکتینگ اختصاص داد.

تفاوتی ندارد که هدف شما چیست- بالابردن بازدید از صفحات، سهم از شبکه‌های اجتماعی، سرنخ‌های فروش و یا افزایش درآمد- فهرستی از عوامل به همراه اهمیت آن‌ها می‌تواند به شما کمک کند تا منابع، اولویت‌ها و بودجه را به شکل موثرتری برنامه‌ریزی کنید.

متن‌کاوی (Text mining): عناوین، لغات کلیدی و مشکلات پنهان را آشکار کنید.

متن‌کاوی (Text mining) یکی از کاربردهای هوش مصنوعی است که محتوایی مثل یک متن را دریافت می‌کند و آن را برمبنای معیارهایی دسته‌بندی، طبقه بندی و قابل تحلیل می‌کند.

به طور مثال می‌توان با استفاده از متن‌کاوی، خروجی‌های الگوریتم گوگل را بررسی و عناوین مناسبی را برای هر محتوا پیدا کرد. به عنوان یک نمونه کاربردی، می‌توان از الگوریتم یادگیری ماشین به گونه‌ای استفاده کرد که نشان دهد برای عبارتی مانند «بازاریابی محتوایی»، چه لغات کلیدی مشترکی در  ۱۰ یا ۲۰ صفحه اول گوگل وجود دارد. در زیر یک نمونه از چنین تلاشی نشان داده شده است.

این لیست‌ها کمک می‌کنند تا زمانی که می‌خواهیم پیرامون کلیدواژه‌ای (Keyword)- که با بررسی نتایج گوگل به دست آمده- محتوا تولید کنیم، چه لغات و طبقه‌بندی‌هایی را باید در نظر بگیریم. در اختیار داشتن این لغات، شانس بیشتری برای موفقیت در جست‌و‌جوی طبیعی (Organic search) ایجاد خواهد کرد.

استخراج دریافت‌ها و بینش‌هایی (Insights) از طریق متن‌کاوی

در رابطه با متن‌کاوی (Text mining) و کاربرد آن در رسیدن به دریافت‌ها(Insights) و بینش‌های جدید در مورد کسب و کار،  شاید رستوران‌های داردِن (Darden Restaurants) مثال جالب توجهی باشد.

در سال ۲۰۱۴ هم‌زمان با تغییرات در هیئت مدیره، تغییرات دیگری نیز در سیاست‌های این شرکت رخ داد که از آن جمله می توان به حذف سیاست «تکه نان اضافه» (Breadstick policy) اشاره کرد؛ در این سیاست برای هر نفر یک نان اضافه در نظر گرفته می‌شد.

بعد از این تغییر، تحلیلی بر روی ۲۵۰۰ دیدگاه کارمندانِ این رستوران‌ها که به صورت عمومی در  Glassdoor وجود داشت، انجام شد. نتیجه این بود: حذف سیاست «تکه نان اضافه» کار درستی نبوده‌است.

استخراج دریافت‌ها و بینش‌هایی (Insights) از طریق متن‌کاوی - نمونه تحلیل 2500 دیدگاه برای رستوران داردن

متن‌کاویِ داده‌ها، می‌تواند بر روی داده‌های مختلفی مورد استفاده قرار بگیرد. به عنوان مثال برای داده‌هایی مانند:

 دیدگاه‌های مشتریان و پست‌های وبلاگ که حاوی بهترین و بدترین عملکرد بوده‌اند.

پیش‌بینی سری‌های زمانی (Time-series forecasting): تحلیل جست‌وجوهای برندهای رقیب

چنانچه بدانیم در محیط رقابتی کسب و کار ما چه اتفاقاتی در حال رخ دادن است آنگاه می‌توانیم از آن در برنامه‌ریزی بازاریابی محتوایی، تنظیم بودجه، و تخصیص منابع کمک به سزایی گرفت. به عنوان مثال هتل کلیولند (Cleveland hotel) با به‌کارگیری پیش‌بینی‌های مبتنی بر سری‌های زمانی، هوش مصنوعی، و داده‌های مرتبط با جستجوی «هتل کلیولند» در یک دوره ۱۲ ماهه (جستجوهایی مانند هیلتون کلیولند، تعطیلات در کلیولند، کلیولند هیات، کلیولند ماریوت) توانسته پیش‌بینی ‌کند چه زمانی جستجوها برای هر هتل افزایش یا کاهش می‌یابد.

به عنوان مثال نمودار زیر بیان می‌کند که در اواخر سپتامبر، هتل ماریوتِ کلیولند از رقبایش بیشتر جستجو می‌شود. در زمان مذکور این هتل می‌تواند می‌تواند کمپین‌هایی را برای گرفتن سهم بیشتر از بازار، راه اندازی کند.

پیش‌بینی سری‌های زمانی (Time-series forecasting): تحلیل جست‌وجوهای برندهای رقیب - هتل کلیولند

 هر برندی می‌تواند از پیش‌بینی مبتنی بر سری‌های زمانی استفاده کند و جستجوهای مربوط به یک شرکت در مقابل رقبایش را تحلیل کند. مثلا می‌توان متوجه شد که یک برند چه زمانی پایین‌تر از حد مطلوب عمل می‌کند و با ارایه محتوایی جذاب یا پیشنهادی تشویقی، مانع از عقب افتادگی در میان رقبایش شود.

علاوه بر حجم جستجو می‌توان عناوین، گفتگوها، و شبکه‌های اجتماعی را نیز در نظر گرفت و بر روی آن‌ها تحلیل‌هایی انجام داد. همچنین می‌توان از داده‌های موجود در نرم‌افزارهای خودکارسازی بازاریابی، CRM یا ERP برای ایجاد سرنخ‌های فروش یا پیش‌بینی درآمدها استفاده کرد. به طورخلاصه، در نظر داشته باشید که هر چیزی که حاوی داده‌هایی منظم و در طول زمان باشد، می‌تواند پیش‌بینی شود.

توانایی‌های هوش مصنوعی و یادگیری ماشین در تولید محتوای بازاریابی۳

 در این بخش به این موضوع پرداخته شده‌است که چگونه از هوش مصنوعی و یادگیری ماشین برای تولید محتوای بازاریابی، بهینه‌سازی و انتشار آن می‌توان به طور مستقیم استفاده کرد.

  تفاوت این بخش با قسمت قبل در این است که در بخش پیشین، هوش مصنوعی و یادگیری ماشین مانند یک مشاور یا تحلیلگر در کنار کسب و کار ایفای نقش می‌کرد. اما در این قسمت علاوه بر تحلیل، در نقش مجری و نویسنده‌ای آگاه به سلایق و انتخاب‌های مخاطب قرار گرفته‌است؛ به عبارتی هم تحلیل می‌کند و هم برمبنای نتایج، اقدام مناسب را نیز انجام می‌دهد.

تولید محتوا به صورت خودکار:

هوش مصنوعی می‌تواند محتوا تولید کند و تبلیغات را بهینه کند. بسیاری از صنایع در دنیا در حال استفاده از هوش مصنوعی هستند تا بتوانند به سرعت محتوای خود را تولید، بهینه، و منتشر کنند. بر اساس تحقیقی تحت عنوان «ربات-روزنامه‌نگاران را وارد کنید»۴ اکثر خوانندگان نمی‌توانند محتوای تولید شده بوسیله هوش مصنوعی را از محتوای نوشته‌ شده‌ی بوسیله انسان تشخیص دهند.

سفارشی کردن الگوریتم های ارایه اخبار در رسانه‌های اجتماعی:

در حال حاضر در رسانه‌های اجتماعی تلاش گسترده‌ای صورت می‌گیرد تا اخبار و اتفاقات براساس سلیقه و ترجیحات هر کاربر به او ارایه شود. فیسبوک و اینستاگرام دایما در حال تغییر الگوریتم‌های خود هستند که محتواهای مرتبط و مورد پسند با کاربران را در ابتدای پیشنهاد خود قراردهند. الگوریتم‌های یادگیری ماشین از تشخیص چهره و صدا، تحلیل احساسات، و ارایه پیشنهادهای اختصاصی استفاده می‌کنند تا تجربه کاربری را بهبود دهند.

البته هنوز همه پلتفرم‌های اجتماعی در استفاده از هوش مصنوعی خبره نشده‌اند. اما شاید برای شروع بتوان از نقاطی مانند مرور نظر کاربران، شروع کرد.

تبلیغات هوشمند و تجربه‌ی کاربری بهتر:

به کمک یادگیری عمیق (Deep learning)، تشخیص تغییر رفتار و علایق مشتریان برای بازاریابان آسان‌تر می‌شود. یادگیری ماشین، از الگوریتم‌های مختلف و حجم عظیمی از داده‌ها برای نمایش تبلیغات اختصاصی و هدفمند به گروه‌های مختلف مردم کمک می‌گیرد که در نتیجه باعث افزایش نرخ کلیک (CTR) می‌شود. با همه محدودیت‌هایی که هوش مصنوعی در حال حاضر با آن مواجه است اما روز به روز شرکت‌های بیشتری از آن برای ارتقا و بهبود تجربه مشتریان خود استفاده می‌کنند. برای مثال: دستیاران مجازی، کاربران را برای حرکت در صفحات وب‌سایت و آشنایی با ویژگی‌های جدید یاری می‌دهند یا چت‌بات‌ها می توانند سوال‌های مشتریان را پاسخ دهند.

بازاریابان محتوایی چگونه می‌توانند از کاربردهای هوش مصنوعی استفاده کنند؟

سه راه‌کار برای آن‌ها می‌توان در نظر گرفت:

خودتان انجام دهید. این رویکرد برای درصد کمی از بازاریابان مناسب است؛ کسانی که به علوم داده و یادگیری ماشین علاقه‌مند هستند. باید آن قدر علاقه داشته باشند که کمی در ریاضی، آمار و احتمال عمیق‌تر شوند و البته با برنامه نویسی مشکلی نداشته باشند، یا این آمادگی را داشته باشند که آن را یاد بگیرند. برای کسانی که چنین علاقه ای دارند دوره‌ها و درس‌های زیر پیشنهاد می‌شوند:

  • دوره آموزشی گوگل با نام Machine Learning Crash Course
  • همینطور استودیوی واتسون  آی. بی. ام (IBM Watson Studio)  رابط کاربری کاربرپسندی دارد. واتسون هم‌زمان با اینکه به برنامه‌نویسان اجازه می‌دهد در پلتفرم خود کدنویسی کنند، رابط کاربری‌اش برای بازاریابانی که چندان تمایلی به کدنویسی ندارند، مفید است.
  • برای زبان برنامه نویسی هم R یا پایتون پیشنهاد می‌شود.

در نهایت حدود ۶-۱۲ ماه برای یادگیری برنامه‌نویسی و ۶-۱۲ برای یادگیری علوم داده زمان بگذارید.

به متخصصان داده مراجعه کنید. این گزینه بیشتر برای شرکت‌های بزرگی که متخصصان داده را در سازمان‌های خود به کار می‌گیرند مناسب است. این متخصصان، هم با اعداد و ارقام راحت هستند و هم می‌دانند تکنولوژی را چگونه استفاده کنند. در نتیجه می‌توانند در زمانی قابل قبول، کمک بسیار بزرگی به شما ارایه دهند.

همه‌ی کاربردهای فوق، با وجود چنین افرادی به راحتی میتواند مورد استفاده قرارگیرد.

برون‌سپاری  کنید. این گزینه برای شرکت‌هایی مناسب است که به صورت داخلی از متخصصان هوش مصنوعی و علوم داده برخوردار نیستند یا پس از بررسی به این نتیجه رسیده‌اند که نیاز به تخصص و نظر دومی هم وجود دارد. آژانس‌ها و مشاوران می‌توانند به شما کمک کنند که از روش‌ها و متدهای هوش مصنوعی استفاده کنید.

پیشنهاد می‌شود ابتدا با پروژه‌های کوچک شروع کنید و پس از اطمینان از کیفیت، وارد روابط بلندمدت‌تر یا پروژه‌های بزرگ‌تر شوید. چنانچه نیاز به همکاری بلندمدت و پیوسته دارید، آن‌ها می‌توانند به شما کمک کنند تا نرم‌افزاری اختصاصی برای خود ایجاد کنید.

سخن آخر؛ «به قدر تشنگی باید چشید»

اما نهایتا نکته کلیدی این است که بدون در نظر گرفتن هریک از گزینه‌های فوق، به بازاریابان و شرکت‌ها توصیه می‌شود تا در مورد هوش مصنوعی یادبگیرند و نقشی که در بازاریابی ایفا می‌کند را درک کنند.

شاید شما نیازی نداشته باشید که زنجیره تخصیص مارکوف را درک کنید یا مثلا چگونه در R برنامه نویسی کنید اما قطعا نیاز دارید بدانید چه زمانی و چگونه هوش مصنوعی می‌تواند به شما در بازاریابی کمک کند. دانش ابتدایی در هوش مصنوعی به شما کمک می‌کند که راه‌کارها و ادعاهای مشاوران و فروشندگان را بهتر ارزیابی کنید. درست مثل این است که برای خرید لپتاپ، نیازی به دانش تخصصی در مورد طراحی تراشه‌های الکتریکی نیست ولی لازم است در مورد RAM یا تفاوت پردازنده ۱٫۵ و ۲٫۷ گیگا هرتز اطلاعاتی داشته باشید.

 

  1.  Ninteen (19) Digital marketing trends for 2019 and beyond
  2.  Opportunities for AI in Content Marketing Easily Explained
  3.  Artificial Intelligence in Content Marketing: Should you Fight or Embrace it
  4.  Enter the Robot Journalist

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *