8 مثالهای یادگیری ماشینی از برندها برای الهام بخشیدن به بازاریابان دیجیتال
یادگیری ماشین در دنیای دیجیتال مارکتینگ موج ایجاد می کند. در اینجا هشت مثال برای الهام بخشیدن به کمپین بعدی شما آورده شده است.
یادگیری ماشینی بسیار رایج است، اما در عمل به عنوان بخشی از استراتژی بازاریابی دیجیتال چگونه به نظر می رسد؟
اگر از وبسایتی استفاده میکنید که محصولات را بر اساس خریدهای قبلی توصیه میکند، با استراتژی یادگیری ماشینی مواجه شدهاید.
یادگیری ماشینی جنبهای از هوش مصنوعی (AI) است که از الگوریتمها برای تکمیل وظایف خاص مانند توصیههای محصول استفاده میکند.
می تواند عملکردهای زیادی را برای بازاریابان دیجیتال به دست آورد، از جمله:
شخصی سازی.
هدف گذاری پیش بینی
تقسیم بندی مشتری
مدل سازی ارزش مادام العمر
بهینه سازی سفر مشتری
مناقصه هوشمند
چت ربات ها
یادگیری ماشین سالهاست که در بازاریابی دیجیتال مطرح است.
در واقع، هر زمان که از موتورهای جستجو استفاده می کنید، از یادگیری ماشینی استفاده می کنید.
در حالی که هنوز برای بیشتر یک استراتژی جدید است، بسیاری از کسب و کارها شروع به پیاده سازی این فناوری در کمپین های بازاریابی خود کرده اند.
در زیر هشت نمونه از یادگیری ماشینی در بازاریابی دیجیتال آورده شده است.
1. چیس
در سال 2019، بانک چیس، غول بانکی، با Persado همکاری کرد تا به ایجاد نسخه بازاریابی برای کمپین های خود کمک کند.
آنها شرکت هوش مصنوعی را به چالش کشیدند تا نسخهای تولید کند که کلیکهای بیشتری را به همراه داشته باشد - که آنها هم انجام دادند.
نمونه هایی از کپی تولید شده یادگیری ماشین عبارتند از:
نسخه انسانی: "بدون کاغذ بروید و 5 دلار پول نقد دریافت کنید."
کپی تولید شده توسط ماشین: «پیشنهاد زمان محدود: وقتی بدون کاغذ بروید، 5 دلار پول نقد به شما پاداش خواهیم داد».
نتایج: کپی هوش مصنوعی تقریبا دو برابر کلیک ایجاد کرد.
کپی انسانی: "دسترسی به پول نقد از سهام در خانه خود" با دکمه "نگاه کن".
کپی تولید شده توسط ماشین: "درست است - می توانید پول نقد را از سهام خانه خود باز کنید" با یک "برای درخواست کلیک کنید" سریع.
نتایج: نسخه هوش مصنوعی 47 متقاضی در هفته را جذب کرد، در حالی که نسخه انسانی 25 متقاضی در هفته را جذب کرد.
نسخه انسانی: "عجله کنید، 31 دسامبر به پایان می رسد. 5٪ پول نقد در فروشگاه های بزرگ، کلوپ های عمده فروشی به دست آورید."
کپی تولید شده توسط ماشین: "در مورد کارت شما: 5٪ برگشت نقدی در انتظار شماست"
نتایج: کپی هوش مصنوعی تقریباً پنج برابر کلیک های منحصر به فرد ایجاد کرد.
در حالی که نسخه تولید شده توسط ماشین ممکن است در بین مشتریان عملکرد بهتری داشته باشد، مهم است که به خاطر داشته باشید که با کپینویسان انسانی که ایدههای آن را تغذیه میکنند، کار میکند.
کپینویسهای انسانی و یادگیری ماشینی با هم میتوانند نسخهای را ایجاد و بهینه کنند که طنین انداز شود.
2. استارباکس
با فروشگاه های سراسر جهان، استارباکس داده های زیادی را به دست می آورد.
استارباکس میتواند به اطلاعات خرید دسترسی پیدا کند و این اطلاعات را با کارت وفاداری استارباکس و برنامه تلفن همراه به وثیقه بازاریابی تبدیل کند. این استراتژی تحلیل پیش بینی نامیده می شود.
برای مثال، یادگیری ماشین نوشیدنیهایی را که هر مشتری میخرد، از کجا میخرد، و زمانی که میخرد جمعآوری میکند، و این را با دادههای بیرونی مانند آبوهوا و تبلیغات تطبیق میدهد تا تبلیغات فوقشخصیشده را به مشتریان ارائه دهد.
یک نمونه شامل شناسایی مشتری از طریق سیستم نقطه فروش استارباکس و ارائه سفارش دلخواه به باریستا است.
این برنامه همچنین می تواند محصولات جدیدی را بر اساس خریدهای قبلی (که می تواند با توجه به شرایط آب و هوایی یا تعطیلات تغییر کند) پیشنهاد دهد.
یادگیری ماشینی می تواند حدس و گمان را از توصیه های محصول حذف کند.
غولهای خردهفروشی مانند استارباکس میلیونها مشتری دارند، اما میتوانند به هر یک از آنها احساس کنند که توصیههای شخصیشده دریافت میکنند زیرا میتوانند دادهها را به سرعت و کارآمد بررسی کنند.
3. eBay
eBay میلیون ها مشترک ایمیل دارد. هر ایمیل به خطوط موضوع جذابی نیاز داشت که باعث کلیک مشتری شود.
با این حال، ارائه بیش از 100 میلیون خط موضوعی چشم نواز برای نویسندگان بشری بسیار دشوار بود.
وارد یادگیری ماشین شوید.
eBay با Phrasee همکاری کرد تا به ایجاد خطوط موضوعی جذاب کمک کند که فیلترهای هرزنامه را راهاندازی نمیکنند. علاوه بر این، نسخه تولید شده توسط ماشین با صدای برند eBay همسو شد.
نتایج آنها موفقیت را نشان می دهد:
افزایش 15.8 درصدی نرخ باز.
31.2 درصد افزایش میانگین کلیک.
بیش از 700000 افتتاحیه افزایشی در هر کمپین.
بیش از 56000 کلیک افزایشی در هر کمپین.
یادگیری ماشینی می تواند دلهره آورترین کارها را انجام دهد و آنها را در عرض چند دقیقه در مقیاس تکمیل کند.
در نتیجه، کسبوکارها میتوانند بیشتر بر کمپینهای تصویری بزرگ تمرکز کنند تا کارهای خرد.
4. Doordash
Doordash هزاران کمپین بازاریابی را در کانال های بازاریابی خود اجرا می کند.
تیم آنها به صورت دستی پیشنهادات را بر اساس عملکرد تبلیغات به روز می کند.
با این حال، تیم دریافت که این کار وقت گیر و طاقت فرسا بود.
بنابراین Doordash برای بهینه سازی هزینه های بازاریابی خود به یادگیری ماشین روی آورد.
این یک پلت فرم اتوماسیون بازاریابی بر اساس داده های اسناد ایجاد کرد.
این داده ها به شرکت می گوید که مشتری در کدام کانال و با چه کمپینی تبدیل شده است.
با این حال، جمعآوری سریع آن نوع دادهها با هزاران کمپین در یک زمان ممکن است دشوار باشد.
یادگیری ماشینی با جمعآوری آن دادهها و ایجاد توصیههای هزینه به مقابله با این وظیفه کمک میکند تا بتوانند بودجه خود را سریع و کارآمد بهینه کنند.
5. Autodesk
Autodesk نیاز به چت ربات های پیچیده تر را دید.
مصرف کنندگان اغلب از محدودیت های چت بات ها ناامید هستند و بنابراین ترجیح می دهند با یک انسان صحبت کنند.
با این حال، رباتهای گفتگو میتوانند به طور موثر مشتریان را به سمت محتوا، فروشنده یا صفحه خدماتی که نیاز دارند راهنمایی کنند.
بنابراین Autodesk به یادگیری ماشین و هوش مصنوعی روی آورد.
چت ربات Autodesk از یادگیری ماشینی برای ایجاد گفتگو بر اساس کلمات کلیدی موتور جستجو استفاده می کند.
سپس، ربات چت میتواند از طرف دیگر به مشتری متصل شود و نرخ تبدیل سریعتری را فراهم کند.
از زمان اجرای چت بات خود، اتودسک سه برابر تعامل چت و افزایش 109 درصدی در زمان صرف شده در صفحه داشت.
6. بایدو
در سال 2017، بایدو، موتور جستجوی چینی، سیستمی به نام Deep Voice ساخت که از یادگیری ماشینی برای تبدیل متن به گفتار استفاده می کند. این سیستم می تواند 2500 صدا را با نیم ساعت دیتا یاد بگیرد.
بایدو توضیح میدهد که Deep Voice میتواند به تجربههای همهجانبهتری در بازیهای ویدیویی و کتابهای صوتی منجر شود.
هدف بایدو با Deep Voice این است که به ماشینها بیاموزد تا با تقلید از هزاران صدای انسان بیشتر شبیه انسان صحبت کنند.
به زودی، موتور جستجو امیدوار است که سیستم بتواند بر 10000 یا بیشتر صدا با لهجه های مختلف تسلط یابد.
وقتی Deep Voice کامل شود، میتواند چیزهایی را که ما هر روز استفاده میکنیم، بهبود بخشد، مانند:
سیری.
الکسا
دستیار گوگل.
ترجمه بلادرنگ
امنیت بیومتریک
حتی می تواند به افرادی که صدای خود را از دست داده اند کمک کند تا دوباره ارتباط برقرار کنند.
در حالی که هیچ بهروزرسانی اخیری وجود نداشته است، بایدو امیدوار است که Deep Voice فناوری ما را متحول کند.
7. برندهای خیاط
Tailor Brands از یادگیری ماشینی برای کمک به کاربران خود برای ایجاد لوگو استفاده می کند.
ماشین «این یا آن» به Tailor Brands با استفاده از الگوریتمهای تصمیمگیری به درک سلیقه کاربر کمک میکند.
کاربران با انتخاب نمونه هایی از آنچه دوست دارند، ترجیحات خود را برای سبک ها، فونت ها و سایر جنبه های طراحی به سازنده لوگو می گویند.
Tailor Brands از جبر خطی استفاده می کند.
تصمیم هر کاربر در معادله ای قرار می گیرد که به ماشین کمک می کند ترجیحات کاربر را یاد بگیرد.
دفعه بعد که شخصی یک لوگو تولید می کند، برندهای Tailor می توانند سبک هایی مشابه آنچه قبلا استفاده کرده اند را نشان دهند.
8. Yelp
Yelp روزانه میلیون ها عکس در سراسر جهان دریافت می کند.
این شرکت متوجه شد که برای تطبیق عکس ها با مشاغل خاص به روشی پیچیده نیاز دارد.
بنابراین آنها یک سیستم درک عکس را برای ایجاد داده های معنایی در مورد عکس های فردی ایجاد کردند.
این سیستم به Yelp اجازه میدهد عکسها را در دستههای مرتبط با جستجوی کاربر مرتب کند.
ابتدا Yelp برای عکس هایی که از کاربران دریافت کرده بود برچسب هایی مانند "نوشیدنی" یا "منو" ایجاد کرد.
در مرحله بعد، این شرکت دادههایی را از شرح عکس، ویژگیهای عکس و جمعسپاری جمعآوری کرد.
سپس، یادگیری ماشینی را برای تشخیص برچسبهای عکس پیادهسازی کرد که سیستم میتوانست عکسها را در دستههایی قرار دهد.
این سیستم طبقه بندی عکس به ایجاد تجربه کاربری بهتر در Yelp کمک می کند.
به عنوان مثال، میتواند به تنوع عکسهای روی جلد کمک کند و برگههایی ایجاد کند که به کاربران اجازه دهد به اطلاعات دقیقی که به دنبال آن هستند بپیوندند.
بازاریابهای دیجیتال فقط سطح کاری را که یادگیری ماشینی میتواند برای آنها انجام دهد بررسی میکنند.
انسانها و ماشینها میتوانند با هم کار کنند تا تجربیات مشتری معنادارتر و کمپینهای بهینهتری را در زمان کمتری ایجاد کنند. این یک برد-برد-برد است.
8 مثالهای یادگیری ماشینی از برندها برای الهام بخشیدن به بازاریابان دیجیتال
یادگیری ماشین در دنیای دیجیتال مارکتینگ موج ایجاد می کند. در اینجا هشت مثال برای الهام بخشیدن به کمپین بعدی شما آورده شده است.
یادگیری ماشینی بسیار رایج است، اما در عمل به عنوان بخشی از استراتژی بازاریابی دیجیتال چگونه به نظر می رسد؟
اگر از وبسایتی استفاده میکنید که محصولات را بر اساس خریدهای قبلی توصیه میکند، با استراتژی یادگیری ماشینی مواجه شدهاید.
یادگیری ماشینی جنبهای از هوش مصنوعی (AI) است که از الگوریتمها برای تکمیل وظایف خاص مانند توصیههای محصول استفاده میکند.
می تواند عملکردهای زیادی را برای بازاریابان دیجیتال به دست آورد، از جمله:
شخصی سازی.
هدف گذاری پیش بینی
تقسیم بندی مشتری
مدل سازی ارزش مادام العمر
بهینه سازی سفر مشتری
مناقصه هوشمند
چت ربات ها
یادگیری ماشین سالهاست که در بازاریابی دیجیتال مطرح است.
در واقع، هر زمان که از موتورهای جستجو استفاده می کنید، از یادگیری ماشینی استفاده می کنید.
در حالی که هنوز برای بیشتر یک استراتژی جدید است، بسیاری از کسب و کارها شروع به پیاده سازی این فناوری در کمپین های بازاریابی خود کرده اند.
در زیر هشت نمونه از یادگیری ماشینی در بازاریابی دیجیتال آورده شده است.
1. چیس
در سال 2019، بانک چیس، غول بانکی، با Persado همکاری کرد تا به ایجاد نسخه بازاریابی برای کمپین های خود کمک کند.
آنها شرکت هوش مصنوعی را به چالش کشیدند تا نسخهای تولید کند که کلیکهای بیشتری را به همراه داشته باشد - که آنها هم انجام دادند.
نمونه هایی از کپی تولید شده یادگیری ماشین عبارتند از:
نسخه انسانی: "بدون کاغذ بروید و 5 دلار پول نقد دریافت کنید."
کپی تولید شده توسط ماشین: «پیشنهاد زمان محدود: وقتی بدون کاغذ بروید، 5 دلار پول نقد به شما پاداش خواهیم داد».
نتایج: کپی هوش مصنوعی تقریبا دو برابر کلیک ایجاد کرد.
کپی انسانی: "دسترسی به پول نقد از سهام در خانه خود" با دکمه "نگاه کن".
کپی تولید شده توسط ماشین: "درست است - می توانید پول نقد را از سهام خانه خود باز کنید" با یک "برای درخواست کلیک کنید" سریع.
نتایج: نسخه هوش مصنوعی 47 متقاضی در هفته را جذب کرد، در حالی که نسخه انسانی 25 متقاضی در هفته را جذب کرد.
نسخه انسانی: "عجله کنید، 31 دسامبر به پایان می رسد. 5٪ پول نقد در فروشگاه های بزرگ، کلوپ های عمده فروشی به دست آورید."
کپی تولید شده توسط ماشین: "در مورد کارت شما: 5٪ برگشت نقدی در انتظار شماست"
نتایج: کپی هوش مصنوعی تقریباً پنج برابر کلیک های منحصر به فرد ایجاد کرد.
در حالی که نسخه تولید شده توسط ماشین ممکن است در بین مشتریان عملکرد بهتری داشته باشد، مهم است که به خاطر داشته باشید که با کپینویسان انسانی که ایدههای آن را تغذیه میکنند، کار میکند.
کپینویسهای انسانی و یادگیری ماشینی با هم میتوانند نسخهای را ایجاد و بهینه کنند که طنین انداز شود.
2. استارباکس
با فروشگاه های سراسر جهان، استارباکس داده های زیادی را به دست می آورد.
استارباکس میتواند به اطلاعات خرید دسترسی پیدا کند و این اطلاعات را با کارت وفاداری استارباکس و برنامه تلفن همراه به وثیقه بازاریابی تبدیل کند. این استراتژی تحلیل پیش بینی نامیده می شود.
برای مثال، یادگیری ماشین نوشیدنیهایی را که هر مشتری میخرد، از کجا میخرد، و زمانی که میخرد جمعآوری میکند، و این را با دادههای بیرونی مانند آبوهوا و تبلیغات تطبیق میدهد تا تبلیغات فوقشخصیشده را به مشتریان ارائه دهد.
یک نمونه شامل شناسایی مشتری از طریق سیستم نقطه فروش استارباکس و ارائه سفارش دلخواه به باریستا است.
این برنامه همچنین می تواند محصولات جدیدی را بر اساس خریدهای قبلی (که می تواند با توجه به شرایط آب و هوایی یا تعطیلات تغییر کند) پیشنهاد دهد.
یادگیری ماشینی می تواند حدس و گمان را از توصیه های محصول حذف کند.
غولهای خردهفروشی مانند استارباکس میلیونها مشتری دارند، اما میتوانند به هر یک از آنها احساس کنند که توصیههای شخصیشده دریافت میکنند زیرا میتوانند دادهها را به سرعت و کارآمد بررسی کنند.
3. eBay
eBay میلیون ها مشترک ایمیل دارد. هر ایمیل به خطوط موضوع جذابی نیاز داشت که باعث کلیک مشتری شود.
با این حال، ارائه بیش از 100 میلیون خط موضوعی چشم نواز برای نویسندگان بشری بسیار دشوار بود.
وارد یادگیری ماشین شوید.
eBay با Phrasee همکاری کرد تا به ایجاد خطوط موضوعی جذاب کمک کند که فیلترهای هرزنامه را راهاندازی نمیکنند. علاوه بر این، نسخه تولید شده توسط ماشین با صدای برند eBay همسو شد.
نتایج آنها موفقیت را نشان می دهد:
افزایش 15.8 درصدی نرخ باز.
31.2 درصد افزایش میانگین کلیک.
بیش از 700000 افتتاحیه افزایشی در هر کمپین.
بیش از 56000 کلیک افزایشی در هر کمپین.
یادگیری ماشینی می تواند دلهره آورترین کارها را انجام دهد و آنها را در عرض چند دقیقه در مقیاس تکمیل کند.
در نتیجه، کسبوکارها میتوانند بیشتر بر کمپینهای تصویری بزرگ تمرکز کنند تا کارهای خرد.
4. Doordash
Doordash هزاران کمپین بازاریابی را در کانال های بازاریابی خود اجرا می کند.
تیم آنها به صورت دستی پیشنهادات را بر اساس عملکرد تبلیغات به روز می کند.
با این حال، تیم دریافت که این کار وقت گیر و طاقت فرسا بود.
بنابراین Doordash برای بهینه سازی هزینه های بازاریابی خود به یادگیری ماشین روی آورد.
این یک پلت فرم اتوماسیون بازاریابی بر اساس داده های اسناد ایجاد کرد.
این داده ها به شرکت می گوید که مشتری در کدام کانال و با چه کمپینی تبدیل شده است.
با این حال، جمعآوری سریع آن نوع دادهها با هزاران کمپین در یک زمان ممکن است دشوار باشد.
یادگیری ماشینی با جمعآوری آن دادهها و ایجاد توصیههای هزینه به مقابله با این وظیفه کمک میکند تا بتوانند بودجه خود را سریع و کارآمد بهینه کنند.
5. Autodesk
Autodesk نیاز به چت ربات های پیچیده تر را دید.
مصرف کنندگان اغلب از محدودیت های چت بات ها ناامید هستند و بنابراین ترجیح می دهند با یک انسان صحبت کنند.
با این حال، رباتهای گفتگو میتوانند به طور موثر مشتریان را به سمت محتوا، فروشنده یا صفحه خدماتی که نیاز دارند راهنمایی کنند.
بنابراین Autodesk به یادگیری ماشین و هوش مصنوعی روی آورد.
چت ربات Autodesk از یادگیری ماشینی برای ایجاد گفتگو بر اساس کلمات کلیدی موتور جستجو استفاده می کند.
سپس، ربات چت میتواند از طرف دیگر به مشتری متصل شود و نرخ تبدیل سریعتری را فراهم کند.
از زمان اجرای چت بات خود، اتودسک سه برابر تعامل چت و افزایش 109 درصدی در زمان صرف شده در صفحه داشت.
6. بایدو
در سال 2017، بایدو، موتور جستجوی چینی، سیستمی به نام Deep Voice ساخت که از یادگیری ماشینی برای تبدیل متن به گفتار استفاده می کند. این سیستم می تواند 2500 صدا را با نیم ساعت دیتا یاد بگیرد.
بایدو توضیح میدهد که Deep Voice میتواند به تجربههای همهجانبهتری در بازیهای ویدیویی و کتابهای صوتی منجر شود.
هدف بایدو با Deep Voice این است که به ماشینها بیاموزد تا با تقلید از هزاران صدای انسان بیشتر شبیه انسان صحبت کنند.
به زودی، موتور جستجو امیدوار است که سیستم بتواند بر 10000 یا بیشتر صدا با لهجه های مختلف تسلط یابد.
وقتی Deep Voice کامل شود، میتواند چیزهایی را که ما هر روز استفاده میکنیم، بهبود بخشد، مانند:
سیری.
الکسا
دستیار گوگل.
ترجمه بلادرنگ
امنیت بیومتریک
حتی می تواند به افرادی که صدای خود را از دست داده اند کمک کند تا دوباره ارتباط برقرار کنند.
در حالی که هیچ بهروزرسانی اخیری وجود نداشته است، بایدو امیدوار است که Deep Voice فناوری ما را متحول کند.
7. برندهای خیاط
Tailor Brands از یادگیری ماشینی برای کمک به کاربران خود برای ایجاد لوگو استفاده می کند.
ماشین «این یا آن» به Tailor Brands با استفاده از الگوریتمهای تصمیمگیری به درک سلیقه کاربر کمک میکند.
کاربران با انتخاب نمونه هایی از آنچه دوست دارند، ترجیحات خود را برای سبک ها، فونت ها و سایر جنبه های طراحی به سازنده لوگو می گویند.
Tailor Brands از جبر خطی استفاده می کند.
تصمیم هر کاربر در معادله ای قرار می گیرد که به ماشین کمک می کند ترجیحات کاربر را یاد بگیرد.
دفعه بعد که شخصی یک لوگو تولید می کند، برندهای Tailor می توانند سبک هایی مشابه آنچه قبلا استفاده کرده اند را نشان دهند.
8. Yelp
Yelp روزانه میلیون ها عکس در سراسر جهان دریافت می کند.
این شرکت متوجه شد که برای تطبیق عکس ها با مشاغل خاص به روشی پیچیده نیاز دارد.
بنابراین آنها یک سیستم درک عکس را برای ایجاد داده های معنایی در مورد عکس های فردی ایجاد کردند.
این سیستم به Yelp اجازه میدهد عکسها را در دستههای مرتبط با جستجوی کاربر مرتب کند.
ابتدا Yelp برای عکس هایی که از کاربران دریافت کرده بود برچسب هایی مانند "نوشیدنی" یا "منو" ایجاد کرد.
در مرحله بعد، این شرکت دادههایی را از شرح عکس، ویژگیهای عکس و جمعسپاری جمعآوری کرد.
سپس، یادگیری ماشینی را برای تشخیص برچسبهای عکس پیادهسازی کرد که سیستم میتوانست عکسها را در دستههایی قرار دهد.
این سیستم طبقه بندی عکس به ایجاد تجربه کاربری بهتر در Yelp کمک می کند.
به عنوان مثال، میتواند به تنوع عکسهای روی جلد کمک کند و برگههایی ایجاد کند که به کاربران اجازه دهد به اطلاعات دقیقی که به دنبال آن هستند بپیوندند.
بازاریابهای دیجیتال فقط سطح کاری را که یادگیری ماشینی میتواند برای آنها انجام دهد بررسی میکنند.
انسانها و ماشینها میتوانند با هم کار کنند تا تجربیات مشتری معنادارتر و کمپینهای بهینهتری را در زمان کمتری ایجاد کنند. این یک برد-برد-برد است.