چگونه یک استراتژی بازاریابی با هوش مصنوعی طراحی کنیم؟

از میان تمام وظایف یک شرکت، بازاریابی شاید بیشترین سود را از هوش مصنوعی داشته باشد. فعالیت‌های اصلی بازاریابی درک نیازهای مشتری، تطبیق آنها با محصولات و خدمات، و متقاعد کردن مردم برای خرید است،  قابلیت‌هایی که هوش مصنوعی می‌تواند به طور چشمگیری افزایش دهد. جای تعجب نیست که تجزیه و تحلیل McKinsey در سال 2018 از بیش از 400 مورد استفاده پیشرفته نشان داد که بازاریابی حوزه ای است که در آن هوش مصنوعی بیشترین ارزش را دارد.

افسران ارشد بازاریابی به طور فزاینده ای از این فناوری استقبال می کنند: یک نظرسنجی آگوست 2019 توسط انجمن بازاریابی آمریکا نشان داد که پیاده سازی هوش مصنوعی در یک سال و نیم گذشته 27 درصد افزایش یافته است. و یک نظرسنجی جهانی Deloitte در سال 2020 از پذیرندگان اولیه هوش مصنوعی نشان داد که سه هدف از پنج هدف اصلی هوش مصنوعی بازاریابی محور بودند: بهبود محصولات و خدمات موجود، ایجاد محصولات و خدمات جدید، و تقویت روابط با مشتریان.

در حالی که هوش مصنوعی در بازاریابی نفوذ کرده است، ما انتظار داریم که در سال‌های آینده نقش‌های بزرگ‌تر و بزرگ‌تری را در این عملکرد به عهده بگیرد. با توجه به پتانسیل عظیم این فناوری، برای CMOها بسیار مهم است که انواع برنامه های کاربردی هوش مصنوعی بازاریابی را که امروزه در دسترس هستند و نحوه تکامل آنها درک کنند. با تکیه بر بیش از یک دهه تجربه در مطالعه تجزیه و تحلیل داده ها، هوش مصنوعی، و بازاریابی و مشاوره به شرکت ها در سراسر صنایع در مورد آنها، چارچوبی ایجاد کرده ایم که می تواند به CMOها در طبقه بندی پروژه های هوش مصنوعی موجود و برنامه ریزی برای عرضه پروژه های آینده کمک کند. اما قبل از توصیف چارچوب، اجازه دهید به وضعیت فعلی بازی نگاه کنیم.

هوش مصنوعی امروزی


اکنون در بسیاری از شرکت‌ها از هوش مصنوعی برای انجام وظایف محدود، مانند قرار دادن تبلیغات دیجیتال که به عنوان «خرید برنامه‌ای» نیز شناخته می‌شود، و کمک به وظایف گسترده، مانند افزایش دقت پیش‌بینی‌ها (به پیش‌بینی فروش فکر کنید) استفاده می‌کنند. و تلاش های انسان را در وظایف ساختاریافته، مانند خدمات مشتری، افزایش می‌دهد. (برای لیستی از برخی از فعالیت‌های متداول که هوش مصنوعی می‌تواند از آن پشتیبانی کند.)

شرکت ها همچنین در هر مرحله از سفر مشتری از هوش مصنوعی استفاده می کنند. هنگامی که مشتریان بالقوه در مرحله "در نظر گرفتن" هستند و در مورد محصول تحقیق می کنند، هوش مصنوعی تبلیغات را در آنها هدف قرار می دهد و می تواند به هدایت جستجوی آنها کمک کند. ما این اتفاق را در خرده‌فروشی آنلاین مبلمان Wayfair می‌بینیم که از هوش مصنوعی استفاده می‌کند تا مشخص کند کدام مشتریان به احتمال زیاد متقاعد می‌شوند و بر اساس تاریخچه مرورشان، محصولاتی را برای نشان دادن آنها انتخاب می‌کنند. و ربات‌های دارای هوش مصنوعی از شرکت‌هایی مانند Vee24 می‌توانند به بازاریابان کمک کنند تا نیازهای مشتریان را درک کنند، مشارکت آنها را در جستجو افزایش دهند، آنها را در جهت دلخواه هدایت کنند (مثلاً به یک صفحه وب خاص)، و در صورت نیاز، آنها را به یک انسان متصل کنند. نماینده فروش از طریق چت، تلفن، ویدئو، یا حتی "جستجوی همزمان" - به یک نماینده اجازه می دهد تا به مشتری کمک کند تا در صفحه مشترک حرکت کند.

هوش مصنوعی می‌تواند فرآیند فروش را با استفاده از داده‌های بسیار دقیق در مورد افراد، از جمله داده‌های موقعیت جغرافیایی دقیق، برای ایجاد پیشنهادات محصول یا خدمات بسیار شخصی‌شده، ساده‌سازی کند. بعداً در مسیر، هوش مصنوعی به افزایش فروش کمک می‌کند و می‌تواند احتمال اینکه مشتریان سبد خرید دیجیتال خود را رها کنند، کاهش دهد. به عنوان مثال، پس از اینکه مشتری یک سبد خرید را پر کرد، ربات‌های هوش مصنوعی می‌توانند یک گواهی انگیزشی برای کمک به پایان فروش ارائه دهند - مانند «خریدتان عالی است! جیمز از ورمونت هم همین تشک را خرید.» چنین اقداماتی می تواند نرخ تبدیل را تا پنج برابر یا بیشتر افزایش دهد.

پس از فروش، نمایندگی‌های خدمات مبتنی بر هوش مصنوعی از شرکت‌هایی مانند Amelia (IPsoft سابق) و Interactions 24 ساعته در دسترس هستند تا درخواست‌های مشتریان را بررسی کنند - و بهتر از نمایندگان انسانی می‌توانند با حجم نوسان درخواست‌های خدمات مقابله کنند. آن‌ها می‌توانند سؤالات ساده‌ای در مورد، مثلاً، زمان تحویل یا برنامه‌ریزی قرار ملاقات پاسخ دهند و می‌توانند مسائل پیچیده‌تر را به یک عامل انسانی انتقال دهند. در برخی موارد هوش مصنوعی با تجزیه و تحلیل لحن مشتریان و پیشنهاد پاسخ‌های متفاوت، مربیگری در مورد بهترین روش برای ارضای نیازهای مشتریان یا پیشنهاد مداخله توسط سرپرست، به نمایندگان انسانی کمک می‌کند.

چارچوب

هوش مصنوعی بازاریابی را می توان بر اساس دو بعد طبقه بندی کرد: سطح هوش و اینکه آیا به تنهایی کار می کند یا بخشی از یک پلت فرم گسترده تر است. برخی از فناوری‌ها، مانند ربات‌های گفتگو یا موتورهای توصیه، می‌توانند در هر یک از دسته‌بندی‌ها قرار بگیرند. نحوه پیاده سازی آنها در یک برنامه خاص است که طبقه بندی آنها را تعیین می کند.

بیایید ابتدا به دو نوع هوش نگاه کنیم:


اتوماسیون وظایف

این برنامه ها وظایف تکراری و ساختار یافته ای را انجام می دهند که نیاز به هوش نسبتاً پایینی دارند. آنها به گونه ای طراحی شده اند که از مجموعه ای از قوانین پیروی کنند یا یک توالی از پیش تعیین شده از عملیات را بر اساس ورودی داده شده اجرا کنند، اما نمی توانند مشکلات پیچیده ای مانند درخواست های ظریف مشتری را مدیریت کنند. یک مثال می تواند سیستمی باشد که به طور خودکار یک ایمیل خوشامدگویی برای هر مشتری جدید ارسال می کند. چت ربات های ساده تر، مانند آنهایی که از طریق مسنجر فیس بوک و سایر ارائه دهندگان رسانه های اجتماعی در دسترس هستند، نیز در این دسته قرار می گیرند. آنها می توانند در طول تعاملات اساسی به مشتریان کمک کنند، مشتریان را از درخت تصمیم تعریف شده پایین می آورند، اما نمی توانند هدف مشتریان را تشخیص دهند، پاسخ های سفارشی ارائه دهند یا از تعاملات در طول زمان بیاموزند.

یادگیری ماشینی

این الگوریتم ها با استفاده از مقادیر زیادی داده برای پیش بینی ها و تصمیم گیری های نسبتاً پیچیده آموزش داده می شوند. چنین مدل هایی می توانند تصاویر را تشخیص دهند، متن را رمزگشایی کنند، مشتریان را تقسیم بندی کنند، و پیش بینی کنند که مشتریان چگونه به ابتکارات مختلف، مانند تبلیغات، پاسخ خواهند داد. یادگیری ماشینی در حال حاضر خرید برنامه‌ریزی شده را در تبلیغات آنلاین، موتورهای توصیه تجارت الکترونیک و مدل‌های تمایل به فروش در سیستم‌های مدیریت ارتباط با مشتری (CRM) هدایت می‌کند. این و نوع پیچیده‌تر آن، یادگیری عمیق، داغ‌ترین فناوری‌های هوش مصنوعی هستند و به سرعت در حال تبدیل شدن به ابزارهای قدرتمند در بازاریابی هستند. با این اوصاف، روشن کردن این نکته مهم است که برنامه‌های یادگیری ماشینی موجود هنوز وظایف محدودی را انجام می‌دهند و باید با استفاده از حجم زیادی از داده آموزش ببینند.

حالا بیایید هوش مصنوعی مستقل در مقابل یکپارچه را در نظر بگیریم.

برنامه های کاربردی مستقل اینها بهتر است به عنوان برنامه های هوش مصنوعی به وضوح مشخص یا جدا شده درک شوند. آنها جدا از کانال های اصلی هستند که از طریق آنها مشتریان در مورد آنها اطلاعات می گیرند، خریداری می کنند یا برای استفاده از پیشنهادات شرکت پشتیبانی می شوند، یا کانال هایی که کارمندان برای بازاریابی، فروش یا ارائه خدمات از آنها استفاده می کنند. به زبان ساده، مشتریان یا کارمندان برای استفاده از هوش مصنوعی باید یک سفر ویژه فراتر از آن کانال ها انجام دهند.

اپلیکیشن کشف رنگ ایجاد شده توسط شرکت رنگ Behr را در نظر بگیرید. این برنامه با استفاده از پردازش زبان طبیعی IBM Watson و قابلیت‌های Tone Analyzer (که احساسات را در متن تشخیص می‌دهد)، چندین توصیه شخصی‌سازی شده برای رنگ‌های Behr ارائه می‌کند که بر اساس خلق و خوی مصرف‌کنندگان برای فضایشان است. مشتریان از این برنامه برای فهرست کوتاه دو یا سه رنگ برای اتاقی که قصد رنگ آمیزی دارند استفاده می کنند. سپس فروش واقعی رنگ در خارج از برنامه اجرا می شود، اگرچه امکان اتصال برای سفارش از Home Depot را فراهم می کند.

برنامه های کاربردی یکپارچه این برنامه های کاربردی هوش مصنوعی که در سیستم های موجود تعبیه شده اند، اغلب کمتر از برنامه های مستقل برای مشتریان، بازاریابان و فروشندگانی که از آنها استفاده می کنند قابل مشاهده هستند. به عنوان مثال، یادگیری ماشینی که در چند ثانیه تصمیم می‌گیرد که کدام آگهی دیجیتالی به کاربران ارائه شود، در پلتفرم‌هایی ساخته می‌شود که کل فرآیند خرید و قرار دادن تبلیغات را مدیریت می‌کنند. یادگیری ماشینی یکپارچه نتفلیکس برای بیش از یک دهه به مشتریان توصیه های ویدئویی ارائه کرده است. انتخاب های آن به سادگی در منوی پیشنهاداتی که بینندگان هنگام مراجعه به سایت می بینند ظاهر می شود. اگر موتور توصیه‌ها مستقل بود، باید به یک برنامه اختصاصی می‌رفتیم و پیشنهادات را درخواست می‌کردیم.

سازندگان سیستم های CRM به طور فزاینده ای قابلیت های یادگیری ماشینی را در محصولات خود ایجاد می کنند. در Salesforce، مجموعه Sales Cloud Einstein دارای چندین قابلیت است، از جمله یک سیستم امتیازدهی مبتنی بر هوش مصنوعی که به طور خودکار سرنخ های مشتریان B2B را بر اساس احتمال خرید رتبه بندی می کند. فروشندگانی مانند Cogito که هوش مصنوعی را به فروشندگان مرکز تماس می‌فروشد، همچنین برنامه‌های خود را با سیستم CRM Salesforce یکپارچه می‌کنند.

ترکیب دو نوع هوشمندی و دو نوع ساختار چهار ربع چارچوب ما را به وجود می‌آورد: برنامه‌های یادگیری ماشینی مستقل، برنامه‌های یادگیری ماشینی یکپارچه، برنامه‌های اتوماسیون وظیفه مستقل، و برنامه‌های اتوماسیون کار یکپارچه.

درک اینکه کدام یک از برنامه های کاربردی در ربع قرار می گیرند می تواند به بازاریابان کمک کند تا برای معرفی کاربردهای جدید برنامه ریزی و ترتیبی دهند.

یک رویکرد پلکانی

ما معتقدیم که بازاریابان در نهایت با دنبال کردن برنامه‌های یکپارچه یادگیری ماشینی بیشترین ارزش را خواهند دید، اگرچه سیستم‌های ساده مبتنی بر قوانین و اتوماسیون وظیفه می‌توانند فرآیندهای بسیار ساختاریافته را بهبود بخشند و پتانسیل معقولی را برای بازده تجاری ارائه دهند. با این حال، توجه داشته باشید که امروزه اتوماسیون وظایف به طور فزاینده‌ای با یادگیری ماشین ترکیب می‌شود - برای استخراج داده‌های کلیدی از پیام‌ها، تصمیم‌گیری‌های پیچیده‌تر و شخصی‌سازی ارتباطات - ترکیبی که ربع‌ها را در بر می‌گیرد.

برنامه های کاربردی مستقل همچنان جایگاه خود را دارند که در آن ادغام دشوار یا غیرممکن است، اگرچه محدودیت هایی برای مزایای آنها وجود دارد. بنابراین، ما به بازاریابان توصیه می‌کنیم که در طول زمان به سمت یکپارچه‌سازی هوش مصنوعی در سیستم‌های بازاریابی فعلی حرکت کنند نه اینکه به برنامه‌های مستقل ادامه دهند. و در واقع، بسیاری از شرکت ها در این مسیر کلی حرکت می کنند. در نظرسنجی 2020 Deloitte، 74 درصد از مدیران جهانی هوش مصنوعی توافق کردند که "هوش مصنوعی ظرف سه سال در تمام برنامه های سازمانی ادغام خواهد شد."

شروع شدن

برای شرکت هایی با تجربه محدود هوش مصنوعی، یک راه خوب برای شروع ساخت یا خرید برنامه های کاربردی ساده مبتنی بر قوانین است. بسیاری از شرکت‌ها رویکرد «خزیدن-راه رفتن-دویدن» را دنبال می‌کنند، که با یک اپلیکیشن اتوماسیون وظیفه‌ای مستقل و غیرمشتری شروع می‌کنند، مانند برنامه‌ای که کارگزاران خدمات انسانی را که با مشتریان درگیر هستند راهنمایی می‌کند.

زمانی که شرکت‌ها مهارت‌های اولیه هوش مصنوعی و فراوانی داده‌های مشتری و بازار را به دست آورند، می‌توانند از اتوماسیون کار به یادگیری ماشینی حرکت کنند. یک مثال خوب از دومی، هوش مصنوعی انتخاب لباس Stitch Fix است که به استایلیست‌هایش کمک می‌کند تا پیشنهادات مشتریان را انتخاب کنند و بر اساس ترجیحات سبک گزارش‌شده توسط خودشان، مواردی که نگه می‌دارند و برمی‌گردانند، و بازخوردشان است. این مدل‌ها زمانی مؤثرتر شدند که شرکت شروع به درخواست از مشتریان برای انتخاب عکس‌های Style Shuffle کرد و منبع ارزشمندی از داده‌های جدید را ایجاد کرد.

منابع جدید داده - مانند تراکنش‌های داخلی، تامین‌کنندگان خارجی و حتی خریدهای بالقوه - چیزی است که بازاریابان باید دائماً به دنبال آن باشند، زیرا بیشتر برنامه‌های کاربردی هوش مصنوعی، به‌ویژه یادگیری ماشینی، به مقادیر زیادی داده با کیفیت بالا نیاز دارند. مدل قیمت‌گذاری مبتنی بر یادگیری ماشینی را در نظر بگیرید که شرکت جت چارتر XO برای افزایش EBITDA خود به میزان 5 درصد استفاده کرد: نکته کلیدی این بود که از منابع خارجی برای داده‌های مربوط به عرضه جت‌های خصوصی و عواملی که بر تقاضا تأثیر می‌گذارند، مانند رویدادهای مهم، بهره ببرند. ، اقتصاد کلان، فعالیت فصلی و آب و هوا. داده هایی که XO استفاده می کند در دسترس عموم است، اما ایده خوبی است که در صورت امکان به دنبال منابع اختصاصی نیز باشید، زیرا مدل هایی که از داده های عمومی استفاده می کنند می توانند توسط رقبا کپی شوند.

همانطور که شرکت‌ها در استفاده از هوش مصنوعی بازاریابی پیچیده‌تر می‌شوند، بسیاری از آنها انواع خاصی از تصمیم‌ها را کاملاً خودکار می‌کنند و انسان‌ها را کاملاً از حلقه خارج می‌کنند. با تصمیم‌گیری‌های تکراری و پرسرعت، مانند تصمیم‌هایی که برای خرید تبلیغات برنامه‌ریزی شده (که تبلیغات دیجیتال تقریباً بلافاصله به کاربران ارائه می‌شود)، این رویکرد ضروری است. در حوزه‌های دیگر، هوش مصنوعی ممکن است تنها توصیه‌هایی را به فردی که با یک انتخاب مواجه است ارائه دهد - برای مثال، پیشنهاد یک فیلم به یک مصرف‌کننده یا یک استراتژی به یک مدیر بازاریابی. تصمیم گیری انسانی معمولاً برای مهم ترین سؤالات، مانند ادامه کمپین یا تأیید یک تبلیغ تلویزیونی گران قیمت، محفوظ است.

شرکت ها باید در صورت امکان به سمت تصمیم گیری های خودکارتر حرکت کنند. ما معتقدیم اینجا جایی است که بیشترین بازده از هوش مصنوعی بازاریابی پیدا می شود.

چالش ها و خطرات

پیاده سازی حتی ساده ترین برنامه های هوش مصنوعی می تواند مشکلاتی را ایجاد کند. هوش مصنوعی اتوماسیون تکلیف مستقل، علیرغم پیچیدگی فنی پایین‌ترش، هنوز پیکربندی برای گردش‌های کاری خاص دشوار است و شرکت‌ها را ملزم می‌کند که مهارت‌های هوش مصنوعی مناسب را کسب کنند. وارد کردن هر نوع هوش مصنوعی به یک جریان کاری مستلزم ادغام دقیق وظایف انسان و ماشین است به طوری که هوش مصنوعی مهارت های افراد را افزایش می دهد و به روش هایی که مشکل ایجاد می کند به کار نمی رود. به عنوان مثال، در حالی که بسیاری از سازمان‌ها از چت ربات‌های مبتنی بر قانون برای خودکارسازی خدمات مشتری استفاده می‌کنند، ربات‌هایی که توانایی کمتری دارند می‌توانند مشتریان را آزار دهند. شاید بهتر باشد این ربات‌ها به جای تعامل با مشتریان، به عوامل انسانی یا مشاوران کمک کنند.

همانطور که شرکت ها برنامه های پیچیده تر و یکپارچه تر را اتخاذ می کنند، ملاحظات دیگری مطرح می شود. بخصوص ترکیب هوش مصنوعی در پلتفرم های شخص ثالث می تواند مشکل زا باشد. نمونه‌ای از این مورد توسط مشاور پوست Olay Procter & Gamble ارائه شده است که از یادگیری عمیق برای تجزیه و تحلیل سلفی‌هایی که مشتریان گرفته‌اند، ارزیابی سن و نوع پوست آنها و توصیه محصولات مناسب استفاده می‌کند. این در یک پلت فرم تجارت الکترونیک و وفاداری، Olay.com، ادغام شده است و نرخ تبدیل، نرخ پرش و اندازه متوسط سبد را در برخی از مناطق جغرافیایی بهبود بخشیده است. با این حال، ادغام آن با فروشگاه‌های خرده‌فروشی و آمازون، اشخاص ثالثی که درصد بالایی از فروش Olay را تشکیل می‌دهند، دشوارتر بوده است. Skin Advisor در سایت فروشگاهی گسترده Olay در آمازون در دسترس نیست و توانایی این برند را برای ارائه یک تجربه مشتری بدون درز و با کمک هوش مصنوعی در آنجا مختل می کند.

در نهایت، شرکت ها باید منافع مشتریان را در سرلوحه کار خود نگه دارند. هرچه برنامه‌های هوش مصنوعی هوشمندتر و یکپارچه‌تر باشند، مشتریان ممکن است در مورد حریم خصوصی، امنیت و مالکیت داده‌ها نگرانی بیشتری داشته باشند. مشتریان ممکن است در مورد برنامه‌هایی که بدون اطلاع آن‌ها داده‌های موقعیت مکانی را ضبط و به اشتراک می‌گذارند یا در مورد بلندگوهای هوشمندی که ممکن است آنها را استراق سمع می‌کنند، ابهام داشته باشند. به طور کلی، مصرف کنندگان تمایل (حتی اشتیاق) برای مبادله برخی از داده های شخصی و حریم خصوصی در ازای ارزشی که برنامه های نوآورانه می توانند ارائه دهند، نشان داده اند. به نظر می رسد نگرانی در مورد برنامه های کاربردی هوش مصنوعی مانند الکسا با قدردانی از مزایای آنها کمرنگ شده است. بنابراین نکته کلیدی برای بازاریابان در حالی که هوش و دسترسی هوش مصنوعی خود را گسترش می‌دهند این است که اطمینان حاصل کنند که حریم خصوصی و کنترل‌های امنیتی آن شفاف است، مشتریان در مورد نحوه جمع‌آوری و استفاده از داده‌هایشان نظر دارند و ارزش منصفانه را از شرکت دریافت می‌کنند. در عوض. برای تضمین این حمایت‌ها و حفظ اعتماد مشتریان، CMOها باید هیئت‌های بررسی اخلاق و حفظ حریم خصوصی را ایجاد کنند - با کارشناسان بازاریابی و حقوقی - برای بررسی پروژه‌های هوش مصنوعی، به ویژه پروژه‌هایی مانند امتیازدهی اعتباری که شامل داده‌های مشتری یا الگوریتم‌هایی هستند که ممکن است مستعد سوگیری باشند.

. . .


در حالی که هوش مصنوعی بازاریابی نوید زیادی دارد، ما از CMO ها می خواهیم که در مورد قابلیت های فعلی آن واقع بین باشند. علیرغم تبلیغات، هوش مصنوعی همچنان می تواند تنها وظایف محدودی را انجام دهد، نه اینکه کل عملکرد یا فرآیند بازاریابی را اجرا کند. با این وجود، در حال حاضر مزایای قابل توجهی را به بازاریابان ارائه می دهد - و در واقع در برخی از فعالیت های بازاریابی ضروری است - و قابلیت های آن به سرعت در حال رشد است. ما معتقدیم که هوش مصنوعی در نهایت بازاریابی را متحول خواهد کرد، اما این سفری است که چندین دهه طول خواهد کشید. عملکرد بازاریابی و سازمان‌هایی که از آن حمایت می‌کنند، به ویژه فناوری اطلاعات، باید به ایجاد قابلیت‌های هوش مصنوعی و رسیدگی به هرگونه خطر احتمالی توجه طولانی‌مدت داشته باشند. ما از بازاریابان می‌خواهیم تا از امروز شروع به توسعه استراتژی کنند تا از عملکرد فعلی هوش مصنوعی و آینده احتمالی آن استفاده کنند.

منبع: HBR