یادگیری ماشینی بسیار رایج است، اما در عمل به عنوان بخشی از استراتژی بازاریابی دیجیتال چگونه به نظر می رسد؟ اگر از وب سایتی استفاده کرده اید که محصولات را بر اساس خریدهای قبلی توصیه می کند، با استراتژی یادگیری ماشینی مواجه شده اید. یادگیری ماشینی جنبه‌ای از هوش مصنوعی (AI) است که از الگوریتم‌ها برای تکمیل وظایف خاص مانند توصیه‌های محصول استفاده می‌کند. این 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 ماشین در بازاریابی دیجیتال آورده شده است.

۱. Chase

در سال ۲۰۱۹، 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.

۲. Starbucks

با فروشگاه های سراسر جهان، استارباکس داده های زیادی را به دست می آورد. Starbucks  می تواند به اطلاعات خرید دسترسی پیدا کند و این اطلاعات را با کارت وفاداری Starbucks و برنامه تلفن همراه به بازاریابی تبدیل کند. این استراتژی تحلیل پیش‌بینی نامیده می‌شود. 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.

همچنین بخوانید:   برندسازی و تایید سلبریتی ها

۳. 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 ۱۰۰ میلیون خط موضوعی چشم نواز برای نویسندگان بشری بسیار دشوار بود. eBay  با Phrasee همکاری کرد تا به ایجاد خطوط موضوعی جذاب کمک کند که فیلترهای هرزنامه را راه اندازی نمی کند. علاوه بر این، نسخه تولید شده توسط ماشین با صدای برند eBay همسو شد. نتایج آنها موفقیت را نشان می دهد:

  • افزایش ۱۵.۸ درصدی نرخ باز.
  • ۳۱.۲ درصد افزایش میانگین کلیک.
  • بیش از ۷۰۰۰۰۰ باز افزایشی در هر کمپین.
  • بیش از ۵۶۰۰۰ کلیک افزایشی در هر کمپین.

یادگیری ماشینی می تواند دلهره آورترین وظایف را انجام دهد و در عرض چند دقیقه آنها را در مقیاس کامل انجام دهد. در نتیجه، کسب‌ و کارها می‌توانند بیشتر بر کمپین‌های تصویری بزرگ تمرکز کنند تا کارهای خرد.

۴. 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.  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 کار کمک می‌کند تا بتوانند بودجه خود را سریع و کارآمد بهینه کنند.

همچنین بخوانید:   ابزارهای مدیریت پروژه آژانس برای بهبود کسب و کار شما

۵. Autodesk

Autodesk  نیاز به چت ربات های پیچیده تر را دید. مصرف کنندگان اغلب از محدودیت های چت بات ها ناامید می شوند 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. ربات چت 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 داشته باشد. از زمان اجرای چت بات خود، سه برابر تعامل چت و افزایش ۱۰۹ درصدی در زمان صرف شده در صفحه داشت.

۶. Baidu

در سال ۲۰۱۷، 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 ۲۵۰۰ صدا را با هر یک نیم ساعت داده یاد بگیرد. بایدو توضیح می‌دهد که Deep Voice می‌تواند به تجربه‌های همه‌جانبه‌تر در بازی‌های ویدیویی و کتاب‌های صوتی منجر شود. هدف بایدو با Deep Voice این است که به ماشین ها بیاموزد تا با تقلید از هزاران صدای انسان، بیشتر شبیه انسان صحبت کنند. به زودی، موتور جستجو امیدوار است که سیستم بتواند بر ۱۰۰۰۰ یا بیشتر صدا با لهجه های مختلف تسلط یابد.

۷. Tailor Brands

از یادگیری ماشینی برای کمک به کاربران خود برای ایجاد لوگو استفاده می کند . ماشین «این یا آن» به Tailor Brands کمک می‌کند تا سلیقه کاربر را با استفاده از الگوریتم‌های تصمیم‌گیری درک کند. 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.

همچنین بخوانید:   افزایش وفاداری به برند با استفاده از CXM

Tailor Brands  از جبر خطی استفاده می کند. تصمیم هر کاربر به معادله ای وارد می شود که به ماشین کمک می کند ترجیحات کاربر را یاد بگیرد. دفعه بعد که شخصی یک لوگو تولید می کند، Tailor Brands  می تواند سبک هایی مشابه آنچه قبلا استفاده کرده است را نشان دهد.

۸. 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 ها یا منوها ایجاد کرد.

در مرحله بعد، 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 دسته‌بندی‌ها 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. بازاریابان دیجیتال فقط سطح کاری را که یادگیری ماشین می تواند برای آنها انجام دهد را بررسی می کنند. انسان‌ها و ماشین‌ها می‌توانند با هم کار کنند تا تجربیات مشتری معنادارتر و کمپین‌های بهینه‌تری را در زمان کمتری ایجاد کنند.

انتهای مطلب/ منبع