8 прикладів машинного навчання від брендів, щоб надихнути цифрових маркетологів

Машинне навчання робить хвилі в світі цифрового маркетингу. Ось вісім прикладів, які надихнуть вашу наступну кампанію.

Машинне навчання в моді, але як воно насправді виглядає на практиці, як частина стратегії цифрового маркетингу?

Ви зіткнулися зі стратегією машинного навчання, якщо використовували веб-сайт, який рекомендує продукти на основі попередніх покупок.

Машинне навчання — це аспект штучного інтелекту (ШІ), який використовує алгоритми для виконання конкретних завдань, наприклад рекомендацій щодо продуктів.

Він може виконувати безліч функцій для цифрових маркетологів, зокрема:

  • Персоналізація.
  • Націлювання прогнозу.
  • Сегментація клієнтів .
  • Моделювання життєвої вартості.
  • Оптимізація клієнтського шляху .
  • Розумне призначення ставок .
  • чат-боти .

Машинне навчання в цифровому маркетингу вже багато років.

Насправді, ви використовуєте машинне навчання щоразу, коли використовуєте пошукові системи .

Хоча для більшості все ще нова стратегія, багато компаній почали впроваджувати цю технологію у свої маркетингові кампанії.

Нижче наведено вісім прикладів машинного навчання в цифровому маркетингу.

 

1. Chase

 

У 2019 році банківський гігант Chase Bank співпрацював із Persado, щоб допомогти створити маркетингову копію для своїх кампаній.

Вони кинули виклик компанії зі штучним інтелектом, щоб створити копію, яка дає більше кліків, що вони й зробили.

Приклади копії, створеної машинним навчанням:

Людський екземпляр : «Заберіться без паперу та заробіть 5 доларів готівкою назад».

Копія, створена машиною : «Пропозиція з обмеженим часом: ми винагородимо вас кешбеком у розмірі 5 доларів США, якщо ви залишитеся без паперових».

Результати : копія ШІ генерується майже вдвічі більше кліків.

Людська копія : «Отримайте доступ до готівки з власного капіталу у вашому домі» за допомогою кнопки «Подивіться».

Копія, створена машиною : «Це правда – ви можете розблокувати гроші з власного капіталу у вашому домі» за допомогою швидкого «Натисніть, щоб подати заявку».

Результати : AI-копія приваблювала 47 заявників на тиждень, а людська копія приваблювала 25 заявників на тиждень.

Людська копія : «Поспішайте, це закінчується 31 грудня, заробіть 5% готівки в універмагах, оптових клубах».

Копія, створена машиною : «Щодо вашої картки: на вас чекає повернення готівки 5%»

Результати : копія AI генерувала майже в п’ять разів більше унікальних кліків.

Хоча машина, створена копією, могла працювати краще з клієнтами, важливо пам’ятати, що вона працювала з людьми-копірайтерами, які подають їй ідеї.

Разом люди-копірайтери та машинне навчання можуть створювати й оптимізувати копію, яка викликає резонанс.

 

2. Starbucks

 

Завдяки магазинам по всьому світу Starbucks отримує багато даних.

Starbucks може отримати доступ до інформації про покупки та перетворити цю інформацію на маркетингову заставу за допомогою картки лояльності Starbucks та мобільного додатка. Ця стратегія називається прогнозним аналізом .

Наприклад, машинне навчання збирає напої, які купує кожен клієнт, де вони їх купують і коли купують, і порівнює це із зовнішніми даними, такими як погода та рекламні акції, щоб показувати клієнтам ультраперсоналізовану рекламу.

Один із випадків включає ідентифікацію клієнта через систему точок продажу Starbucks та надання бариста бажаного замовлення.

Додаток також може пропонувати нові продукти на основі попередніх покупок (які можуть змінюватися залежно від погодних умов або святкових днів).

Машинне навчання може позбутися від здогадок щодо рекомендацій продуктів.

У гігантів роздрібної торгівлі, як-от Starbucks, є мільйони клієнтів, але вони можуть дати кожному відчуття, що вони отримують персоналізовані рекомендації, оскільки можуть швидко й ефективно пробирати дані.

 

3. eBay

 

eBay має мільйони передплатників електронної пошти. Кожне електронне повідомлення потребувало цікавих тем, які змусять клієнта натиснути.

Проте надання понад 100 мільйонів привабливих сюжетних рядків виявилося приголомшливим для людських письменників.

Введіть машинне навчання.

eBay співпрацює з Phrasee, щоб допомогти створити цікаві теми, які не запускають фільтри спаму. Крім того, створена машиною копія відповідала бренду eBay.

Їхні результати свідчать про успіх:

  • Зростання відкритих ставок на 15,8%.
  • Збільшення середньої кількості кліків на 31,2%.
  • Понад 700 000 додаткових відкриттів за кампанію.
  • Понад 56 000 додаткових кліків на кампанію.

Машинне навчання може вирішувати найскладніші завдання і виконувати їх за кілька хвилин у масштабі.

У результаті компанії можуть більше зосередитися на масштабних кампаніях, ніж на мікрозавданнях.

 

4. Doordash

 

Doordash проводить тисячі маркетингових кампаній через свої маркетингові канали.

Їхня команда вручну оновлює ставки на основі ефективності реклами.

Однак команда виявила, що це завдання займає багато часу та надзвичайне.

Тому Doordash звернувся до машинного навчання, щоб оптимізувати витрати на маркетинг.

Він створив платформу автоматизації маркетингу на основі даних про атрибуцію .

Ці дані повідомляють компанії, на якому каналі клієнт здійснив конверсію та за допомогою якої кампанії.

Однак швидко зібрати такі дані може бути важко, оскільки одночасно проводяться тисячі кампаній.

Машинне навчання допомагає вирішити це завдання, збираючи ці дані та створюючи рекомендації щодо витрат, щоб вони могли швидко й ефективно оптимізувати свій бюджет.

 

5. Autodesk

 

Autodesk побачила потребу в більш складних чат-ботах.

Споживачі часто розчаровані обмеженнями чат-ботів і тому вважають за краще спілкуватися з людиною.

Однак чат-боти можуть допомогти ефективно спрямовувати клієнтів до потрібної їм сторінки вмісту, продавця або сервісу.

Тому Autodesk звернувся до машинного навчання та ШІ.

Чат-бот Autodesk використовує машинне навчання для створення діалогів на основі ключових слів пошукової системи.

Потім чат-бот може підключитися до клієнта на іншому кінці, що дозволить підвищити коефіцієнт конверсії.

З моменту впровадження свого чат-бота у Autodesk було втричі більше залучення в чат і на 109% більше часу, проведеного на сторінці.

 

6. Baidu

 

У 2017 році китайська пошукова система Baidu створила систему під назвою Deep Voice, яка використовує машинне навчання для перетворення тексту в мовлення. Ця система може вивчити 2500 голосів із по півгодини даних кожен.

Baidu пояснює, що Deep Voice може сприяти більш глибокому зануренню у відеоігри та аудіокниги.

Мета Baidu з Deep Voice — навчити машини говорити більш людські, імітуючи тисячі людських голосів.

Незабаром пошукова система сподівається, що система зможе опанувати 10 000 або більше голосів з різними акцентами.

Удосконалений Deep Voice може покращити речі, які ми використовуємо щодня, наприклад:

  • Siri.
  • Alexa.
  • Google Assistant.
  • Переклад у режимі реального часу.
  • Біометрична безпека.

Це навіть може допомогти людям, які втратили голос, знову спілкуватися.

Хоча останніх оновлень не було, Baidu все ще сподівається, що Deep Voice революціонізує нашу технологію.

 

7. Tailor Brands

 

Tailor Brands використовує машинне навчання, щоб допомогти своїм користувачам створювати логотипи .

Машина «Те чи це» допомагає Tailor Brands зрозуміти смак користувача за допомогою алгоритмів прийняття рішень.

Вибираючи приклади того, що їм подобається, користувачі повідомляють генератору логотипів свої переваги щодо стилів, шрифтів та інших аспектів дизайну.

Tailor Brands використовує лінійну алгебру.

Рішення кожного користувача вводиться в рівняння, яке допомагає машині дізнатися вподобання користувача.

Наступного разу, коли хтось створить логотип, Tailor Brands може показати стилі, подібні до тих, які вони використовували раніше.

 

8. Yelp

 

Yelp отримує мільйони фотографій щодня по всьому світу.

Компанія зрозуміла, що їй потрібен складний спосіб поєднання фотографій з конкретними підприємствами.

Тому вони розробили систему розуміння фотографій для створення семантичних даних про окремі фотографії.

Ця система дозволяє Yelp сортувати фотографії за категоріями, які відповідають пошуку користувача.

Спочатку Yelp створив етикетки для фотографій, які вони отримували від користувачів, наприклад «напої» або «меню».

Далі компанія зібрала дані з підписів до фотографій, атрибутів фотографій та краудсорсингу.

Потім він реалізував машинне навчання, щоб розпізнавати фотомітки, з яких система могла розмістити фотографії в категорії.

Ця система класифікації фотографій допомагає створювати кращий досвід роботи з Yelp.

Наприклад, це може допомогти урізноманітнити обкладинки та створити вкладки, які дозволять користувачам перейти до точної інформації, яку вони шукають.

Цифрові маркетологи лише уявляють, що для них може зробити машинне навчання.

Люди та машини можуть працювати разом, щоб створити більш значущий досвід роботи з клієнтами та більш оптимізовані кампанії за менший час. Це безпрограшний варіант.

Переклад статті здійснило Маркетингове агенство “sti1ist” оригінал статті Searchenginejournal

Cлідкувати за sti1ist: