Yapay Zeka Çağında Pazarlamanızı Nasıl Geleceğe Hazırlarsınız?

Yapay zeka artık parlak yeni bir şey değil. Bir süredir burada. Bir Google Araması yaptıysanız veya önerilen bir ürüne, makaleye veya filme tıkladıysanız, onunla etkileşime girmişsinizdir.

Bir pazarlamacıysanız, muhtemelen onunla zaten çalışmışsınızdır. Google Ads, Bing veya Facebook'ta reklam vermek AI ile çalışıyor.

Bu yüzden kendinizi “makinelerin yükselişine” karşı hazırlamayı bırakın. Makineler burada ve gerçekten oldukça itaatkarlar. Pazarlamanın en sıkıcı görevlerinden bazılarını otomatikleştirmede harikalar.

Soru şu ki, tüm bu otomasyon nereye gidiyor? Makineler kaç görev üstlenecek? Onlar geliştikçe işiniz nasıl olacak? Ve bundan en iyi şekilde yararlanmak için kendinizi ve şirketinizi nasıl konumlandırabilirsiniz?

Cevap düşündüğünüzden daha basit. Ama bu dört parçalı bir cevap.

1. Eğitim Alın.

Kısa sınav: Makine öğrenimi ile yapay zeka arasındaki fark nedir?

Çoğu pazarlamacı buna bir cevap veremez. Yapay zekanın makine öğreniminden daha karmaşık olduğunu ve makine öğreniminin yapay zekanın bir alt kümesi olduğunu muhtemelen biliyoruz. ama işler oradan bulanıklaşıyor.

İşte bir tanım:

AI, bir sistemin insan benzeri zeka göstermesini sağlayan herhangi bir teknolojidir… Makine Öğrenimi, kararlar almak için veriler üzerinde eğitilmiş matematiksel modelleri kullanan bir AI türüdür. Daha fazla veri kullanılabilir hale geldikçe ML modelleri daha iyi kararlar verebilir.

Dürüst olmak gerekirse, gerçek dünyadaki pazarlama uygulamaları için - önümüzdeki üç yıl içinde işte göreceğiniz şeyler - pazarlamacıların şu anda gerçek yapay zeka hakkında çok fazla endişelenmesine gerek yok. Google Ads şakalar yapmaya başlamaz. Ancak otomasyon gibi makine öğrenimi de kesinlikle işin içinde.

Bu iyi birşey. İyi yönetilen makine öğrenimi sizi çok daha verimli ve etkili hale getirebilir. Örneğin, PPC teklif ve bütçe yönetimi aracımız, teklifleri ve bütçeleri yönetmek için tam teşekküllü makine öğrenimini kullanır.

E-kitabımız "Otomatik Teklif Verme Temelleri için Ajans Kılavuzu"nda açıklandığı gibi,

Basit otomatik teklif verme, bir bilgisayarın belirli tetikleyicilere tepki olarak PPC tekliflerini belirli miktarlarda artıracak veya azaltacak bir dizi kuralı izlemesine izin vermekten oluşur. Bu tür otomasyon öğrenmez, sadece önceden belirlenmiş kurallara göre yürütülür.

Bu otomatik teklif düzeyi, birisi belirli bir teknik incelemeyi indirdikten sonra belirli bir zamanda belirli bir e-posta gönderecek şekilde ayarlanmış bir pazarlama otomasyon sisteminden çok farklı değildir. Bu, bir pazarlamacının ayarlayabileceği önceden tanımlanmış bir eylemdir ve ardından bu olay her gerçekleştiğinde yazılımın yürütmesini bekler.

Makine öğrenimi çok daha karmaşıktır.

"Basit otomatik teklif, bir insanın önce bir hedef EBM oluşturmasını gerektirse de, bir makine öğrenimi sistemi, en yüksek sayıda tıklama ve dönüşüm için mümkün olan en düşük EBM'yi elde etmeyi amaçlar." Bu, makine öğrenimi sisteminin düzinelerce farklı önceliği ve veriyi yönetmesini gerektirir. istenen sonucu sağlamak için girdiler (“mikro hizmetler” diyoruz).

Bu nedenle, otomatik teklif verme, bir pazarlamacının yapması gereken işi kesinlikle azaltabilirken, "makine öğrenimi:

• Maksimum fiyat sınırının altında bir ortalama fiyatla en fazla dönüşümü elde edin
• Bütçenin tüm dönem boyunca sürmesini sağlayın
• Her gün reklamların, reklam zaman planlaması tarafından belirlenen tüm süre boyunca açık artırmada olduğundan emin olun”

Bu tamamen başka bir büyüklük sırası. Ve eğer pazarlamamızı yapay zeka çağı için yeniden inşa edeceksek, bu sistemlerin nasıl çalıştığını ve ayrıntılı olarak nasıl farklılık gösterdiğini anlamamız gerekiyor.

Makine öğrenimi sistemlerinin nasıl oluşturulduğuna dair şaşırtıcı derecede net bir açıklama için Google'ın "AI Maceraları" adlı video dizisini izleyin. Seride ilerledikçe videolar daha teknik hale geliyor, ancak ilklerine çok erişilebilir.

İşte bir örnekleyici. Bu videoda, bira ve şarabı ayırt etmek için bir makine öğrenimi programının nasıl tasarlanabileceğini ve eğitilebileceğini göreceksiniz.

2. Verilerinizi Temizleyin.

Otomasyon, makine öğrenimi ve yapay zekanın tümü veriler üzerinde çalışır. Böylece “çöp içeri, çöp dışarı” deyimi önümüzdeki yıllarda daha da anlam kazanacak.

Bildiğiniz gibi, veri yönetimi pazarlamada büyük bir sorundur. Çoğu zaman, diğer sistemlerden gelen verilerle "konuşmayan" veriler üreten eski sistemlerimiz vardır. Veya yapılandırılmamış ve dolayısıyla bir makine öğrenimi programı tarafından işlenemeyen verilerimiz var.

Google'ın makine öğrenimi tanımı, "soruları yanıtlamak için verileri kullanmaktır". Bu mükemmel, net bir açıklamadır ve zaten veri kalitesi ve organizasyonu hakkında düşünüyorsanız, herhangi birinin soru sormadan önce verilerinizin ne kadar düzenli ve doğru olması gerektiği hakkında size büyük bir ipucu verir.

Sonuçta… potansiyel veri tabanınızda kaç tane kopya olduğunu düşünüyorsunuz? Pazarlamada kullandığınız tüm görseller, dosya formatına, konuya, çoklu etiketlere, yaratıcılara ve bu görselin kullanıldığı yere göre düzenlenmiş bir içerik kasasında mı var?

Bu organize veriler. Ve daha sonra yapay zeka ile veya bu yıl makine öğrenimi ve otomasyon ile fantezi büyüler yapabilmeniz için şirketinizi geleceğe hazırlamanın kritik bir parçası.

3. Hedefleri Tanımlayın.

Makineler harika. Onlara yapmalarını söylediğiniz şeyi tam olarak yaparlar. Ve başka bir şey değil. Bu çok alçakgönüllü olabilir.

Yaklaşık yirmi yıl önce Perl (bir kodlama dili) üzerinde çalıştım ve bir şeyler ters giderse bunun kod ya da donanımın hatası olmadığını hemen anladım. O benimdi. Doğru operatörü kullanmasaydım ya da bir yerde bir virgül atlasaydım, makine benim talimatlarıma göre görev bilinciyle ve kusursuz bir şekilde çalışırdı… ki bu aslında yapmak istediğim şeyle eşleşmezdi.

Çoğumuz doğrudan kodlama yapmak zorunda kalmayacağız (temelde samimi WYSIWYG arayüzleri aracılığıyla kodlama yapmamıza izin veren tüm uygulamalara çok teşekkür ederiz). Ama talimatlarımızı doğru almalıyız.

Dolayısıyla, makine öğrenimi uygulamanıza belirli bir şekilde pazarlama nitelikli bir müşteri adayı tanımladıysanız, tam olarak bu talimatlara dayalı olarak insanları bulacaktır. Talimatlarınız kusurluysa, sonuçlarınız kusurlu olacaktır. Uygulamayı suçlamayın.

Bu, verilerle otomatik sistemler kurmak isteyip istemediğinizi anlamak için çok önemlidir. Veriler doğru ve okunabilir olmalıdır. Ve sonra makineye işini yapması için verdiğiniz talimatların doğru olması gerekir.

Bir makineye hatalı talimatlar verirseniz, bu sizi düzeltmeyecektir (birisi talimatlarınızı kontrol etmek için bir kod yazmadıysa). Yeni reklam kampanyanız için, örneğin yanlış hedef kitleye geri dönerek, teklifinizi yerine getirmek sadece görev bilinciyle olacaktır. Satışlar size üç ay sonra "Bu kampanyanın olası satışları korkunçtu" diyene kadar talimatlarınızın kötü olduğunu fark etmeyebilirsiniz.

Bunun bir başka düzeyi daha var: hedeflerimizi nicelleştirebilmeliyiz.

Yani “Müşteri deneyimini geliştirmek istiyorum” dediğimizde bu harika… ama bunu bir bilgisayar için nasıl ölçebilirsiniz? Bilgisayar müşteri deneyimini iyileştirmeye başlamadan önce bu ölçümleri izlemek için çok özel ölçümlere ve çok özel girdilere ihtiyacınız olacak.

Bilgisayarlar akıllara durgunluk verecek kadar ayrıntılıdır; insanların zahmetsizce yaptığı çıkarımları ve sonuçları yapamazlar. Bu yüzden işimizi sürdürebiliyoruz, ama aynı zamanda programcıların göz korkutucu işi - yüksek hedefleri programatik somunlara ve cıvatalara bölmek.

Pazarlamanızı geleceğe hazır hale getirmek istiyorsanız, önce tüm bu somunları ve cıvataları - bu hedefleri ve tanımları - çevirmeniz gerekir.

4. Sesli Arama için Optimize Edin.

Umarım şimdiye kadar önerilerimizde yeterince somut olabilmişizdir. Ama değilse, işte size çok net bir yönerge: sesli arama için optimizasyon yapmaya başlayın.

Bu, AI'nın kesinlikle zaten burada olan bir yönüdür. Cady Condyles'in 2020 yılına kadar "Yapay Zeka Senden Daha Akıllı: Perakende Stratejinizi Devam Etmek İçin Uyarlamak" (Hero Conf Londra'daki açılış konuşması) bölümünde bahsettiği gibi, web'de gezinmenin %30'u ekransız olacak - dijital sesli asistanlar aracılığıyla yapılacak.

Ses tanıma, AI'nın şimdiye kadarki en anlamlı gelişmelerinden biridir. Arama, başka bir önemli AI başarısıdır. Dolayısıyla, markanızı ve pazarlamanızı AI için konumlandırmak istiyorsanız, çabalarınızı odaklamanız gereken çok özel bir yer var: sesli arama.

Sesli arama için optimizasyon, aslında burada tartışılan daha önceki bir noktaya sadece bir örnektir: verilerinizi temizleyin. Makineler için erişilebilir hale getirin. Bir web sitesini sesli arama için optimize etmek tam olarak şudur: bir veri karmaşasını (web sitelerimiz) almak ve onu bir makine öğrenimi veya AI uygulamasının ayrıştırabileceği bir şeye damıtmak.

Cady'nin "alışveriş yapanları belirlemek ve onlara ulaşmak için amaca dayalı yapay zekayı kullanma" tavsiyelerinden bir diğeri, bu ilkenin tersi bir örnektir. İnsanlarla iletişim kurmak için amaca dayalı yapay zeka kullanıyorsanız, insan tarayıcılarından gelen petabaytlarca veriyi işleyen ve bunları bir makine öğrenimi uygulamasına ayrıştıran bir sisteme bağlanmanız gerekir.

Burada yine ham veriler, kalıpları tanıyabilen ve eylemler önerebilen bir uygulamada sentezlenmiştir.

Kapanış Düşünceleri

Çok büyük veri kümeleri alıp bunlarda kalıplar ve eğilimler bulmak için giderek daha fazla şey olacak. Ve bu iyi - makine öğrenimi ve yapay zekanın çalışması için çok fazla veriye ihtiyacı var. Gerçekten parlamak için öngörülebilir ortamlara ve tutarlı görevlere ihtiyaçları var.

İşte tam da bu yüzden insan pazarlamacıları hiçbir yere gitmiyor. Biz insanlar sınırlı verilerle oldukça iyi işleyebiliriz. Yeni durumlara çabuk adapte olabiliriz ve büyük bilişsel sıçramalar yapmakta harikayız. Makineler henüz orada değil.

Resim Kredisi

Özellik Resmi: Unsplash / Franck V
Resim 1: Acquisio'nun Makine Öğrenimi e-Kitabı aracılığıyla