شرکتها همیشه به دنبال راههایی برای بهبود سواد دادهها و ارائۀ ابزارهایی برای توانمندسازی کارکنانِ دانش، جهت تبدیل دادهها به بینش هستند. در این راستا، ابزارهای تجسم دادههای اکتشافی که بیش از یک دهه پیش معرفی شدند، درک بهتر دادهها، توزیعها، ناهنجاریها، نقاط پرت و نویز در دادهها را امکانپذیر ساختند. در این ظرفیت، یادگیری ماشینی برای حذف وابستگی به متخصص برای طراحی و توسعۀ داشبوردهای تعاملی عمل کرد. روند مشابهی برای افزودن قابلیتهای هوش افزوده با استفاده از Auto-ML ادامه دارد. به عنوان مثال، رابطهای مبتنی بر جستجوی پردازش زبان طبیعی، توانایی تعامل با دادهها را از طریق متن و صدا اضافه میکنند. همانطور که گوشیهای هوشمند ویژگیهای پیشرفتهای را در قالب نقطه و کلیک در اختیار کاربران قرار دادهاند، یادگیری ماشینی نیز قول میدهد که سهولت استفادۀ مشابهی را ارائه دهد. با این حال، پیشرفتهای اخیر در یادگیری ماشینی نیز علاقۀ شایان توجهی را در میان کاربرانی ایجاد کرده است که احساس میکنند باید فراتر از نتایج نقطه و کلیکی که ارائه میدهد، بروند. در نتیجه، یادگیری ماشینی به یکی از امیدوارکنندهترین روشهای تحقیقاتی در زمینۀ بازاریابی تبدیل شده است که پیامدهای مهمی برای توسعۀ استراتژیهای بازاریابی نیز دارد. این قسمت پنج حوزۀ کاربردیِ خاص را ارائه میکند که یادگیری ماشینی همچنان به شرکتها در توسعۀ ابتکارات بازاریابی کمک میکند.
درک نیازهای مشتری برای استقرار یادگیری ماشینی
پذیرش یادگیری ماشینی، شرکتها را قادر میسازد تا توصیهها و ترویجهای خود به مصرفکنندگان را بهطور مداوم بر اساس رفتارهای آنها در طول زمان اصلاح کنند. موتورهای توصیه، یک برنامۀ محبوب یادگیری ماشینی هستند که در آن کاربران با پیشنهادهایی که در گذشته دوست داشتند و یا ممکن است در آینده علاقهمند باشند، مطابقت داده میشوند. چنین اقدامات اصلاحی توسط شرکتها، بار شناختی مصرفکننده را کاهش میدهد و مسئولیت یافتن بهترین گزینهها را برای انتخاب مصرفکننده در بافت مورد نظر، بر عهدۀ سکوی جستجو یا برند میگذارد.
چندین برنامۀ کاربردیِ یادگیری ماشینی در بازاریابی نشاندهندۀ توجه شرکتها به رسیدگی به نیازهای مشتری هستند. به عنوان مثال، اوبر از یادگیری ماشینی برای تخمین زمان ورود برای سواری، شناسایی مکانهای بهینۀ تحویل، تخمین زمان غذا در اوبر ایتس و کشف تقلب استفاده میکند. فیکو از یادگیری ماشینی برای توسعۀ رتبۀ اعتباری خود (نمرات فیکو) و همچنین برای ارزیابی ریسک برای مشتریان فردی استفاده میکند. آمازون از الگوریتمهای یادگیری ماشینی استفاده میکند که میتواند بهطور خودکار ترکیب چندین ویژگی مرتبط و تاریخچۀ جستجوی گذشته را بیاموزد و نتایج جستجوی شخصیسازیشده را برای مشتریان ایجاد کند. افزون بر این، بانکهایی که از طریق برنامههای خود، شناسایی متن چک را ارائه میکنند، به ابزارهای یادگیری ماشینی متکی هستند.
بخش شایان توجهی از درک نیازهای مشتریان، دانستن قیمتی است که آنها مایلند برای محصولات یا خدمات بپردازند. خردهفروشان میتوانند از قدرت فوقالعادۀ یادگیری ماشینی برای ایجاد راهحلهای خودکارسازی قیمتگذاری مؤثر استفاده کنند. به عنوان مثال، نظرسنجی جهانی تجارت متصل نیلسن نشان داد که جستجو برای اطلاعات محصول، بررسی یا مقایسۀ قیمتها، و جستجوی معاملات، ترویجها یا کالابرگها از محبوبترین فعالیتهای خریداران اینترنتی هستند. برای مثال، ایربیانبی از یک ابزار قیمت پویا استفاده میکند که با در نظر گرفتن عواملی مانند فصلی بودن، روزِ هفته یا رویدادهای خاص، و عوامل پیچیدهتر مانند عکسهای مِلک مورد اجاره یا قیمتهای اعمالشده در محله، قیمتها را به میزبانان خود توصیه میکند. شرکتهای دیگری مانند آمازون و اوبر رویکردهای مشابهی را اتخاذ کردهاند.
بازبینی قابلیتهای شرکت برای ادغام یادگیری ماشینی
دسترسی به اطلاعات دقیق و در زمانواقعی در مورد عملکردهای مختلف کسبوکار، پیامدهای مهمی را برای قابلیتهای شرکت ارائه میدهد. در این راستا، بلوغ دادههای سازمانها دستخوش تغییرات چشمگیری است. یک زیستبوم دادۀ بهخوبی توسعهیافته، مجهز و بهخوبی مرتبط برای به دست آوردن مزایای یادگیری عمیق و قابلیتهای یادگیری ماشینی، اساسی است. برای مثال، امریکن اکسپرس به الگوریتمهای یادگیری ماشینی و تحلیل دادهها برای کمک به تشخیص تقلب در زمانواقعی متکی است. در نتیجه، شرکت نهتنها میتواند میلیونها دلار از زیانها را نجات دهد، بلکه بازنگریهای دستیِ زمانبر، بازپرداخت هزینهها و کارمزدهای پرهزینه، و انکار معاملات قانونی را نیز کاهش میدهد. این همچنین نشان میدهد که شرکتها باید روی دانشمندان حوزۀ داده سرمایهگذاری کنند که میتوانند معنا را از دادهها استخراج کنند و راههایی را برای توسعۀ بینشهای عملی برای شرکتها شناسایی کنند.
افزون بر این، قابلیت انطباق و سفارشیسازی برنامههای کاربردی یادگیری ماشینی، بازاریابان را قادر میسازد تا ابزارهای ارتباطی شخصیشده با پایگاه کاربران خود را ایجاد کنند. کارمندان اکنون میتوانند به تمام دادهها و اطلاعات مشتری در یک رابط نقطه و کلیک دسترسی داشته باشند، با سایر ذینفعان درگیر در فرایند بازاریابی ارتباط برقرار کنند و با آنها تعامل داشته باشند و محتوا و پیشنهادهای معنادار ارائه دهند. فعلوانفعالات گستردۀ شبکه که اکنون با قدرت داده ممکن شده است، بهطور مداوم در حال تحول هستند و انتظار میرود تغییرات بیشتری در محیط کسبوکار ایجاد کنند. به عنوان مثال، تاکوبل از فناوری یادگیری ماشینی در برنامۀ خود استفاده میکند تا به کاربران، مرتبطترین اقلام منو، ترویجها و محتوا را بر اساس ترجیحات فردی، تاریخچۀ غذاخوری گذشته، مکان، آبوهوا و منوها و قیمتهای رستوران نشان دهد.