نمونه های کاربرد هوش مصنوعی در بازاریابی

هوش مصنوعی، به ویژه ماشین یادگیری، بعنوان یک بخش ترکیبی در خیلی از صنایع رو به رشد است. یکی از این صنایع، صنعت بازاریابی است.
در این مقاله 15 مطالعه موردی و موارد کاربرد هوش مصنوعی در صنعت بازاریابی را مطالعه خواهید کرد.

1- پیشنهادات / محرک محتوا

Netflix به کمک آنالتیکس های پیش بینی کننده، توصیه های ظریف و دقیقی پیشنهاد میده. این مدل الگوریتم ترکیبی همیشه میتونه پیشنهاداتشو بهتر و بهتر کنه و در نتیجه به کاربرهاش بهترین بهره رو میرسونه.
یکپارچه سازی اطلاعات از منابع مختلف یکی از استفاده های رایج هوش مصنوعی است.
یکی از شرکتهایی که از این جنبه هوش مصنوعی رو بکار گرفته، یه شرکت ورزشیه که اطلاعات کاربر رو از اپلیکیشنش جمع میکنه و از اونها برای تحقیق روی تغذیه، تناسب اندام و غیره استفاده میکنه.
در نتیجه این توانایی، این شرکت تونسته بر اساس عقل ترکیبی، مرتبط ترین تمرینات ورزشی و توصیه های سبک زندگی رو به مشتریهاش عرضه کنه. این شرکت ورزشی تو یه انتشارات خبری اینطوری گفته:
“یه زن 32 ساله که داره برای مسابقه 5 کیلومتر تمرین میکنه، میتونه برای شخصی سازی تمریناتش از اپلیکیشن ما استفاده کنه و بر اساس سایز، اهداف و سبک زندگیش برنامه غذایی بگیره.
این اپلیکیشن میتونه مسیرهای نزدیک خونه و محل کار این خانم رو نقشه برداری کنه و با احتساب آب و هوا، زمان روز و تغذیه، پیشنهاداتی رو برای بهبود رژیم غذایی و عملکردش ارائه بده.”

2- موتورهای جستجو

در اوایل آبان 94، گوگل استفاده از مغز رتبه بندی کننده رو تأیید کرد. مغز رتبه بندی کننده یک سیستم هوش مصنوعیه که ازش برای تفسیر کسر زیادی از عبارتهای جستجو استفاده میشه.
هوش مصنوعی باید پردازش زبان طبیعی رو ترجمه کنه و به این ترتیب ارتباط میان عبارت سرچ شده و محتوای وب ها رو پیدا کنه و در کنار این، بتونه به تفسیر بهتری از منظور کاربر و جستجوی صوتی دست پیدا کنه.
مشتریها وقتی میخوان روی سایتها نظر بدن از زبان واقعی استفاده میکنند و طوری حرفشونو میزنن که موقع سرچ کردن در گوگل هم همونطوری حرف میزنن. مثلا ممکنه یکی بنویسه “اینجا ماهی هاش از جاهای دیگه بهتره و قیمتش هم خیلی نمیشه.”
این جمله میتونه جواب کسی باشه که میخواد بدونه کجا میتونه با هزینه کمتری یه غذای دریایی بخوره.
البته ماشین یادگیری چیز جدیدی تو گوگل نیست و گوگل همین الآنش هم داره برای جستجوها، تبلیغات و پیشنهادات یوتیوب ازش استفاده میکنه.

3- پیشگیری از حقه بازی و دزدی اطلاعات

متخصصان امنیتی با تجزیه و تحلیل الگوهای استفاده از کارتهای اعتباری و دسترسی به وسایل ارتباطی میتونن به اهداف تراکنشها پی ببرند.
البته تنها کاربرد هوش مصنوعی در این زمینه، به کارتهای اعتباری ختم نمیشه.
مثلا فروشنده ها هم بخاطر وجود سیستم هایی که فقط بر اساس نام کاربری و رمز عبورند (و هیچ نوع تصدیق محکمتری نیاز ندارند) میتونن مورد دزدی اطلاعات قرار بگیرند.
این حوزه تحلیل های امنیتی سالهاست که موضوع بحثه اما داره کم کم پیچیده تر و مشکلتر میشه. باید به سرعت برای روشهای حقه بازی جدید راه حلی پیدا کرد و داده های سازماندهی نشده رو هم تحلیل کرد.
پردازش زبان طبیعی میتونه برای بررسی متن تراکنش ها مفید واقع بشه. مثلا برای تغییر شکلشون به داده های سازماندهی شده.
کاربردهای جدیدتر هوش مصنوعی مثل خدمات USAA امریکا که به ارتش سابق خدمات مالی ارائه میداد، میتونه رفتارهای خلاف قاعده رو حتی در دفعه اول هم تشخیص بده.

4- معناشناسی اجتماعی

شاید کسی با نگاه کردن به چت-بات مایکروسافت، معروف به Tay ، نتونه فورا بفهمه که توئیتر و هوش مصنوعی با هم دارن این چت-بات رو پیش میبرند.
اما یادگیری عمیق یا deep learning (این عبارت معمولا برای اشاره به ماشین یادگیری، در اندازه داده های بزرگ، به کار میره و یک شبکه بی طرف برای تشخیص الگوهای انتزاعی است) دندونشو برای شبکه های اجتماعی تیز کرده.
تحلیل احساسی، پیشنهاد محصولات، تشخیص صدا و تصویر، همه حوزه هایی هستند که هوش مصنوعی پتانسیلشو داره که تو شبکه های اجتماعی رشد کنه.
اگه به گزارشهای علمی علاقه دارید، بد نیست یه بار به تحقیق هوش مصنوعی فیسبوک نگاهی بندازید تا با توانایی های هوش مصنوعی آشنا بشید.
تو یکی از مجله های امریکایی درباره کاربرد نسبتا جدیدی از هوش مصنوعی صحبت شده بود؛ تجزیه و تحلیل تصاویر جمعیت شناسی برای یافتن مدارکی از زندگی انسان.
این فناوری میتونه به فیسبوک در هدفگیری اینترنت کمک کنه. به این ترتیب میتونه نیاز جوامع رو بسنجه و با توجه به اون بهشون خدمات ارائه بده.

5- طراحی وب سایت

گرید یه پلتفرم طراحی وب سایت هوش مصنوعیه.
گرید برای حوزه های مشخصی – تشخیص عکس هوشمند و پالت الگوریتمی برش و انتخاب تایپوگرافی – از هوش مصنوعی استفاده میکنه و به این ترتیب تونسته طراحی وب رو به طور مؤثری خودکار کنه.

6- قیمت گذاری محصولات

با این همه محصول و این همه معیارهای مختلفی که روی فروش تأثیر میگذارند، تخمین قیمت فروش یا بازه قیمت کار مشکلیه.
بهینه سازی قیمت دینامیک با استفاده از ماشین یادگیری و الگوریتم میتونه تو این کار به کمک تولید کننده ها بیاد و فاکتورهای دیگه ای مثل مدیریت دسته بندی و سطح طبقه بندی رو انجام بده.

7- سرویس پیش بینی مشتری

دونستن اینکه چطور و به چه دلایلی میشه با یه مشتری ارتباط برقرار کرد، خیلی مهمه.
نه تنها با اینکار میشه منابع رو برنامه ریزی کرد (مثلا بفهمیم آیا تعداد کارمندهایی که وظیفه تمای گرفتن با مشتریها رو دارند کافیه یا نه؟)، بلکه میتونیم ارتباطاتمونو شخصی سازی کنیم.
تو یه پروژه دیگه ای که در شرکت USAA آزمایش شده، این روش رو استفاده کرده.
تجزیه و تحلیل هزاران عامل به ماشین کمک میکنه تا بتونه الگوهای وسیعی از رفتار مشتری رو تشخیص بده.
تا حالا هم هوش مصنوعی خیلی به USAA کمک کرده ، تا جایی که تونسته صحت حدسهاش در مورد اینکه برای چه محصولی و چطور تماس خواهند گرفت رو از 50% به 88% افزایش بده.

8- تبلیغات هدفگیری شده

یادگیری عمیق – که پیشتر تعریفش کردیم – میتونه نشونه های بیشتری رو مدیریت کنه و از این طریق بهتر به گرایشات رفتاری کاربر پی ببره. نمایش تبلیغ هم اصولا به معنی راه اندازی یه موتور پیشنهاد دهنده است که یادگیری عمیق به خوبی از عهده اش برمیاد.
الگوریتم ها با بهینه سازی قیمت تبلیغات میتونن بهترین قیمت ممکن رو به ازای هر بار نمایش تعیین کنند.
همچنین ماشین یادگیری در هدفگیری تبلیغات برنامه ریزی شده کمک میکنه تا احتمال کلیک کاربر رو بالا ببره. مثلا میتونه با بهینه سازی اینکه چه محصولاتی رو نمایش بده یا برای افراد هر منطقه از چه تبلیغاتی استفاده کنه، این کارو انجام بده.

9- تشخیص کلام

مترجم اسکایپ در حال حاضر از زبانهای عربی، انگلیسی، فرانسوی، آلمانی، ایتالیایی، چینی، پرتغالی و اسپانیایی پشتیبانی میکنه.
یکی از منتقدان این محصول گفته خطاهایی وجود داره اما من معمولا با یکم تأمل میتونم معنی رو بفهمم.
تشخیص کلام از پنج سال پیش تا الآن برای پیشرفت در شبکه های عصبی بکار رفته.
البته Siri و Cortana و سایر دستیارهای شخصی هم توانایی تشخیص متن دارند و بدون شک کاربرهای قدیمی کاملا از دقت این برنامه ها آگاهند.
تشخیص متن بالاخص برای بازار چین که تایپ کاراکترهای پیچیده و کوچیک روی صفحه کلید سخته، خیلی مهمه.

10- تشخیص زبان

پشت تشخیص کلام، چالشی نشسته به اسم تشخیص زبان؛ نه به معنی تشخیص چیزی که دارید میگید، بلکه منظور تشخیص معنی حرفتون هست (مثلا در ارتباط با بقیه چیزها و با توجه به مفهوم).
این هم یکی دیگه از کاربردهای ماشین یادگیریه که کاربرها باهاش آشنا هستند و ازش در جستجو استفاده کرده اند.
اما شرکتها هم برای تفسیر اطلاعات سازماندهی نشده مشتریهاشون از تشخیص زبان استفاده میکنند.
یه شرکت B2B که به اصطلاح پلتفرم تشخیص مسافرت هست با استفاده از هوش مصنوعی و به کمک اطلاعات شرکاش مثل هتلهای زنجیره ای و خطوط هوایی، تونسته اپلیکیشن های مشتریهاشو تقویت کنه.
بنابراین مثلا تصاویر، پیشنهادات و اطلاعات مسافرتی بسته به داده های هر مشتری شخصی سازی میشن.
این داده ها میتونن متون سازماندهی نشده باشند؛ مثلا “ما میخواهیم برای تعطیلات به یه ساحل پلاژ دار بریم که برای بچه ها هم بازی داشته باشه”.

11- تقسیم بندی مشتری

بکارگیری از داده های شرکتهای شریک در الگوریتمهای دسته بندی کننده و استفاده از نتایج در یک “سیستم تجربه معمول” یا CRM هم یکی دیگه از کاربردهای رو به رشد ماشین یادگیری است.
شرکتهایی مثل AgilOne با یادگیری از رفتارهای کاربران، امکان بهینه سازی ایمیل و نظرات وب سایت ها رو برای بازاریابها فراهم کرده.

12- پیش بینی فروش

منظور همون مدیریت تبدیل مشتریه اما این بار با استفاده از ارتباطات داخلی.
ایمیلهای داخلی هم مثل خدمات مشتری پیش بینی کننده میتونن تجزیه و تحلیل بشن و بر اساس مکالمات و رفتارهای مشتریها اقدامات مناسب رو اتخاذ کرد.
وقتی باید یه جوابی به مشتری داد، مثلا یه دعوتنامه، یه هشدار یا … ، ماشین یادگیری میتونه با فیلتر کردن پروسه تو این کار کمک کنه.

13- تشخیص تصویر

شما از طریق قسمت تصاویر گوگل میتونید عکس سرچ کنید. فیسبوک میتونه چهره رو تشخیص بده، ابزار جابجایی چهره اسنپ چت هم همینطور.
AR میتونه منظره و افراد پیش روی فرد رو تشخیص بده و برای هولوگرام ها کاربرد داره.
به نظر من جالبترین کاربرد تشخیص عکس DuLight هست که برای افراد دچار اختلال بینایی طراحی شده و اونچه رو که در مقابل فرد هست توصیف میکنه.
البته بازاریابها میتونن برای خیلی از کارها از جستجوی محتوا گرفته تا تجربه خلاقانه مشتری از این فناوری بهره ببرند.

14- تولید محتوا

در حال حاضر، تولید محتوا با استفاده از داده های سازماندهی شده خوب انجام میشه. مثلا پلتفرم Wordsmith برای تولید خودکار مقالات خبری کاربرد داره. این مقالات از گزارشهایی که از CSV تغذیه میشن – ضرورتا به صورت خودکار – تولید میشن.
هر چند در آینده نه چندان دور قراره این مدل تولید محتوا برای داده های سازماندهی نشده بکار بره.

15- بات ها، PAها و مسنجرها

بدنام ترین مثال رو گذاشتم برای آخر. چت باتها قراره در آینده جایگزین داده های کاربر در اپلیکیشن های موبایل بشن.
با تحلیل زبان طبیعی و درک منبع داده های برند، میشه فقط با صحبت کردن یا تایپ کردن در یک چت بات، ارائه خدمات کرد.
پلتفرم فیسبوک میتونه به زودی با هوشیاری پیشروی چت باتها بشه و خدمات راحتتری رو برای مشتریها فراهم کنه و دیگه نیازی به همزمان بودن مکالمات تلفنی نباشه، زمان رو نگه داره و زحمت و دردسر رو کم کنه.

آیا کاری هست که هوش مصنوعی نتونه انجام بده؟

لازم به ذکره که هوش مصنوعی و ماشین یادگیری هنوز هم برای افزایش دقت و یادگرفتن درست الگوریتم ها به انسانها نیاز دارند، مثلا رتبه دهنده های گوگل.
هر چی با کاربرد بیشتر هوش مصنوعی، نیاز به راهنمایی انسان برای تنظیم داده ها بیشتر بشه، نیروی کار بیشتری نیاز هست.
اما اگه شغل فعلی شما طوریه که ممکنه بتونه اتوماتیک بشه، هوش مصنوعی براتون یه مسئله مشکل ساز محسوب میشه.