Şu yazıyı okuyorsunuz: Markaların Makine Öğrenimini Kullandığı 8 Yol
Makine öğrenimi çok popüler, ancak dijital pazarlama stratejisinin bir parçası olarak pratikte gerçekte neye benziyor?
Önceki satın alma işlemlerine göre ürün öneren bir web sitesi kullandıysanız, bir makine öğrenimi stratejisiyle karşılaşmışsınızdır.
Makine öğrenimi, ürün önerileri gibi belirli görevleri tamamlamak için algoritmalar kullanan yapay zekanın (AI) bir yönüdür.
Aşağıdakiler de dahil olmak üzere dijital pazarlamacılar için çok sayıda işlevi yerine getirebilir:
Makine öğrenimi yıllardır dijital pazarlamanın içinde.
Aslında arama motorlarını her kullandığınızda makine öğrenimini kullanıyorsunuz.
Çoğu kişi için hala yeni bir strateji olsa da birçok şirket bu teknolojiyi pazarlama kampanyalarında uygulamaya başladı.
Aşağıda dijital pazarlamada makine öğrenimini kullanan sekiz marka yer almaktadır.
1. kovalamaca
2019 yılında bankacılık devi Chase Bank, Persado ile işbirliği yaptı kampanyalarınız için pazarlama metni oluşturmanıza yardımcı olmak için.
Yapay zeka şirketine daha fazla tıklama yaratacak bir kopya bulması için meydan okudular ve bunu da yaptılar.
Makine öğrenimi tarafından oluşturulan kopya örnekleri şunlardır:
insan kopyası: “Kağıtsız çalışın ve 5$ nakit iadesi kazanın.”
Makine tarafından oluşturulan kopya: “Sınırlı süreli teklif: Kağıtsız kaldığınızda sizi 5$ ile ödüllendireceğiz.”
Sonuçlar: AI kopyası neredeyse iki kat daha fazla tıklama üretti.
insan kopyası: “Göz at” butonu ile “Evinizin özsermayesinden nakit paraya erişin”.
Makine tarafından oluşturulan kopya: “Doğru: hızlı bir “Başvurmak için Tıklayın” ile ev sermayenizdeki nakit paranın kilidini açabilirsiniz.
Sonuçlar: Yapay zeka kopyası haftada 47 başvuru çekerken, insan kopyası haftada 25 başvuru çekti.
insan kopyası: “Acele edin, 31 Aralık’ta sona eriyor Büyük mağazalarda ve toptan satış kulüplerinde %5 nakit iadesi kazanın.”
Makine tarafından oluşturulan kopya: “Kartınıza ilişkin: %5 nakit iade sizi bekliyor”
Sonuçlar: Yapay zeka kopyası benzersiz tıklamaların neredeyse beş katını oluşturdu.
Makine tarafından oluşturulan kopya müşterilerde daha iyi sonuç vermiş olsa da, ona fikir veren insan yazarların işe yaradığını unutmamak önemlidir.
İnsan yazarlar ve makine öğrenimi birlikte yankı uyandıran metinler oluşturabilir ve optimize edebilir.
2.Starbucks
Dünyanın her yerindeki mağazalarıyla Starbucks çok fazla veri kazanıyor.
Starbucks, Starbucks sadakat kartı ve mobil uygulamasıyla satın alma bilgilerine erişebilir ve bu bilgileri pazarlama teminatına dönüştürebilir. Bu stratejiye tahmine dayalı analitik denir.
Örneğin makine öğrenimi, her müşterinin hangi içecekleri satın aldığını, nereden satın aldığını ve ne zaman satın aldığını toplar ve bunları müşterilere son derece kişiselleştirilmiş reklamlar sunmak için hava durumu ve promosyonlar gibi harici verilerle karşılaştırır.
Bunun bir örneği, Starbucks’ın satış noktası sistemi aracılığıyla müşterinin tanımlanmasını ve baristaya tercih ettiği siparişin sağlanmasını içerir.
Uygulama ayrıca önceki satın alma işlemlerine göre (hava koşullarına veya tatillere bağlı olarak değişebilir) yeni ürünler önerebilir.
Makine öğrenimi, ürün önerilerinde tahmine dayalı çalışmayı ortadan kaldırabilir.
Starbucks gibi perakende devlerinin milyonlarca müşterisi var, ancak verileri hızlı ve verimli bir şekilde inceleyebildikleri için her birinin kişiselleştirilmiş öneriler alıyormuş gibi hissetmesini sağlayabilirler.
3.eBay
eBay’in milyonlarca e-posta abonesi var. Her e-postanın, müşterinin tıklamasını sağlayacak ilgi çekici konu satırlarına ihtiyacı vardı.
Ancak 100 milyondan fazla dikkat çekici konu satırı sunmak, insan yazarlar için çok zorlayıcı oldu.
Makine öğrenimine girin.
eBay, spam filtrelerini tetiklemeyecek ilgi çekici konu satırları oluşturmaya yardımcı olmak için Phrasee ile ortaklık kurdu. Ayrıca makine tarafından oluşturulan kopya, eBay’in marka sesiyle uyumlu hale getirildi.
Sonuçları başarıyı gösteriyor:
- Açık oranlarda %15,8 artış.
- Ortalama tıklamalarda %31,2 artış.
- Kampanya başına 700.000’den fazla artımlı açılma.
- Kampanya başına 56.000’den fazla artan tıklama.
Makine öğrenimi, en göz korkutucu görevleri üstlenebilir ve bunları geniş ölçekte dakikalar içinde tamamlayabilir.
Sonuç olarak şirketler mikro görevler yerine genel kampanyalara daha fazla odaklanabiliyor.
4. Kapı panosu
Doordash, pazarlama kanalları aracılığıyla binlerce pazarlama kampanyası yürütmektedir.
Ekibiniz teklifleri reklam performansına göre manuel olarak günceller.
Ancak ekip bu görevin zaman alıcı ve yorucu olduğunu fark etti.
Bu nedenle Doordash, pazarlama harcamalarını optimize etmek için makine öğrenimine yöneldi.
İlişkilendirme verilerine dayalı bir pazarlama otomasyon platformu oluşturuldu.
Bu veriler, şirkete müşterinin hangi kanalda ve hangi kampanyayla dönüşüm sağladığını söylüyor.
Ancak binlerce kampanyanın aynı anda yürütülmesi nedeniyle bu tür verileri hızlı bir şekilde toplamak zor olabilir.
Makine öğrenimi, bu verileri toplayarak ve bütçelerini hızlı ve verimli bir şekilde optimize edebilmeleri için harcama önerileri oluşturarak bu görevi yerine getirmeye yardımcı olur.
5. Autodesk’in
Autodesk daha gelişmiş sohbet robotlarına ihtiyaç olduğunu gördü.
Tüketiciler genellikle chatbotların sınırlamalarından dolayı hayal kırıklığına uğruyor ve bu nedenle bir insanla konuşmayı tercih ediyor.
Ancak sohbet robotları, müşterilerin ihtiyaç duydukları içeriğe, satıcıya veya hizmet sayfasına etkili bir şekilde yönlendirilmesine yardımcı olabilir.
Bu nedenle Autodesk makine öğrenimine ve yapay zekaya yöneldi.
Autodesk’in sohbet robotu, arama motoru anahtar kelimelerine dayalı diyaloglar oluşturmak için makine öğrenimini kullanıyor.
Chatbot daha sonra diğer uçtaki müşteriye bağlanarak daha hızlı dönüşüm oranlarına olanak tanır.
Autodesk, sohbet robotunu uygulamaya koyduğundan bu yana sohbet etkileşimini üç katına çıkardı ve sayfada geçirilen süreyi %109 artırdı.
6. Baidu
2017 yılında Çin arama motoru Baidu, metni konuşmaya dönüştürmek için makine öğrenimini kullanan Deep Voice adlı bir sistem oluşturdu. Bu sistem her biri yarım saatlik veri içeren 2500 sesi öğrenebilmektedir.
Baidu, Deep Voice’un video oyunları ve sesli kitaplarda daha sürükleyici deneyimlere yol açabileceğini açıklıyor.
Baidu’nun Deep Voice ile hedefi, binlerce insan sesini taklit ederek makinelere daha insani konuşmayı öğretmektir.
Arama motoru, yakında sistemin farklı aksanlara sahip 10.000 veya daha fazla sese hakim olabileceğini umuyor.
Deep Voice mükemmelleştirildiğinde her gün kullandığımız şeyleri iyileştirebilir, örneğin:
- Siri.
- Alexa.
- Google Asistan.
- Gerçek zamanlı çeviri.
- Biyometrik güvenlik.
Hatta sesini kaybeden kişilerin yeniden iletişim kurmasına bile yardımcı olabilir.
Son zamanlarda herhangi bir güncelleme olmamasına rağmen Baidu, Deep Voice’un teknolojimizde devrim yaratacağından umutlu.
7. Özel markalar
Terzi Markalarının Kullanım Alanları Kullanıcılarınızın logo oluşturmasına yardımcı olacak makine öğrenimi.
“Bu veya Şu” makinesi, Karar Verme Algoritmalarını kullanarak Markaları Özelleştirmenin kullanıcının zevkini anlamasına yardımcı oluyor.
Kullanıcılar beğendikleri örnekleri seçerek logo oluşturucuya stil, yazı tipi ve diğer tasarım yönlerine ilişkin tercihlerini bildirir.
Tailor Brands doğrusal cebir kullanıyor.
Her kullanıcının kararı, makinenin kullanıcının tercihlerini öğrenmesine yardımcı olan bir denklemle beslenir.
Bir dahaki sefere birisi bir logo oluşturduğunda, Tailor Brands daha önce kullandığınız stillere benzer stiller görüntüleyebilir.
8. Uluma
Yelp’e her gün dünyanın her yerinden milyonlarca fotoğraf geliyor.
Şirket, fotoğrafları belirli işletmelerle eşleştirmek için gelişmiş bir yönteme ihtiyacı olduğunu fark etti.
Böylece bir fotoğraf anlama sistemi geliştirdi tek tek fotoğraflar hakkında anlamsal veriler oluşturmak.
Bu sistem Yelp’in fotoğrafları kullanıcının aramasıyla ilgili kategorilere ayırmasına olanak tanır.
Yelp ilk olarak kullanıcılardan aldığı fotoğraflar için “içecekler” veya “menü” gibi etiketler oluşturdu.
Daha sonra şirket, fotoğraf başlıklarından, fotoğraf özelliklerinden ve kitle kaynak kullanımından veri topladı.
Daha sonra, sistemin fotoğrafları kategorilere ayırabileceği fotoğraf etiketlerini tanımak için makine öğrenimini uyguladı.
Bu fotoğraf derecelendirme sistemi Yelp’te daha iyi bir kullanıcı deneyimi yaratılmasına yardımcı olur.
Örneğin, kapak fotoğraflarının çeşitlendirilmesine ve kullanıcıların tam olarak aradıkları bilgiye atlamalarına olanak tanıyan sekmeler oluşturulmasına yardımcı olabilirsiniz.
Dijital pazarlamacılar, makine öğreniminin onlar için yapabileceklerinin yalnızca yüzeyini çiziyorlar.
İnsanlar ve makineler, daha anlamlı müşteri deneyimleri ve daha optimize edilmiş kampanyaları daha kısa sürede oluşturmak için birlikte çalışabilir. Bu bir kazan-kazan-kazan durumu.
Daha fazla kaynak:
