عضو هیئت علمی مدرسه کسب و کار ماهان _مشاور ارشد بازاریابی - اولین مدرس بازاریابی هوش مصنوعی در ایران
بازاریابی هوش مصنوعی (Ai Marketing) چیست؟
در سال ۱۹۵۰ الن ترینگ (Alan Turing) سوالی را مطرح نمود که سرآغازی برای هوش مصنوعی بود.
آیا ماشین ها می تواند فکر کند؟
Can Machines Thinks?
در سال ۱۹۵۶ جان مککارتی (John McCarthy) برای اولین بار به صورت آکادمیک واژه هوش مصنوعی را مطرح نمود و از او به عنوان پدر علم هوش مصنوعی یاد می کنند.
از آن سال تا به امروز این علم پیشرفته بی نظیری داشته و امروز به دلیل وجود داده های عظیم (Big Data) اجرای این راهکار ممکن شده است. تحقیقات نشان داده ما در هر روز ۲.۵ کـَـنتیلیون (۱۰ به توان ۱۸) داده ایجاد می نماییم و این موضوع با شتاب بالا به دلیل وجود اینترنت اشیاء در حال رشد است.
There are 2.5 quintillion bytes of data created each day at our current pace, but that pace is only accelerating with the growth of the Internet of Things (IoT).
از طرفی بازاریابی از سال ۱۷۳۰ که آغاز تبلیغات در مجله بوده ،اولین بیلبورد اکران شده در سال ۱۸۶۷، تبلیغ رادیویی در سال ۱۹۲۲، تبلیغ تلویزیونی در سال ۱۹۴۱ و بازاریابی تلفنی در سال ۱۹۴۶ راه زیادی را طی نمود است. ولی پایه علم بازاریابی به شکلی که امروزه ما می شناسیم در سال ۱۹۵۰ شکل گرفت.
بنابراین این دو شاخه علم از سال ۱۹۵۰ رشد نمودند و امروز در کنارهم امکانی را فراهم نمودند که بتوان در بازاریابی آن را دوران بازاریابی هوش مصنوعی نام گذاشت.
بر اساس پیش بینی گارتنر (Gartner) هوش مصنوعی برای بازاریابی دیجیتال وارد مرحله اوج انتظار شده (The peak of inflated expectation) در این مرحله داستان های موفقیت و شکست بسیاری در اخبار در این خصوص می شنوید. لذا برخی از بازاریابان برای استفاده از این امکان اقدام می کنند؛ برخی دیگر صبر می کنند تا تکنولوژی بالغ تر شود ... ولی با این وجود گارتنر پیش بینی می کند پیش بینی می شود اندازه این بازار تا سال ۲۰۲۱ سه برابر میزان آن در سال ۲۰۱۸ شود.
بازاریابی هوش مصنوعی این امکان را می دهد که به صورت واقعی اهداف بازاریابی که از ابتدای بوجود آمدن این علم مهم بوده را محقق نماییم. این مهم به این دلیل امکان پذیر است که مشتریان در هر دقیقه در حال تولید میلیون ها داده هستند و دستیابی به این داده ها، پردازش آنها و تبدیل آنها به پارامتر های قابل استفاده در بازاریابی می تواند راهی برای دستیابی به اهداف کسب و کار باشد.
برای بکار گیری هوش مصنوعی در کسب کار می بایست الگوریتم های مختلفی را بکار برد. این فرآیندها شامل یادگیری (کسب اطلاعات و قوانین برای استفاده از اطلاعات)، استدلال (استفاده از قوانین برای رسیدن به نتایج تقریبی یا قطعی) و اصلاح است.
زیر مجموعه های هوش مصنوعی شامل موارد ذیل می شود.
- سیستم های مستقل (Autonomous systems)
- یادگیری ماشینی (Machine Learning)
- یادگیری عمیق (Deep Learning)
- شبکه های عصبی مصنوعی (Artificial Neural Network)
- شناسایی الگو (Pattern recognition)
- پردازش زبان طبیعی (Natural Language Processing)
هر کدام از این زیر مجموعه ها راهی برای ایجاد، بهبود و یا تعریف مجدد فرایند های بازاریابی می کند. تا کنون چند گاربرد موثر از آنها در بازاریابی ایجاد و مورد بهره برداری قرار گرفته اما می توان گفت که این موارد تنها ابتدای مسیر بزرگ پیش رو هستند. مطمئنا هر تکنولوژی جدیدی که ایجاد شود تا رسیدن به بلوغ خود می بایست راه طولانی طی کند. همانطور که گارتنر پیش بینی کرده بود هوش مصنوعی در بازاریابی در مرحله نوآوری قرار دارد و پیش بینی می شود طی ۵ تا ۱۰ سال آینده به بلوغ کامل برسد.
از جمله کاربرد های ایجاد شده در بازاریابی می تواند به موارد ذیل اشاره نمود:
- تولید و گزینش محتوا (Content Creation & Curation)
- دیدگاه های مصرف کننده (Customers Insight)
- تجزیه و تحلیل پیش بینی شده (Predictive Analysis)
- ربات چت (ChatBot)
- سیستم توصیه گر (recommendation system)
- تولید سرنخ و امتیازبندی آن (Lead Generation and scoring)
- سئو (SEO)
- قیمت گذاری محصول (Product Pricing)
- تبلیغات برنامه ریزی شده (programmatic advertising)
چگونگی استفاده از این تکنولوژی برای هر کسب و کاری متفاوت است و این موضوع ارتباط مستقیم با آمادگی (Readiness) و تطبیق پذیری (Adaptation) آن ها بستگی دارد. ولی نکته ای که وجود دارد الزام بهره گیری از آن برای موفقیت در سالهای آینده است.
به یاد داشته باشید که شرکت های زیادی زمان بوجود آمدن اینترنت در مقابل استفاده از مقاومت کردند و امروزه دیگر اثری از آنها دیده نمی شود ....
مطلبی دیگر از این انتشارات
آشنایی با Adaboost
مطلبی دیگر از این انتشارات
کتابخانه تقویت آموزش براساس پایتون ، هوش مصنوعی و شبکه عصبی
مطلبی دیگر از این انتشارات
تابع هدف در SVM : راهکار Penalty و دوری از Overfitting