شبکه های عصبی مصنوعی / داستانی که هر بازاریاب باید بداند

    به قلم: مایکل برنر

    نویسنده و سخنران در حوزه مدیریت و بازاریابی

کاربرد هوش مصنوعی در بازاریابی این روزها به موضوع بحث اصلی این حوزه تبدیل شده است؛ از تمام اپلیکیشن های فعلی در زمینه خودکارسازی بازاریابی و پیش بینی های تحلیلی گرفته تا این سؤال مهم که تحول بعدی این حوزه چیست؟

برای درک بهتر این موضوع که این تحول بزرگ حوزه فناوری ما را به کجا می برد، اجازه دهید نگاهی داشته باشیم به روندهای تفکری که تغییرات این عرصه را رقم می زنند؛ یعنی روندهای پردازش رایانه ای و شبکه های عصبی مصنوعی.

شبکه عصبی مصنوعی چیست؟

شبکه های عصبی مصنوعی زیرمجموعه مهمی از یادگیری ماشینی هستند. دانشمندان علوم رایانه ای از این شبکه ها برای انجام کارهای پیچیده ای نظیر پیش بینی های تحلیلی، برنامه ریزی و شناخت الگوهای رفتاری کاربران استفاده می کنند. برخلاف سایر الگوریتم های یادگیری ماشینی که به سازماندهی داده ها یا تجزیه و تحلیل اعداد می پردازند شبکه های عصبی می توانند تجارب قبلی را ذخیره و از آنها استفاده کنند.

شبکه های عصبی مصنوعی همانطور که از اسم شان پیداست از شبکه های عصبی مغز انسان که کار تصمیم گیری را انجام می دهند، الگوبرداری شده اند. مغز انسان اطلاعات را دریافت می کند و سپس با مرتبط ساختن آنها به یکدیگر به نتیجه گیری می پردازد. البته درست مثل مغز انسان، الگوریتم های هوش رایانه ای هم بی عیب و نقص عمل نمی کنند، اما این شبکه های عصبی مصنوعی (ANN) هم درست مانند مغز انسان می توانند از طریق آزمون و خطا عملکرد خود را بهبود ببخشند.

مطلب مرتبط: همه آنچه بازاریاب های شبکه های اجتماعی باید در مورد نسل جدید بدانند / اصول بازاریابی برای نسل جوان

شبکه های عصبی هوشمند چگونه عمل می کنند؟

در حال حاضر بیشتر شبکه های عصبی هوشمند در مقایسه با برهم کنش های عصبی پیچیده ای که در مغز انسان صورت می گیرد نسبتا ساده هستند. در این شبکه ها یک لایه ورودی و یک لایه خروجی وجود دارد و یک لایه پنهان میانی هم بین این دو لایه قرار گرفته است که در آن هزاران کد اطلاعاتی و الگوریتم در تلاش برای تولید خروجی به طور مداوم با یکدیگر اتصال برقرار می کنند.

برای «آموختن» از هر تجربه ورودی، الگوریتم حاکم بر این شبکه ها، به طور مرتب در حال تغییر ارتباطات بین داده هاست تا وقتی که به حد مطلوبی از مطابقت با خروجی مورد نظر برسد. وقتی که الگوریتم توانست به یک آموخته جدید دست پیدا کند، می توان برای افزایش قدرت تصمیم گیری شبکه، داده های ورودی بیشتری به آن اضافه کرد.

یادگیری عمیق چطور انجام می شود؟

یادگیری عمیق (DL) به نوع قوی تری از هوش رایانه ای اطلاق می شود. لایه میانی و پنهانی شبکه های عصبی هوشمند که پیشتر به آن اشاره کردیم در روش DL از چند لایه تشکیل شده است.

شبکه های عصبی یادگیری عمیق نه تنها پیچیده ترند بلکه این امید (و بیم) وجود دارد که این شبکه ها با استفاده از الگوریتم های مورد استفاده در ساخت آنها بتوانند مستقلا به یادگیری بپردازند. در موقعیت کنونی فناوری، از یادگیری ماشینی ساده گرفته (NN) تا یادگیری عمیق (DL)، الگوریتم ها هنوز به دریافت داده های ورودی از منابع خارجی (انسان ها) وابسته هستند.

کاربرد شبکه های عصبی در بازاریابی

از شبکه های عصبی هوشمند در صنایع مختلفی از جمله پزشکی، مهندسی و علوم مالی استفاده می شود. این فناوری همچنین در حال متحول ساختن فناوری های مربوط به بازاریابی است و به بازاریاب ها ابزارهای پویاتر و کارآمدتری برای انجام بسیاری از فعالیت ها ارائه می دهد؛ برخی از این فعالیت ها عبارتند از:

- پیش بینی رفتار مصرف کننده

- ایجاد و درک دسته بندی های پیچیده تر خریداران

- خودکارسازی بازاریابی

- تولید محتوا

- پیش بینی فروش

بیشترین کاربرد شبکه های عصبی مصنوعی در زمینه پیش بینی های تحلیلی است. در این ارتباط، شبکه های عصبی مصنوعی می توانند از طریق شناسایی نتایج و الگوهای پویش های قبلی، به بازاریاب ها برای پیش بینی خروجی یک پویش بازاریابی کمک کنند. درحالی که شبکه های عصبی دهه هاست که استفاده می شوند، اخیرا ایجاد بانک داده های انبوه (Big Data) سبب شده که این فناوری برای بازاریابی بسیار سودمند شود.

مطلب مرتبط: حقایقی در مورد بازرایابی و تبلیغات که در رسانه ها گفته نمی شود

با در اختیار داشتن داده های ورودی انبوه و متنوع، شبکه های عصبی امروزه می توانند به پیش بینی های پیچیده و قابل اعتمادی دست بزنند که به مدیران بازاریابی برای تصمیم گیری های هوشمندانه تر در مورد کارهایی که باید انجام شود و استفاده از کانال های ارتباطی مناسب کمک خواهد کرد.

در زمینه های سازماندهی بازار، پیش بینی فروش و تولید و توزیع محتوا، شبکه های عصبی که با داده های مناسب و کافی تغذیه شده باشند، می توانند نتایج و پیش بینی های دقیق تری ارائه داده و به تصمیم گیرندگان عرصه بازاریابی برای برآورده کردن انتظارات مشتریان کمک کنند. این فناوری همچنین باعث پویاتر شدن فرآیندهای خودکارسازی می شود که نه تنها بار کاری بازاریابی را سبک تر می سازد، بلکه تجربه منسجم تری برای مصرف کننده ایجاد می کند.

مثال هایی از عملکرد شبکه های عصبی

Microsoft BrainMaker - مایکروسافت متغیرهای متعددی نظیر زمان آخرین خرید، تعداد آخرین محصولات خریداری شده و ثبت شده و تعداد روزهای بین ارائه یک محصول و خرید آن را در نظر گرفته و داده های به دست آمده را به برنامه هوشمند BrainMaker ارائه داد تا این برنامه بتواند پیش بینی کند که احتمال مطالعه خبرنامه های تبلیغاتی توسط کدام مشتریان بیشتر است. مایکروسافت همچنین داده های مرتبط به خریدارانش، از جمله تعداد کارکنان شرکت ها و حوزه درآمدی آنها را از منابع مرتبط خریداری کرد. با استفاده از شبکه عصبیBrainMaker، مایکروسافت توانست نرخ پاسخ به ایمیل های تبلیغاتی اش را از 4.9 درصد به 8.2 درصد افزایش دهد که به گفته سخنگوی این شرکت، جیم مینروینو (Jim Minervino) این به معنای «حفظ سطح درآمد با کاهش 35درصد هزینه» است.

لینکدین و برایت - لینکدین در سال 2014 برایت(Bright) را خریداری کرد تا از الگوریتم برای اتصال دقیق تر کارفرمایان و افراد جویای کار استفاده کند. این شبکه عصبی از متغیرهایی مانند الگوهای استخدامی قبلی یک کارفرما، محل شرکت، و شرح وظایف مشاغل استفاده می کند تا به هر یک از نامزدهای تصدی یک شغل بر اساس میزان صلاحیت آنها برای شغل مورد نظر یک امتیاز بدهد. این برنامه هوشمند سپس به کاربران لینکدین در مورد پیدا شدن کارمند یا شغل مورد نظر آنها اطلاع رسانی می کند.

Under Armour و آی. بی. ام - آندر آرمر از برنامه واتسون (Watson) شرکت آی. بی. ام (IBM) برای اپلیکیشن نظارت بر سلامت این شرکت، یعنی رکورد (Record) استفاده می کند. این اپلیکیشن، داده های کاربر نظیر میزان ورزش، تغذیه و اطلاعات مربوط به ساعات خواب را دریافت می کند. این داده ها از طریق گجت های پوشیدنی، اپلیکیشن های واسطه یا خود کاربر دریافت می شوند و سپس این متغیرها برای ایجاد محتوا و گزارش های تخصصی و منحصر به فرد مخصوص به هر کاربر استفاده می شوند.

گرید برای طراحی وب سایت - گرید (The Grid) یک بستر طراحی وب سایت مبتنی بر هوش مصنوعی است. این برنامه از داده های ارائه شده توسط کاربران برای برنامه ریزی همه جزییات یک وب سایت - از راهبردهای تولید محتوا گرفته تا اولویت های طرح و رنگ - در جهت خودکارسازی روند طراحی استفاده می کند. الگوریتم مورد استفاده گرید به نام مولی (Molly) هنوز در حال تکمیل است، اما ظرفیت بالقوه وب سایتی که توسط هوش مصنوعی (AI) طراحی می شود بسیار قابل توجه است. الگوریتم مولی یا سایر شبکه های عصبی مصنوعی مانند آن تازه در ابتدای راه هستند.

مطلب مرتبط: بازاریاب چه کسی است؟

از استفاده مبتکرانه مایکروسافت از شبکه های عصبی برای افزایش نرخ پاسخ به ایمیل های تبلیغاتی گرفته، تا نرم افزارهای تشخیص چهره و تحلیل احساسات مورد استفاده شبکه های اجتماعی، این مغزهای رایانه ای در حال حاضر با تمام حوزه های بازاریابی در تماسند. درک چگونگی عملکرد این شبکه ها و ظرفیت آینده آنها برای فهم بهتر فعالیت های هزاران شرکت فناوری بازاریابی (MarTech) و شناخت تأثیر هوش مصنوعی بر آینده بازاریابی ضروری است.

فراموش نکنید که غول های فناوری مانند نرم افزار دیپ مایند (DeepMind) گوگل و ابتکارات فیس بوک در زمینه هوش مصنوعی نخبگان علوم رایانه ای را به خدمت گرفته اند. از آنجایی که شرکت های فناوری هر روز در حال به کار گیری روش هایی برای هوشمندتر کردن شبکه های عصبی مصنوعی هستند، به نظر می رسد که ما در حال تجربه تحولی در صنعت بازاریابی و به طور کلی در حوزه کسب و کار هستیم. اگر فکر کرده اید که تحول دیجیتالی صنعت بازاریابی به اوج رسیده است، باید بدانید که این تازه اول راه است. . .