Allt fler företag börjar använda artificiell intelligens (AI) för att göra marknadsföringen smartare. Med AI kan den bli datadriven, hyper-personaliserad med hög precision, och det går att förutspå det mest sannolika framtida beteendet hos personer eller maskiner.
I många fall väljs färdiga specialsystem som tillför AI-funktioner inom nischade funktionsområden. Jag har hittills varit i kontakt med över 100 leverantörer av olika typer av specialsystem för AI inom marknadsföring – många fler finns säkert, och det kommer nya spännande start-up företag mer eller mindre varje vecka. Plattformar för utveckling av chattrobotar är exempel på detta.
Vissa större marketing automation system, t ex SalesForce, Adobe Marketing Cloud, HubSpot, Marketo, etc. har dessutom viss AI-funktionalitet inbyggt från början.
Färdiga kommersiella produkter är ofta en bra lösning för vanliga problem som många företag delar, eftersom man kan driftsätta dem snabbt, de redan är utprovade (får vi hoppas!), och leverantören har kompetens och erfarenhet inom området.
Men ibland behöver man AI-baserat automatiskt beslutsstöd som är så företagsspecifikt att det rimligen inte går att hitta standardprodukter som gör detta.
Ett typexempel på detta är företag med stora interna databaser, som t ex kan lagra information om kunders beteende, maskiners användningsgrad eller konsumtion av förbrukningsmaterial, serviceintervall eller reservdelsbehov baserat på användning, analys av produktionsresultat eller transportflöden, etc.
Insikter som kan vaskas fram ur sådant data kan antingen presenteras i form av rapporter för ledningen eller företagets övriga personal. Men ännu mer spännande är möjligheten att låta sådana AI-insikter automatiskt trigga igång flödesschemalogik i marketing automation system.
Därmed kan varje unik person få automatisk och hyper-personaliserad marknadsföring baserat på insikter som hittas i företagets interna databaser. Leverantörer av molnbaserade programvarutjänster har ofta en guldsits här; då det går att mäta exakt hur kunderna använder systemet, och olika affärsinsikter kan observeras i dessa datamönster.
Dataanalys för artificiell intelligens
I denna artikel kommer jag inte skriva så mycket om de färdiga AI-lösningar som finns tillgängliga för marknadsföring, utan istället förklara hur ett företag kan utveckla egna företagsspecifika AI-lösningar som hittar affärsinsikter som sedan kan användas för att automatisera marknadsföringen.
Det finns 3 huvudteknologier som kan sägas ligga till grund för artificiell intelligens:
- Stora data (”Big Data”) används för att hitta nästan osynliga mönster i befintligt historiskt data. Dessa mönster kan vara indikatorer som kan ge affärsinsikter av stort värde; t ex att en viss typ av kreditkortstransaktioner var bedrägerier eller att ett visst vibrationsmönster i en maskin är en indikator på att den snart går sönder.
- Prediktiv analys (”Predictive Analytics”) tar detta ett steg längre. Med ”Big data” kan vi hitta mönster i historiskt data; med prediktiv analys kan vi se om nytt framtida data uppvisar detta mönster, t ex för att bedöma om en nu pågående kreditkortstransaktion sannolikt är ett bedrägeriförsök eller ej, eller om en maskins nuvarande vibrationsmönster indikerar att den snart kommer att gå sönder.
- Maskininlärning (”machine learning”) tar det sista steget och gör konceptet adaptivt så att det kan anpassa sig självt efter ändrade omständigheter. Man kan se maskininlärning som prediktiv analys kompletterat med en feedback loop, där den prediktiva algoritmen tränar om sig själv när nytt data med förändrat beteendemönster blir tillgängligt.
När man pratar om artificiell intelligens är det oftast maskininlärning som avses, även om affärsnyttan huvudsakligen kommer från den prediktiva analysen. Maskininlärningen tillför det adaptiva beteendet där algoritmen kan träna om sig själv i framtiden för att fortsätta ge förutsägelser som stämmer med ändrade situationer i framtiden.
Inom AI så finns det olika typer av algoritmer; t ex:
- Klassificeringsalgoritmer
- Klusteralgoritmer
- Regressionsalgoritmer
- Neurala nätverk
Med klassificering kan vi gruppera personer eller saker i två eller fler grupper; t ex ”är den här kreditkortstransaktionen ett bedrägeri eller inte?”; eller ”kommer den här personen sannolikt att köpa en kanot eller en windsurftingbräda?”.
Klusteralgoritmer försöker gruppera olika objekt som bedöms vara likvärdiga på något sätt; t ex ”vilka personer kommer sannolikt att köpa en sportbil?”
Regressionsalgoritmer ger oss ett numeriskt värde, t ex ”vad är det mest sannolika försäljningspriset för den här begagnade bilen?”, eller ”hur längre dröjer det tills maskinen går sönder?”, osv.
Neurala nätverk används oftast i mycket komplexa problem, t ex röstanalys, objekt- eller ansiktsigenkänning i foton och video, etc.
Inom varje grupp av algoritmer, finns det sedan en stor mängd specifika algoritmer, som alla har olika för- och nackdelar, och kan ge olika resultat på olika data-set.
Ibland kan man öka träffsäkerheten genom att kombinera flera olika algoritmer; detta kallas för en ”ensamble”.
Vad är en datavetare?
Alla utvecklingsprojekt som inkluderar egen AI-funktionalitet behöver en datavetare (”data scientist”). Detta är en expert som har djup kompetens inom främst statistik, men också är bra på programmering, och förstår affärsnyttan inom företagets bransch eller problemområde.
En datavetare analyserar befintliga datamängder med hjälp av big data och statistiska verktyg, och tar fram en prediktiv algoritm som sedan kan driftsättas i en produktionsmiljö.
AI-algoritmerna utvecklas ofta i programspråket R eller Python, som en datavetare är hemtam med.
Hur utvecklas en AI algoritm?
När företaget har bestämt sig för att ta fram en prediktiv AI lösning med maskininlärning, analyseras först befintligt data, för att hitta de mönster som är en indikator på den affärsinsikt man önskar hitta. Exempel kan här vara vilka typer av kreditkortstransaktioner som visade sig vara bedrägerier, eller vilka vibrationsmönster som indikerar att en maskin går sönder.
Befintliga data delas sedan upp i två delar; träningsdata och testdata. Vanligen använder man t ex 75% av befintligt data för att hitta de mönster som indikerar den affärsinsikt man vill hitta. Den prediktiva modell som sedan tas fram är alltså baserad på, eller härledd från, detta träningsdata.
De kvarvarande 25%, som är testdata som modellen inte är baserad på, körs sedan igenom algoritmen för att se hur väl den prediktiva algoritmen förutspår det faktiska resultatet, som är känt i testdatat.
Här blir det ofta en iterativ process där datavetaren får utföra många olika tester tills den bästa prediktiva algoritmen har hittats.
Driftsättning av en prediktiv AI-algoritm
När datavetaren har kommit fram till en prediktiv algoritm som ger tillräckligt bra precision i förutsägelserna, kan den driftsättas i en produktionsmiljö
I praktiken innebär det ofta att den prediktiva modellen, som oftast är utvecklad i R eller Python, driftsätts som en web service som andra system (t ex webbapplikationer, appar, etc.) kan anropa via standardiserade webbgränssnitt.
T ex kan en iPhone app för försäljning av begagnade bilar göra ett web services anrop till den prediktiva algoritmen, och fråga vad det sannolika slutpriset blir för en begagnad bil med vissa specifika attribut (t ex märke, ålder, antal körda kilometer, utrustningsnivå, stad, etc.).
Den prediktiva algoritmen – som i det här exemplet är en regressionsalgoritm – returnerar i det här exemplet det mest sannolika försäljningspriset för just en sådan typ av bil.
Hur driftsätts då en prediktiv algoritm, skriven i R eller Pýthon, så att den kan nås från andra programvaror via ett web service anrop?
Det enklaste är att hyra in sig på färdiga molnbaserade AI-plattformar, t ex Amazon Web Services eller Microsoft Azure. Microsoft erbjuder även Microsoft Machine Learning Server, som kan installeras på egna servrar in-house.
De färdiga AI-plattformarna, t ex från Microsoft eller Amazon, innehåller funktioner för att publicera den prediktiva algoritmen som ett självlärande system med maskininlärning. Dvs de exponerar R eller Python koden som en publik web service.
Hur blir då den prediktiva algoritmen självlärande? I praktiken går det till så att man programmatiskt ber det prediktiva systemet att träna om sig själv med jämna mellanrum, genom att ta del av det nya data som har körts igenom systemet sedan det tränades upp första eller förra gången.
Detta blir den feedback loop som gör att förändringar i datamönstret automatiskt ändrar beteendet i den prediktiva modellen; dvs vi har uppnått ett självlärande AI-system, som med maskininlärning ändrar sitt beteende i takt med att omgivningen ändrar på förutsättningarna sig över tid.
Är du intresserad av marketing automation eller AI-baserad marknadsföring? Kanske du vill få hjälp att leda utvecklingen av ett AI-projekt på ditt företag? Kontakta mig på magnus@unemyr.com!
Är du intresserad av framtidens marknadsföring? Här finner du fler artiklar om marknadsföring med AI och marketing automation.
Vill du lära dig mer? Läs mina bloggartiklar om marketing automation och datadriven marknadsföring!