8 Contoh Pembelajaran Mesin Dari Merek Untuk Menginspirasi Pemasar Digital

8 Contoh Pembelajaran Mesin Dari Merek Untuk Menginspirasi Pemasar Digital

Pembelajaran mesin adalah hal yang populer tetapi seperti apa sebenarnya dalam praktiknya, sebagai bagian dari strategi pemasaran digital?

Anda menemukan strategi pembelajaran mesin jika menggunakan situs web yang merekomendasikan produk berdasarkan pembelian sebelumnya.

Pembelajaran mesin adalah aspek kecerdasan buatan (AI) yang menggunakan algoritme untuk menyelesaikan tugas tertentu, seperti rekomendasi produk.

Ini dapat mencapai banyak fungsi untuk pemasar digital, termasuk:

Pembelajaran mesin telah ada dalam pemasaran digital selama bertahun-tahun.

Faktanya, Anda menggunakan pembelajaran mesin setiap kali Anda menggunakan mesin pencari.

Meskipun masih merupakan strategi baru bagi sebagian besar, banyak bisnis telah mulai menerapkan teknologi ini ke dalam kampanye pemasaran mereka.

Berikut adalah delapan contoh pembelajaran mesin dalam pemasaran digital.

1. Mengejar

Pada tahun 2019, raksasa perbankan, Chase Bank, bermitra dengan Persado untuk membantu membuat salinan pemasaran untuk kampanyenya.

Mereka menantang perusahaan AI untuk menghasilkan salinan yang menghasilkan lebih banyak klik — yang mereka lakukan.

Contoh salinan yang dihasilkan pembelajaran mesin adalah:

Salinan manusia: “Jadilah tanpa kertas dan dapatkan $5 Cash Back.”

Salinan yang dihasilkan mesin: “Penawaran Waktu Terbatas: Kami akan menghadiahi Anda dengan Uang Kembali $5 jika Anda tidak menggunakan kertas.”

Hasil: Salinan AI menghasilkan klik hampir dua kali lipat.

Salinan manusia: “Akses uang tunai dari ekuitas di rumah Anda” dengan tombol “Lihat”.

Salinan yang dihasilkan mesin: “Benar – Anda dapat membuka uang tunai dari ekuitas di rumah Anda” dengan cepat “Klik Untuk Mendaftar.”

Hasil: Salinan AI menarik 47 pelamar seminggu, sedangkan salinan manusia menarik 25 pelamar seminggu.

Salinan manusia: “Cepat, Berakhir 31 Desember Dapatkan Cash Back 5% Di Toserba, Klub Grosir.”

Salinan yang dihasilkan mesin: “Mengenai Kartu Anda: Cash Back 5% Menunggu Anda”

Hasil: Salinan AI menghasilkan hampir lima kali klik unik.

Meskipun salinan yang dihasilkan mesin mungkin berkinerja lebih baik dengan pelanggan, penting untuk diingat bahwa salinan tersebut bekerja dengan copywriter manusia yang memberinya ide.

Bersama-sama, copywriter manusia dan pembelajaran mesin dapat membuat dan mengoptimalkan salinan yang beresonansi.

2. Starbucks

Dengan toko di seluruh dunia, Starbucks memperoleh banyak data.

Starbucks dapat mengakses wawasan pembelian dan mengubah informasi ini menjadi jaminan pemasaran dengan kartu loyalitas Starbucks dan aplikasi seluler. Strategi ini disebut analisis prediktif.

Misalnya, pembelajaran mesin mengumpulkan minuman yang dibeli setiap pelanggan, di mana mereka membelinya, dan kapan mereka membelinya, dan mencocokkannya dengan data luar seperti cuaca dan promosi untuk menayangkan iklan yang sangat dipersonalisasi kepada pelanggan.

Salah satu contoh termasuk mengidentifikasi pelanggan melalui sistem point-of-sale Starbucks dan menyediakan barista dengan pesanan pilihan mereka.

Aplikasi ini juga dapat menyarankan produk baru berdasarkan pembelian sebelumnya (yang dapat berubah sesuai dengan kondisi cuaca atau hari libur).

Pembelajaran mesin dapat menghilangkan tebakan dari rekomendasi produk.

Raksasa ritel seperti Starbucks memiliki jutaan pelanggan, namun mereka dapat membuat setiap pelanggan merasa mendapatkan rekomendasi yang dipersonalisasi karena mereka dapat menyaring data dengan cepat dan efisien.

3. eBay

eBay memiliki jutaan pelanggan email. Setiap email membutuhkan baris subjek yang menarik yang akan menyebabkan pelanggan mengklik.

Namun, memberikan lebih dari 100 juta baris subjek yang menarik terbukti membuat penulis manusia kewalahan.

Masuk ke pembelajaran mesin.

eBay bermitra dengan Phrasee untuk membantu menghasilkan baris subjek menarik yang tidak memicu filter spam. Selain itu, salinan yang dihasilkan mesin selaras dengan suara merek eBay.

Hasil mereka menunjukkan keberhasilan:

  • 15,8% peningkatan tarif terbuka.
  • Peningkatan rata-rata klik sebesar 31,2%.
  • Lebih dari 700.000 pembukaan tambahan per kampanye.
  • Lebih dari 56.000 klik tambahan per kampanye.

Pembelajaran mesin dapat mengambil tugas yang paling menakutkan dan menyelesaikannya dalam beberapa menit dalam skala besar.

Akibatnya, bisnis dapat lebih fokus pada kampanye gambaran besar daripada tugas mikro.

4. Doordash

Doordash mengoperasikan ribuan kampanye pemasaran di seluruh saluran pemasarannya.

Tim mereka memperbarui tawaran secara manual berdasarkan kinerja iklan.

Namun, tim menemukan bahwa tugas ini memakan waktu dan melelahkan.

Jadi, Doordash beralih ke pembelajaran mesin untuk mengoptimalkan pengeluaran pemasarannya.

Itu membangun platform otomatisasi pemasaran berdasarkan data atribusi.

Data ini memberi tahu perusahaan di saluran mana pelanggan berkonversi dan dengan kampanye apa.

Namun, mungkin sulit untuk segera mengumpulkan jenis data tersebut dengan ribuan kampanye yang berlangsung sekaligus.

Machine learning membantu mengatasi tugas ini dengan mengumpulkan data tersebut dan membuat rekomendasi pembelanjaan sehingga mereka dapat mengoptimalkan anggaran dengan cepat dan efisien.

5. Meja Otomatis

Autodesk melihat kebutuhan akan chatbot yang lebih canggih.

Konsumen sering frustrasi dengan keterbatasan chatbots dan karena itu lebih suka berbicara dengan manusia.

Namun, chatbots dapat membantu memandu pelanggan secara efisien ke konten, staf penjualan, atau halaman layanan yang mereka butuhkan.

Jadi Autodesk beralih ke pembelajaran mesin dan AI.

Chatbot Autodesk menggunakan pembelajaran mesin untuk membuat dialog berdasarkan kata kunci mesin pencari.

Kemudian, chatbot dapat terhubung ke pelanggan di ujung yang lain, memungkinkan tingkat konversi yang lebih cepat.

Sejak menerapkan chatbot mereka, Autodesk memiliki interaksi obrolan tiga kali lipat dan peningkatan 109% dalam waktu yang dihabiskan di halaman.

6. Baidu

Pada tahun 2017, Baidu, mesin pencari China, membangun sistem yang disebut Deep Voice yang menggunakan pembelajaran mesin untuk mengubah teks menjadi ucapan. Sistem ini dapat mempelajari 2.500 suara dengan masing-masing setengah jam data.

Baidu menjelaskan bahwa Deep Voice dapat memberikan pengalaman yang lebih mendalam dalam video game dan buku audio.

Tujuan Baidu dengan Deep Voice adalah untuk mengajarkan mesin berbicara lebih mirip manusia dengan meniru ribuan suara manusia.

Segera, mesin pencari berharap sistem dapat menguasai 10.000 atau lebih suara dengan aksen yang berbeda.

Saat disempurnakan, Deep Voice dapat meningkatkan hal-hal yang kita gunakan setiap hari, seperti:

  • Siri.
  • Alexa.
  • Asisten Google.
  • Terjemahan waktu nyata.
  • Keamanan biometrik.

Bahkan dapat membantu orang yang kehilangan suaranya untuk berkomunikasi kembali.

Meskipun belum ada pembaruan terbaru, Baidu tetap berharap Deep Voice akan merevolusi teknologi kami.

7. Merek Penjahit

Merek Penjahit menggunakan pembelajaran mesin untuk membantu penggunanya membuat logo.

Mesin, “Ini atau Itu,” membantu Tailor Brands memahami selera pengguna menggunakan algoritme pengambilan keputusan.

Dengan memilih contoh apa yang mereka sukai, pengguna memberi tahu pembuat logo preferensi mereka untuk gaya, font, dan aspek desain lainnya.

Tailor Brands menggunakan aljabar linier.

Setiap keputusan pengguna dimasukkan ke dalam persamaan yang membantu mesin mempelajari preferensi pengguna.

Saat berikutnya seseorang membuat logo, Tailor Brands dapat menunjukkan gaya yang serupa dengan yang mereka gunakan sebelumnya.

8. Yelp

Yelp menerima jutaan foto setiap hari di seluruh dunia.

Perusahaan menyadari bahwa perlu cara yang canggih untuk mencocokkan foto dengan bisnis tertentu.

Jadi mereka mengembangkan sistem pemahaman foto untuk membuat data semantik tentang foto individu.

Sistem ini memungkinkan Yelp untuk mengurutkan foto ke dalam kategori yang relevan dengan pencarian pengguna.

Pertama, Yelp membuat label untuk foto yang mereka terima dari pengguna, seperti “minuman” atau “menu”.

Selanjutnya, perusahaan mengumpulkan data dari keterangan foto, atribut foto, dan crowdsourcing.

Kemudian, menerapkan pembelajaran mesin untuk mengenali label foto, dari mana sistem dapat menempatkan foto ke dalam kategori.

Sistem klasifikasi foto ini membantu menciptakan pengalaman pengguna yang lebih baik di Yelp.

Misalnya, ini dapat membantu mendiversifikasi foto sampul dan membuat tab yang memungkinkan pengguna melompat ke informasi yang tepat yang mereka cari.

Pemasar digital hanya menggores permukaan dari apa yang dapat dilakukan pembelajaran mesin untuk mereka.

Manusia dan mesin dapat bekerja sama untuk menciptakan pengalaman pelanggan yang lebih bermakna dan kampanye yang lebih optimal dalam waktu yang lebih singkat. Ini adalah win-win-win.

Lebih banyak sumber daya:


Gambar Unggulan: /Shutterstock

Share

Leave a Reply

Your email address will not be published.