Dijital pazarlamada hiper kişiselleştirme, çok da yeni olmayan bir konu. Ülkecek tüketim ağırlıklı bir topluma sahip olduğumuzdan önce her türlü yeni çıkan şeyleri kullanıyoruz. Konuşmaya vaktimiz kalmıyor. Konuşmadan önce zihnimizi açacak bu konuyla alakalı birkaç film ve içerik önerisinde bulunayım: Person of Interest, God Friended me, Travelers adlı diziler yapay zeka konusuyla ilgili. Derin öğrenme adlı bir kitap da Buzdağı Yayınevi aracılığıyla çıkarıldı ama fiyatı 200 ₺ üzerinde.
Konuşacağımız şeyhiper kişiselleştirme. Bu konu ise derin öğrenme, makine öğrenimi, yapay zeka ve NLP adı verilen metin işleme süreçlerini ve veri bilimini ve alt dallarını içeriyor. Daha önce bu konuları da tabii ki konuşanlar oldu. Ama yaşadığımız süreçleri hiper kişiselleştirme başlığı altında bahseden çok az makale ve araştırma mevcut.
Önce terim anlamını, ardından da kullanım alanları, örnekleri ve diğer detayları paylaşayım:
Hiper kişiselleştirmeden önce bilmemiz gereken birkaç terim: Yapay zeka, makine öğrenimi, derin öğrenme
Makine öğrenimi, bilgisayarların algılayıcı verisi ya da veritabanları gibi veri türlerine dayalı öğrenimini olanaklı kılan algoritmaların tasarım ve geliştirme süreçlerini konu edinen bir bilim dalıdır. Vikipedi
Derin öğrenme bir veya daha fazla gizli katman içeren yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır. Öğrenme denetimli, yarı denetimli veya denetimsiz olarak sınıflandırılabilir. Vikipedi
Yapay zekâ, bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyeti. İngilizce artificial intelligence kavramının akronimi olan AI sözcüğü de bilişimde sıklıkla kullanılır. Vikipedi
Çok basit bir ifadeyle; yapay zeka bilgisayarın düşünebilmesi ve karar verebilmesi, makine öğrenimi ve derin öğrenme bunu olanaklı kılabilen yapıyı, ağları, algoritmayı, veritabanını oluşturan öğrenme odağında olan bilim ve çalışma alanı.
Neden kişiselleştirme?
Neden olmasın.
Günümüz insanları içeriğe boğulmuş durumda.
Bizler ise ancak kişiselleştirilmiş içeriklerle markayı ayrıştırabiliriz.
Keşke ilgilendiğim içerikleri bir sistem öğrense de bana ona göre içerikleri derleyip sunsa hatta seslendirse hatta özet geçse de 2-3 saatimi medya takibiyle geçirmesem.
Reklamların bile bana hitap edenlerini seviyorum. İlgilendiğim ürünü bulabiliyorum.
Seyahat konusunda da yardımcı oluyor. Yeterince veri toplanırsa tamamen mutlu olduğunuz bir deneyim dahi elde edebilirsiniz. (airbnb) Tercihlerinize göre arama sonuçları elde ediyorsunuz ve ev sahibiyle eşleşiyorsunuz. Aslında burada konu hiper kişiselleştirme ve öngörüsel tahminlemeye de giriyor. Bir ziyaretçi eğer memnun kalacaksa ve iyi bir puan verebilecekse ona göre önerilerde bulunarak en iyi airbnb önerisi çıkıyor karşılarına.
Ama daha ciddi konuşursak; markaya ve mesaja zarar veren etkili olmayan müşteri etkileşimi pazarlaması yerine kişiselleştirme sayesinde satın alma eğiliminde olan, karar veremeyen ve karar verenlere ne zaman, ne istiyorlar ve nasıl istiyorlarsa o şekilde sunum yapabiliriz. Böylelikle daha yüksek ve faydalı etkileşim elde edip alışverişten de yüksek verim elde edebiliriz. Herkes memnun olur böylelikle.
Makine Öğrenimi markalar için kişiselleştirilmiş pazarlamayı ve reklamları nasıl güçlendiriyor?
Video ve video reklamlar maliyet açısından pahalı. Yalnız işletmelere ve girişimlere iyi derecede yatırım getirisi sunuyor. Kullanmayanlara göre %49 farkla hem de.
En etkilisi ise hem hedefli hem de kişiselleştirilmiş olanlar. Yüksek etkileşim için videoları bu şekilde optimize edebilmemiz de ancak makine öğrenimiyle gerçekleşebiliyor.
Makine öğrenimiyle kişiselleştirilmiş video reklamlar; tıpkı dinamik web ve mobil reklamlarda olduğu gibi; bireysel tüketicinin videoya verdiği cevaplara göre öğrenimini gerçekleştirip, çevrimiçi alışveriş faaliyetlerinde sunulan içerikleri kişinin davranışına göre şekillendirebiliyor. Makine öğrenimi süreç ilerledikçe git gide durumu daha da iyileştirip, kişisel hale getiriyor bireyler için. Ve her bir bireye daha iyileştirilmiş ve kişiselleştirilmiş kreatif reklamlar sunuyor.
Pazarlama ve reklam alanında; makine öğrenimi sadece kişiselleştirme sağlamıyor. Elle yapılan işlerin hepsini de otomatize ediyor. Veri hazırlama, analiz ve belirli bir ölçekte sunabilme gibi işlemleri. Bu sayede kreatif çalışmalar için daha fazla vakit ayırabiliyoruz. Kampanyalarımızı da makine öğrenimiyle gerçek zamanlı, alakalı davranışsal veriyle, sürekli yapabiliyoruz.
Makine öğrenimiyle kişiselleştirme için; temel algoritmalara, filtrelere, güçlendiricilere, değişkenlere ihtiyaç var ki elde ettiği verileri değerlendirip öğrenip sunabilsin.
Araştırmalar
Criteo’nun IDC’yle beraber yaptığı araştırmaya göre pazarlama profesyonelleri ve yöneticilerin %64’ü 2020’ye kadar optimize edilmiş mesajlı hedefleme ve gerçek zamanlı kişiselleştirilmiş reklam yerleştirmelerine geçişin işletmeler ve girişimler için anahtar rol oynayacağını söylediğini raporladı. Geriye kalanlar buna inanmıyor veya makinelere/pc’lere güvenmiyor.
Adweek’in yazısında da ifade edildiği gibi kreatifle bütünleşen makine öğrenimi, hedeflere kişiselleştirilmiş olarak sunulan reklamlarla daha başarılı reklam kampanyaları sunuyor. İnsanların %75’i; marka, eğer ismini biliyorsa satın alma, geçmişini biliyorsa ve alabileceği ürünleri önerebiliyorsa satın alma eğiliminde oluyor. İnsanların %35’inin ifade ettiğine göre de; reklamlar, insanların beğeni, zevkler ve tatlarına göre ilişkilendirilmiş reklam deneyiminde daha fazla zaman harcıyorlar, etkileşime geçiyorlar.
IDC’nin yapmış olduğu araştırmalara göre; pazarlamacıların %67’si hali hazırda reklam metinlerinde makine öğrenimi kullanarak başlıkları kişiselleştirilmiş bir şekilde sunuyor. Google’ın dinamik arama ağı reklamlarındaki gibi. %66’sı ise tasarımını kişiselleştiriyor, %58’i ise optimize edilmiş mesaj hedeflemesini kullanıyor.
Pazarlamada yapay zeka ve hiper kişiselleştirmenin 15 kullanım alanı, örnekler ve öneriler
Yapay zeka ve makine öğrenimi artık neredeyse her sektörde kullanılıyor. Pazarlamada, reklamda, otomasyonda, fabrikalarda, cebimizdeki elektronik eşyalarda, araçlarımızda…
Değineceğimiz alansa pazarlama. Hemen anlatayım:Ürün ve içerik kişiselleştirme/önerileri:
1. Ürün ve içerik kişiselleştirme/önerileri:
Başlangıcı 1998’lere dayanıyor bu deneyimin. Şu ansa Gittigidiyor’da, Hepsiburada’da, Amazon’da, Spotify’da, Netflix’te görebiliyoruz.
Ürünler veya hizmetler hatta medya şirketlerinin içerikleri, kayıtlı kullanıcının daha önceki faaliyetlerine bağlı olarak onu tanıyor. Git gide eleme ve filtreleme, benzerlik durumları ve daha birçok algoritmik faaliyetle insanların beğenebileceği ürünleri önüne koyabiliyor.
Netflix; izlediğiniz filmlerin özelliklerine bağlı olarak yeni filmleri öneriyor. Böylelikle uygulamaya daha bağlı bir şekilde devam edebiliyoruz kullanmaya.
Spotify’ın haftalık keşif, günlük karışık çalma listeleri, radyo önerileri de aynı şekilde. Daha önce dinlediğimiz frekans veya tondaki müzikler, beğendiğimiz bir şarkıcının aynı tarzında olan başka şarkıcı veya şarkılar da öneriliyor bizlere.
Gittigidiyor’da da daha önce gezdiğimiz ürünler, kategoriler veya özelliklere göre önerilen ürünler modülü mevcut. İncelediğimiz ürünlere göre de eposta hedeflemeleri oluyor.
Medium’da blog içerikleri takip ettiğimiz konulara göre öne çıkıyor. Yalnız her yazı değil, etkileşim oranı yüksek, ilgilenme olasılığımızın da yüksek olduğu içerikler akışta gözüküyor.
Araştırma sonucuna göre içerik ve ürün önerileriyle %32 oranında dönüşümlerinizi artırabilirsiniz.Kaynak; eConsultancy
2. Veri filtreleme ve analiz:
Yapay zekanın, makine öğreniminin veya derin öğrenmenin çabalarından en önemlisi algoritmalardan sonra filtreleme ve analiz konusu.
Bunu basit düzeyde yine Netflix’te, eticaret sitelerinde görebiliyoruz, Amazon’da görebiliyoruz. Hepsiburada’da, N11’de görebiliyoruz. İleri düzeyi de mevcut tabii ki ama çok karmaşık bir matematik ve işlemler söz konusu tabii ki.
Örneğin; En çok izlenenler, en çok beğenilenler, en çok satın alınanlar, en yeniler gibi sıralama özelliklerini görmüşsünüzdür web sitelerinde.
3. Arama motorları:
Google, Youtube, Amazon, ebay gibi arama motorlarını düşünmek gerekiyor. Bu arama motorları reklamlarda ve organik sonuçlarda yapay zekayı devreye aldılar. İlgilenebileceğiniz, daha önceki deneyimler, profil tercihleriniz doğrultusunda güçlü bir öneri mekanizmaları mevcut. Bu önerileri sayesinde tam da aradığımız içeriyi rahatlıkla bulabiliyoruz. Çok iyi çalışmayabilir. Ama yapay zekaya ne kadar çok bilgi verirseniz o kadar iyi deneyim elde edersiniz.
Makine öğrenimiyle mükemmel ürün arama sonuçları elde edilebiliyor. Kaynak, eConsultancy
4.Görsel arama ve imaj tanıma:
Kelime arama motorları olduğu gibi artık görsel arama da mevcut. Örneğin; Pinterest’in ve Google’ın kendi içinde seçim yaptığınız görselin özelliklerine benzer başka görselleri bulma özelliği mevcut.
Görsellerin ismi, renkleri, ışık ve kontrast bilgileri, meta bilgileri, makine bilgileri mevcut. Bu bilgileri karşılaştırarak ve tarayarak karşımıza en benzer sonuçlar getiriliyor.
Target adlı ABD merkezli girişim bu konuyla ilgili bir kampanya da gerçekleştiriyor. Bir ürünün fotoğrafını çek ve Target’ta benzerlerini bul şeklinde…
Hatta biz pazarlama uzmanları için bir sorun var. Markadan ve ürününden insanlar bahsediyor. Ama bize referans vermiyorlar, bahsetmiyorlar veya etiketlemiyorlar. Görsel sosyal dinleme kullanarak marka logosunu ve markanın ürününü web’i, sosyal medyayı tarayarak bulabiliyoruz. Böylelikle kullanıcı merkezli içeriği toplayabiliyoruz.
5. Sosyal dinleme ve duygusallık analizi:
NLP diye bir şey var. Doğal dil işleme, metin işleme… Yapay zekanın alt çalışma alanlarından birisi. Bunun sayesinde insanların yazdıkları, söyledikleri işlenip, anlamlandırılabiliyor makine tarafından. İnsanların ne söylediği, duygu yönünden de durumun ne olduğu ayırt edilebiliyor.
Markanın dijital ve sosyal varlıklarını, itibarını, sosyal medyadaki konuşmaları ve insanların duygu durumlarını, hedef kampanyanızın sonuçlarını pazarlamacılar takip edebilir.
Potansiyel iletişim sorunlarını keşfedebiliriz bu durumla. Örnek olarak insanlar artık duygularını metin yanında ifadelerle paylaşıyor. İyi, olumlu ifadeler var, kötü ifadeler var, nötr ifadeler var.
Sosyal dinleme ve duygusallık analizi sayesinde satın alma eğilimlerini de keşfedebilirsiniz. Örneğin insanlar yeni çıkan bu telefonu alan var mı?, ne düşünüyorsunuz gibi tavsiye arayışındaysa ona uygun iletişim çalışması gerçekleştirebilirsiniz, yönlendirebilirsiniz.
Samsung sosyal dinleme ve duygusallık analizini nasıl kullanıyor adlı araştırmaya ulaşmak için tıklayınız.
6. Ürün kategorizasyonu:
Bunun için örneği Türkiye’den vereceğim. Bir zamanlar bir stüdyo kullanıcı deneyimi analitiği konusunda iş teklifinde bulunmuştu ama benim konumum stüdyonun konumundan farklıydı. Yine de ben de iş teklifi olduğu halde elemelere girdim. Sorulan sorulardan birisinde N11’in bir sorunun nasıl ele alınacağıyla ilgili bir çözüm önerisinde bulunmamız isteniyordu. O zamanlar bu soruya yapay zeka deseydim baştan elenirim diyerek a/b test ve otomatik veritabanı eşleştirmesi gibi bir cevap vermiştim. O cevabı şimdi daha net bir şekilde size anlatayım:
N11 gibi bir pazaryerinde çok fazla satıcı aynı ürünü birden fazla kez farklı kategorilere giriyor. Bunu kasten yapanlar da var bilmeden yapanlar da var. Ama n11 için bu bir sorun. Dolayısıyla bunu nasıl çözeriz denmişti. Çözümü yapay zeka ile kategorizasyon aslında. Birden fazla giriş var, bazısı ayrıntılı bilgi ve doğru kategori, etiketleme içeriyor. Bazılarıysa berbat girişi var. Sadece ürün, başlık vs. gibi. Ama ikisi de aynı ürün. Böyle bir durumda; yapay zeka hem görsel hem de metinsel düzeyde anlamlandırma ile içeriklerini ayırt edebiliyor. Ürünü de doğru bir şekilde kategorize edip etiketliyor. Bu sayede belirli kelimelerle yapılan aramalarda aynı ürün, doğru şekilde listelenip filtrelenebiliyor.
Bense ajans çok fütüristik yaklaştığımı düşünmesinler diye kullanıcı deneyimi verileri doğrultusunda en doğru kategoriyi sisteme otomatik seçtirmeleri için dinamik bir kodlama yapılması gerek diye tersine doğru bir cevap vermiştim.
7. Ürün fiyatlandırması:
Uçak biletlerinin, otel fiyatlarının talep edene ve tercihlere göre değişmesi yeni bir şey değil. Fakat yapay zeka da kullanıldığında bambaşka bir seviyede fiyatların özelleştirilmesi söz konusu oluyor. Burada şunu belirtmem gerekir, yapay zeka dediğimiz bilinç sahibi makine insanın dikkate alamayacağı kadar çok veriyi işleyerek belirli bir sonuca ulaşabiliyor. Bilinç kendi içerisinde belki trilyonlarca olasılığı test edip en iyi olasılığa sahip sonucu buluyor. Fiyat belirlemeyi de sonuç göstermeyi de bu şekilde yapıyor.
Kullanıcıların davranışları sayesinde biriktirilen veri ve veri kalıpları tahminlemeyi sağlayabilir. Daha önceki ödeme kalıpları sayesinde ödeme yapabileceği anlaşılabilir örneğin.
AirBnb de bu konuda benzer bir yaklaşım izliyor. Dinamik fiyatlandırmada ev sahibi fiyatı belirledikten sonra, lokasyon, belirli ve önemli yerlere uzaklık yakınlık gibi kriterlere göre çok yüksek, düşük, normal gibi fiyat karşılaştırması da yaparak yeni bir fiyatlandırma yapıyor. Detaylı araştırma burada IEEE Spectrum’da.
8. Öngörüsel tahminleme (predictive analytic):
Benim en sevdiğim alan. Aynı zamanda yazının başında verdiğim dizilerde de kullanılan alan bu kısımda.
Veri gruplarından bilgi elde edip bu bilgi sayesinde geleceği daha doğrusu gelecekteki en iyi olaslığı tahmin edebilmeyi ifade ediyor. Trendleri keşfetme, müşterinin yapabileceği seçimler, satın alma eğilimleri, müşteri deneyiminde tersine mühendislik yapan pazarlamacılarla hangi pazarlama kanallarının başarılı olduğu görülebilir.
Eskiden retroaktif bir şekilde kullanılabilen bir alanken şu an güvenilir modelleri olan ve bu modellere göre bilgi oluşturup işleyen ve karar vermemize yardımcı olan bir yapıda bu analitik alanı.
Örneğin; Amazon birara Prime diye bir iş modelinde Prime Plus çıkartacaktı yanlış hatırlamıyorsam. Bu Prime plus’ta kartını Amazon’a bağlayanlar, ihtiyaç duyduğu ürünleri sipariş vermeden Amazon’un tahminiyle alabileceklerdi. Aslında Amazon otomatik olarak ihtiyaç duyabilecekleri ürünleri adreslerine kargolayıp sürpriz yapıyor. Bu şekilde bu alanın bir kullanım şekli olabilir. Ama en ideal zamanı 5G ile beraber akıllı şehir ve evler olduğu zaman olacaktır.
9. Kitle hedefleme ve bölümleme:
Reklam, eposta pazarlama gibi alanlarda pazarlama uzmanları için en önemli mesele doğru hedef kitleye daha alakalı şeyler sunmak.
Facebook, Google, Youtube veya programatik reklamcılık yaparken hedeflemelerimizde kitleyi ilgi alanı, satın alma eğilimi, yeniden hedefleme, segmente edip demografik özelliklere göre hedefleme gibi seçeneklerle hedefleyebiliyoruz. Fakat bu tip bir hedefleme genelde bir ya da birden fazla hedef personayı ayrım gözetmeksizin hedefleme şeklinde yani genel bir şekilde yapılıyor. Çok mikro düzeye inemiyordu. Facebook, Instagram, Youtube ve Google yapay zeka/makine öğrenimini kullanmaya başladıktan sonraysa bu tip bir hedefleme çok daha ayrıntılı ve bireye inecek şekilde oldu. Bu hedeflemelerimizde ve kreatif sunumlarımızda akıllı veya dinamik reklam modüllerini kullanmamız gerekiyor sadece.
Yapay zekanın buradaki rolü insanın yaptığı işlere göre altın bir standardının olması. Bu standartlarının yüksekliği sayesinde daha mikro ve değerli alanlara odaklanıp veriye göre bir hedefleme veya bölümleme yapabiliyoruz. Bu işlemler de bizim yaptığımız gibi statik değil, dinamik oluyor. Değişen durumlara kendini adapte ediyor, gerçek zamanlı olarak hem de.
Mesela yapay zekayla kitle ayrımı ve hedeflemesi şöyle olabilir; birisi sevgilisi için b kalemine bakar. Makine onu sevgilisine hediye almak için b kalemine bakanlar olarak işaretler. Bir torun ise dedesine hediye almak için b kalemine bakar. Makine onu dedesine hediye almak için b kalemine bakan genç insan olarak işaretler. Bunun gibi sonsuz farklılıkların hepsi kendisine has bir persona/hedef kitle olarak tanımlanabilir. Bu sayede reklam kreatifleri ve metinleri de farklı ve doğru bir hedeflemeyle her kitleye satın alma eğilimini artıracak şekilde sunulur.
10. Programatik reklam hedefleme:
Bir önceki liste elemanında anlattığımız şeyler burada da geçerli. Eskiden medya satın alımı elle yapılırdı. Sonra retroaktif bir şekilde yapılmaya geçildi sistemler aracılığıyla. Yani makinenin rolü tam anlamıyla yoktu.
Programatik reklamcılıkta; bir reklam borsası mevcut. Yayıncılar ve reklam verenler bir araya gelip açık artırma aracılığıyla alanları kiralayıp reklamlarını yayınlatabiliyorlar. Yayıncılar para kazanıyor. Reklamverenler de en iyi yerlerde reklamlarını gösterebiliyorlar.
Dediğimiz gibi eskiden elle müdahale söz konusuydu bu aradaki işlemlerde. Şimdiyse yapay zeka sayesinde ve öngörüsel tahminleme sayesinde satın alma ve sonuç elde etme eğilimleri dikkate alınarak açık artırmaya girilebiliyor, hedefleme yapılabiliyor dinamik olarak.
Yapay zeka programatiğe uyarlandığında en doğru zamanı, hangi gösterimin dönüşümle sonuçlanacağı veya bir makalenin ortasındaki reklamla bir kullanıcının etkileşime geçebilme olasılığı en iyi şekilde hesaplanabiliyor. Hatta müşteri yaşam değeri hedeflemesi yaparak dahi yüksek değerli müşterilere sistem odaklanabiliyor.
11. Satış tahminlemesi:
Bundan önceki iki konuda bahsettik aslında bir kısmından. En iyi zaman, etkileşime geçme olasılığı, yüksek değerli satın alma eğilimi, doğru hedef kitleye odaklanma… Ama bu konu çok iç içe olsa da, daha çok satış tarafıyla ilgili.
Endüstri düzeyinde karşılaştırmalar, geçmiş satış karşılaştırmaları ve kalıpları ve öngörü dahilinde uzun ve kısa vadeli hedef performansı için en iyi kararların alınmasını sağlıyor.
12. Sohbet botları ve konuşkan yapay zeka:
Bütün dünyanın ve benim şu anki favorisi… Larry Kim’in yeni kurduğu sohbet botu şirketi aracılığıyla fark ettim ki sohbet botu sayesinden ve konuşkan yapay zeka sayesinde müşterilerle olan görüşmelerin dönüşüm artışını fazlasıyla sağlıyor. Örneğin; Facebook’un messenger reklam modelini kullanın. Sohbet botunu bağlayın sayfanıza ve tanımlarınızı yapın. Sohbet reklamlarıyla çektiğiniz kişilere sohbet botu yanıt verecek. Böylelikle teklif taleplerini günde kişi başı 6 saat ayırmak yerine sadece tek seferlik birkaç saat ayırarak bu çalışmanızı gerçekleştirebilirsiniz.
İlk başlarda sohbet botunda yapay zeka yoktu. Sonradan adım adım geldi bu özellik. Bu gelişmeyi tabii artık; Google, Google Home, Echo, Alexa, Cortona, Apple Siri gibi cihazlarda da görebiliyoruz. Türkçe dilini çözen yapay zeka daha yeni geliştirildi tabii, biz şu zamandan itibaren görebileceğiz ancak.
13. Konuşma tanıma:
Konuşkan yapay zekanın en önemli ihtiyaçlarından birisi sesi tanıyabilmesiydi. Bunu da gerçekleştirdiler. Burger King elinde patlayan bir reklam kampanyası yaptı geçtiğimiz aylarda. Alexa ve Google Home’u kullanarak bir hamburgerle ilgili arama yaptıran bir TV reklamı yaptılar. Bu reklamda yaptırılan arama Wikipedia’da çocuklarla ilgili bir aramaya yönlendirince reklam kötüye gitti ve halkla ilişkiler krizi oluştur. Kurgu iyiydi ama sonucu kestiremediler. Bu sorunun ardından Amazon ve Google, cihazlarının kendi seslerini tanıyacak şekilde ayarlamaları konusunda uyarılar yaptı Burger King’in kötü sonuçlar doğuran reklamı nedeniyle.
14. Bilgisayar görüşü ve artırılmış gerçeklik:
Person of Interest adlı diziyi izlediyseniz bunun farkına varırsınız. Makine, görüşü sayesinde ve öngörüsel analitik sayesinde tehditleri algılıyor. Bu sayede kimin hayatı tehlikede anlaşılabiliyor.
Aynı zamanda bilgisayar görüşü otonom gidebilen araçların çevreyi tarayıp ortamı anlayabilmesini de sağlıyor sensörlerle.
Makinenin belirli bir veri kütüphanesi olduğunda, imaj ve görsellerle, sonradan da öğrenerek güçlendirdiği bilinciyle ortamdaki nesneleri algılayabiliyor. Bu nesneleri taradıktan sonra da tehdit olup olmama, serbest olup olmamaya göre aksiyon kararı alınmasını sağlıyor. Yalnız burada şöyle bir durum var; makinenin bu bilinci artırılmış gerçeklik sayesinde belki trilyonlarca olasılığı zihninde sorguluyor ve en iyi olasılıkları bulup çalışmasına devam ediyor. Bunu gerçek zamanlı ve saliseden daha kısa bir sürede yapabiliyor. Tabii bu makinenin gücüne de bağlı.
IKEA ve Home Depot böyle artırılmış gerçeklik içeren bir uygulamayı pazarlamada kullandı. Böylelikle tüketiciler evlerine yakışan en iyi duvar rengini öğrenebildiler. Bu 2015’te olan bir çalışmaydı. Lancôme, L’Oreal, Estée Lauder ve Sephora gibi markalar da kadınların dudaklarına en uygun dudak boyası üzerinde çalışma yapıp, geri dönen müşterilerin artışını sağlıyorlar 2012’den beri.
15. Metin yazımı:
SEO ve reklam uzmanlarını sevindiren ama metin yazarlarını üzecek bir özellik. Artık makineler olmayan bir insanı gerçek bir insan gibi dahi taklit edip portre hazırlayan, olmayan manzaraları varmış gibi gösteren bir içerik üreticisi haline geldi.
Şu an nerelerde kullanılıyor? Metin konusunda dizi sitelerinde görsel ve özet hazırlama gibi konularda. SEO çalışmalarında derleme yazı hazırlamalarda. Frasio diye bir uygulama tamamen bu işe odaklı çalışıyor mesela. Yabancidizi.org’taki yeni dizilerin içerik özetlerinde. Phrasee adlı bir uygulama da Facebook reklam metinlerinin yazılmasını sağlıyor.
Bazı yazılımlarda içerik kaydettiğinizde doğru etiketleme, eposta yazdığınızda konu satırını ve bazen de içerik alanını doldurma işleri metin yazımı yapay zeka tarafından yapılabiliyor. Ama sonuçta çok da gelişmiş değil şu an için.
16. Puanlama ve önceliklendirme:
Yapay zeka elindeki verilere, olasılıklara, hedef kitleye yaptıkları faaliyetlere, belirlenen amaçlara göre bir puanlama ve önceliklendirme yapıyor. En iyi puanı alan ve şartları taşıyan öncelik kazanıyor.
Örneğin 5000 kişiye reklam sunulduğunda içlerinden sadece 5 kişinin veya bir hedef kiitle bölümünün satın alma eğilimi ortaya çıkıyor. Direkt olarak o gruba odaklanarak satın alma eğilimini artırabiliyor.
17. Dil çevirisi:
Eskiden dil çevirisi yapmak istediğimizde saçma sapan sonuçlar çıkartırdı. Şimdilerde yapay zeka bağlamı yakalayarak daha doğru çeviriler sunuyor.
İngilizce bilmeyen birisi Yandex veya Google çevirilerini kullanarak global düzeyde çok sorunlu olsa da iş yapabilir hale geldi artık.
Yakında bunun konuşmaya da yansıyacağı ve gerçek zamanlı kaliteli sonuçlar elde edileceği düşünülüyor.
18. İşe alım:
İşe alım konusunda da adayları değerlendiren yazılımlarda puanlama söz konusu. Belirlenen kriterler doğrultusunda en iyi adaylar belirleniyor. Bu öneri doğrultusunda tekrar görüşmelere girip, girişime uyacak en iyi adayı işe alabiliyoruz.
Kullanan markalar ve kullanabileceğiniz uygulamalar;
- Adobe marketing Cloud ve Target
- Criteo Kinetic Design
- Yusp
- Netflix
- Spotify
- Expedia
- Jivox
- Hurree
- Quickpivot
- Amazon
- Stream
- Drip
- Dynamic Yield
- Sitesinde belirten daha fazla marka 😀
Birkaç örnek ve öneri;
Expedia’da hiper kişiselleştirilmiş öneri sistemi
Expedia’nın veri bilimi yöneticisi Jack Chua hiper kişiselleştirilmiş öneri sisteminden bahsediyor: Bu işin arkasında ciddi bir bilim var. Öneri sistemleri işimin en önemli kısmı ama asıl odaklandığım alan arka tarafında. Öneri sistemleri; doğru kişiye doğru içeriği doğru zamanda doğru kanalda sunmaya odaklanıyor. İçeriğinde ötesinde içeriğin nasıl bir bağlamda sunulduğuyla ilgili.
İçerik ve bağlam derken kastettiğimiz arkaplandaki gerçek işletmenin ihtiyacı veya hedefi ile yukarı satış, çapraz satış, kullanıcı bağlılığını ve aktifliğini artırma gibi altta yatan ve elde etmek istediğimiz KPI ulaşmadaki gerekli olan öğeler.
Alakalılık ve ilişkisellik kurarak bir hedefleme gerçekleşiyor her bir birey için. Arkaplanda ise bireylerin daha önceki geçmiş hareketleri ile şu anki veya gelecekteki hareketleri arasında bağ ve tahmin kuruluyor. Toplu işlemler gerçekleşiyor her seferinde ve her an. Böylelikle doğru öneri sunulabilir hale geliyor. Bu öneri sistemi bir gayrimenkul gibi. İnsanlara isteyebileceği şeyleri vaad eden bir gayrimenkul.
Burada anlatılanlar bilim kurgu filmlerindeki gibi, insanların zihninde herkese ayrı ayrı reklam gösteren reklam panoları gibi bir mantık aslında.
Kişiselleştirmede başarılı olabilmek için pazarlama ve reklam uzmanları;
- Segmentasyon ve cihaz seçiminden daha da öte verileri bütüncül olarak ele alabilmeli ve değerlendirebilmeli,
- Fakat kitlelere kitle olarak değil bireye kadar inebilmeli. Her bir bireyin farklı olduğunun bilincinde olmalı. Herkes farklı zaman ve yerde ve miktarda satın alım yapabilir.
Normalde biz pazarlama süreçlerini nasıl ele alırız?
Hedef kitle için personalar. Personalara göre planlama ve uygulama, hitaplar ve farklı stratejiler. Bu personalar da milyonlarca insanı temsil eden 8-10 tane örnek kişi gibi düşünülebilir. Her birisi için ayrı ayrı iş yapmak zorundayız ve inanılmaz vakit yer. Makine öğrenimiyle 8-10 personaya değil, ardındaki o milyonlarca insana ayrı ayrı hizmet edecek şekilde, daha az zamanda çalışma yapabiliyoruz ve daha kişisel mesaj iletip, verimli sonuçlar elde edebiliyoruz.
Geleceğin değil şu anın ihtiyacı, hiper kişiselleştirme ve derin öğrenme kullanılan pazarlama otomasyonu. Marka değeri, mesaj iletimi, verimli etkileşim ve fayda, sadık müşterileri elde edebilmek bu şekilde olabilir ancak.
Bu konuda bu kadar derin bilgi ile yazılmış başka bir yazı görmedim bugüne kadar. Kaleminize sağlık.
Teşekkür ediyorum 🙂