BPM Course
منبع این مقاله
بازاریابی

کاربرد هوش مصنوعی در بازاریابی: درک نیازهای مشتری با ترکیب بینش انسانی و هوش مصنوعی

شرکت‌ها چگونه از یادگیری ماشینی برای درک موثری از نیازها و تقاضاهای مشتری‌هایشان استفاده می‌کنند بدون آنکه دانش ناشی از شهود و بینش کارمندان را قربانی کنند؟

درباره نویسنده

نویسنده
جولی ویتز اشلاک، مدیر تیم نوآوری شرکت سی اسپیس است که در زمینه راهکارهای تعامل با مشتری کار می‌کند. وی همچنین برای نشریات و سایت‌های مختلف در حوزه بازاریابی مقاله می‌نویسد.

خلاصه مطلب

  • یادگیری ماشینی تنها یک ابزار در ابزارهای همیشه در حال تکامل ما هستند، اما یک ابزار بسیار سودمند!

برنامه‌نویسی‌های سنتی کامپیوتری به پیروی از مجموعه ای متعارف از قواعد برای کامپیوتر تکیه دارند. برای مثال: اگر یک عبارت شامل کلمه «عصبانی» شود، آن را به صورتی منفی کد کنید و یا اگر یک شی در شکل دارای ۴ چرخ بود، آن را به عنوان یک ماشین تگ کنید. اما اگر شی چهار چرخ در جعبه ای خیلی عالی باشد و یا به صورت یک یک وعده غذایی بسته بندی شده باشد چه؟ آیا باید تگ اسباب بازی برای آن در نظر گرفته شود؟ یا به صورت یک علامت خطر؟

شما می‌توانید محدودیت‌های این رویکرد قانون محور را مشاهده کنید که برای درک عبارات ساختارنیافته انسان‌ها تلاش می‌کنند. «عصبانی بودن» به معنی دیوانه و خشمگین بودن است؛ درباره چیزی «عصبانی» بودن مخالف آن است. نه تنها اشیا چهار چرخ می‌توانند جاروبرقی و یا اسباب بازی‌های کوکی باشند، اما ماشین‌ها نیز می‌توانند ۳ چرخ داشته باشند.

هیچ کس تمام قواعد را برای طبقه بندی کردن این چیزها ننوشته است، و آن‌ها نمی‌توانند تمام راه‌هایی که احساسات انسان بیان می‌شود را مستندسازی کنند. به عنوان انسان، ما یاد می‌گیریم، طبقه بندی می‌کنیم، و بر اساس تشخیص الگو و وابستگی‌های گذشته عمل می‌کنیم. ما به سرعت بر اساس الگوها، هدف و مفاد فرضیاتی را درنظر می‌گیریم.

نوع یادگیری ماشینی‌ای که به کار می‌بریم به یادگیری از وابستگی‌های گذشته نیز تکیه دارد. با تهیه مثال‌هایی که ما اکنون طبقه بندی کردیم، کامپیوتر می‌تواند از این تجربه بدون این‌که برنامه‌ریزی شود یاد بگیرد، و در طول زمان با انباشتگی تجارب هوشمندتر شود.

یادگیری ماشینی تنها یک ابزار در ابزارهای همیشه در حال تکامل ما هستند. اما یک ابزار بسیار سودمند است- به چند دلیل.

برای مثال، کسب و کارها طبیعتا بر آن چه که به راحتی با تلاششان در زمینه ارزیابی و بهبود عملکرد و تجربه مشتری، سنجش می‌شود تمرکز می‌کنند. این پایه با پژوهش‌های بازاریابی سنتی تقویت می‌شود که در آن از مردم برای شرکت در یک رای گیری محدود و یا پاسخ به سوالاتی و نمره‌دادن تقاضا می‌شود که این‌ها پاسخ‌هایی را در بردارند که به سادگی قابل سنجش و تکرارند. اما معمولا بهترین پاسخ‌ها در مکالماتی ناخودآگاه با مشتری‌ها یافت می‌شود- نه در نظر سنجی آنلاین که از خریداران درخواست می‌شود تا آن را کامل کنند، بلکه در عکس‌هایی که می‌گیرند، توییت‌هایی که پست می‌کنند و توصیه‌هایی که در انجمن‌های آنلاین ارائه می‌دهند وجود دارد. لذا به جای وادار کردن مردم به بازی کردن نقش یک پاسخ‌دهنده و محدود کردن ورودی آن‌ها تنها به پاسخ‌های سوالات،ما اعضای جامعه‌مان را تشویق می‌کنیم تا به راه‌هایی متفاوت نظراتشان را به اشتراک بگذارند، لذا یادگیری ماشینی باعث می‌شود ما در تفسیر قالب‌های اساسی کارآمد عمل کنیم. بدین صورت، ما قادر خواهیم بود تا بیشتر انسان و بیشتر مشتری‌محور باشیم.

یادگیری ماشینی نیاز کشف و اکتشاف را در ما برآورده نمی‌کند. این یادگیری به عنوان یک فلزیاب عمل می‌کند، سیگنال‌هایی را از یافت فلز دریافت می‌کند و سپس به ما هشدار می‌دهد که کجا را برای یافتن طلا حفر کنیم.

چنین نوعی از تحلیل‌ها با خطرات و محدودیت‌هایی همراه است. ماشین نمی‌تواند بپرسد «ما نظر چه کسی را جلب نکرده ایم؟» نمی‌تواند پیشنهاد دهد « اگر سوالات متفاوتی بپرسیم بهتر نیست؟». لذا بهتر است فکر کنیم، و برای انجام کارها خودآگاهی داشته باشیم و الگوریتم‌های خود را برای تبدیل به یک پایه مورد رسیدگی قرار دهیم.

هوش مصنوعی در بازاریابی
هوش مصنوعی در بازاریابی

به علاوه، ماشین‌ها دچار کمبود کیفیت‌های انسانی‌اند که این کیفیت‌ها و شرایط برای رشد کسب و کار بسیار حیاتی‌اند. ماشین‌ها می‌توانند تحت آموزش قرار بگیرند که احساس را تشخیص دهند اما نمی‌توانند برای احساس‌کردن تحت آموزش قرار بگیرند. انگیختگی احساسی برای تحریک تغییرات فردی و سازمانی و ایجاد روابط قوی با مصرف کننده بسیار مهم‌اند؛ و به این دلیل که کامپیوترها دچار کمبود احساسات‌اند، قدرت همدلی، و یا به هیجان‌آوردن هم دیگر را ندارند.

چنین کمبود عاطفی ای- که کمبود روابط را به دنبال دارد- دلیل آن است که ما با ماشین‌ها به صورت ابزار برخورد می‌کنیم نه همکار. همانطور که کورت گری در یک مقاله فوق‌العاده HBR عنوان کرد «اعضای تیم اعتماد به حداقل سه چیز نیاز دارند: دغدغه متقابل، احساس مشترک آسیب پذیری، و ایمان به صلاحیت.» دغدغه متقابل- اینکه بدانی هم تیمی‌ات درباره سلامت تو نگران است- اساسی ترین عنصر اعتماد است. ما به AI اعتماد نداریم نه تنها به خاطر این دچار کمبود هوش هیجانی است بلکه دارای کمبود آسیب‌پذیری و احساس نیز هست.

با نبود چنین عنصر حیاتی‌ای – دغدغه متقابل- ما به استفاده از یادگیری ماشینی ادامه می‌دهیم و آن را ارج می‌نهیم، اما به آن «وابسته» نمی‌شویم. اما زمانی که مفاد انسانی وجود داشتند، شرکت‌ها  می‌توانند ارتباطی قوی و با دوام با مصرف کننده بسازند که هیچ ماشینی نمی‌تواند بسازد و دیگر نیازی به جایگزینی آن با ماشین نیست.

از طريق
کاروکسب
منبع
HBR
برچسب ها

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

فرصت ویژه: ۱۵٪ تخفیف دوره‌ها و پکیج‌های آموزشی با کد تخفیف nowruz1403 فقط تا ۱۵ فروردین!برنامه دوره‌ها را ببینید
بستن