Machine learning” zmienia monitoring mediów

“Machine learning” zmienia monitoring mediów

Kiedy w roku 1984 na ekrany kin wchodził dzisiejszy już klasyk kina z gatunku science fiction pod tytułem Terminator w reżyserii Jamesa Camerona, mało kto wierzył w to, że choć w połowie wizje przedstawione w scenariuszu mogą kiedykolwiek się ziścić. Android do złudzenia przypominający człowieka,  wysłany z przyszłości, ze świata, gdzie rebelianci (ludzie) toczą wojnę o przetrwanie z cyborgami. Śmieszne? Straszne?

Na pewno nierealne. Pomysł kompletnie odseparowany od rzeczywistości  sprzed ponad 30-stu lat. W otwierającej film scenie, widzimy postapokaliptyczny obraz Los Angeles z roku 2029. Miasto zostało zniszczone podczas walk ze śmiercionośnymi, inteligentnymi maszynami. 

W dzisiejszych czasach, dzwoniąc na infolinię jednej z wiodących prym w Europie sieci telekomunikacyjnych, możemy porozmawiać z wirtualnym asystentem, który doradzi nam co robić w sytuacji zakupu różnych usług, zgłoszenia awarii, itp. Wystarczy kilka słów, a sztuczna inteligencja jest gotowa nam pomóc niemal z każdym problemem związanym z ofertą firmy.

Szybki rozwój AI i machine learning

Poziom rozwoju „AI” stoi obecnie bardzo wysoko i będzie on rósł z dnia na dzień, dzięki pojawiającym się nowinkom technologicznym. Jakiś czas temu Bill Gates powiedział, że sztuczna inteligencja może być naszym przyjacielem. Trzeba odłożyć na bok myślenie o tym, że najbliższa przyszłość będzie wyglądać, jak krajobraz po bitwie z filmu Camerona, a zacząć wyobrażać sobie, że „AI” naprawdę ułatwi nam życie.

Chcielibyśmy przybliżyć termin, który bardzo dużo ludzi używa zamiennie, jako synonim dla sztucznej inteligencji, czyli tzw. machine learning. Przedstawimy go w kontekście branży monitoringu mediów i pokażemy, jakie zmiany dla niej niesie za sobą rozwój tego procesu analitycznego. Każdy „umysł” musi się uczyć, aby w pełni móc wykorzystywać swój potencjał. Niezbędne do tego celu są informacje zbierane z otaczającego środowiska, i tak jak w przypadku ludzi, ważną rolę pełnią tu nauczyciele, czyli ktoś, kto pomoże w przetwarzaniu tej wiedzy i odpowiednio pokieruje, jak ją umiejętnie zastosować.

Wykorzystywanie dużych zbiorów danych, w celu optymalizacji pracy systemów pod kątem określonych zadań; specyficzny podzbiór sztucznej inteligencji, który edukuje urządzenie, jak się kształcić  – tak możemy w skrócie i w prosty sposób określić czym jest uczenie maszynowe. Świetnym przykładem jest tu bardzo znana na całym świecie platforma Netflix do oglądania filmów i seriali online. Analiza dużych ilości danych pomaga przewidzieć, jakie produkcje mogą spodobać się klientom amerykańskiego giganta. System podsyła użytkownikom propozycje wartych uwagi materiałów, które tematyką przypominają te, najchętniej wybierane przez nich. Firma z Kalifornii coraz częściej przechyla się ku kreowaniu własnych treści, wykorzystując zebrane informacje od osób korzystających już z usług Netflixa. Wynik analizy tych danych, pomoże nakierować producentów, w jakie gatunki filmowe warto inwestować w przyszłości, aby liczyć na dużą ich oglądalność i popularność. Machine learning oparte jest na idei, iż systemy komputerowe mogą uczyć się na podstawie zdobytych informacji, identyfikować wzorce i podejmować decyzje przy minimalnej interwencji człowieka.

Źródło: Forum IAB 2019 Sztuczna Inteligencja Malinowski


Takie same rozwiązania są spotykane w branży monitoringu mediów. Ogromny napływ nowych technologii wymusił potrzebę stworzenia narzędzia wykraczającego poza ludzkie poznanie. Programy i panele zbierające niezbędne dane do raportów medialnych, takie jak np. zasięg postów, wskaźniki AVE i wydźwięk publikacji, są stale udoskonalane, tak aby analitycy mieli mniej pracy przy ich zbiorze i analizie. W ten sposób, eksperci mogą się skupić w pełni nad wynikami końcowymi procesu i ich dokładną analizą, co daje lepsze jakościowo efekty w postaci bezbłędnie wypełnionych zestawień dla klientów.

Machine learning to idealnie dopasowany mechanizm zdolny do przetwarzania milionów artykułów w ciągu sekund i wydobycia najtrudniej dostępnych danych. Jest to obecnie bezcenne zjawisko dla marketerów, ekspertów ds. komunikacji i dyrektorów generalnych działających w sferach związanych z mediami. Odkrycie konkretnego trendu i jego prognozy na przyszłość pozwoli na podjęcie kroków, które mogą w znacznym stopniu wpłynąć na rozwój marki i jakość oferowanych przez nią usług. Rezultatem tych działań może być bezkonkurencyjna pozycja na rynku.

Źródło: Forum IAB 2019 Sztuczna Inteligencja Malinowski


Jeszcze 20 lat temu, branża monitoringu mediów wyglądała kompletnie inaczej. Śledzenie kampanii reklamowych, przygotowywanie raportów, analiza danych -> były to procesy, które przeważnie odbywały się w sposób ręczny. Sztab wykwalifikowanych pracowników skupiał się nad każdym elementem osobno. Publikacji biznesowych było wtedy znacznie mniej, niż dziś. Cykl informacyjny wynosił 24 godziny albo i dłużej. Social media, jakie znamy obecnie, nie istniały. Teraz wystarczy jedno kliknięcie myszką do wygenerowania gotowych danych, aby przystąpić do analizy interesujących nas wyników. Ewolucja algorytmów w czasie rzeczywistym pozwala na praktycznie nieograniczone możliwości badawcze.

Według przewidywań, systemy AI wkrótce zaczną w pełni zarządzać przepływem treści i konwersacji. Sztuczne inteligencje wykorzystują funkcje filtrowania do administrowania komentarzami użytkowników na kilku platformach społecznościowych jednocześnie. Obserwują i zgłaszają pojawiające się sytuacje kryzysowe, zanim rozprzestrzenią się za daleko i spowodują spadek zaufania do danej marki. Dla pracowników odpowiedzialnych za zarządzanie oficjalnymi kontami na Facebooku walka z trollami i hejterami to główne zagrożenie. Systematyczny rozwój uczenia maszynowego pomaga menedżerom wyjść z tej rywalizacji zwycięsko. Używając odpowiednio skonfigurowanych i aktualizowanych na bieżąco narzędzi do monitoringu mediów, takich jak Newspoint, możemy bezpiecznie administrować udostępnianą publicznie treścią i mieć kontrolę nad opinią naszej marki w sferze online. Nie chodzi o to by usuwać negatywne komentarze, ale żeby publikować oficjalne, przejrzyste oświadczenia w odpowiedzi na krytykę. Daje to klientom przekonanie, że ich opinia ma znaczenie.

Można również podjąć konwersację z użytkownikami za pomocą botów, które kreują do nich spersonalizowane wiadomości. Proces przetwarzania danych do sporządzenia takich komunikatów przez systemy komputerowe to właśnie machine learning. We współczesnej erze cyfrowej oceniamy siłę marki poprzez skuteczne zarządzanie mediami społecznościowymi.

Źródło: Forum IAB 2019 Sztuczna Inteligencja Malinowski

Źródło: Forum IAB 2019 Sztuczna Inteligencja Malinowski


Targeted marketing

Parę lat temu najczęściej wybieranymi narzędziami do badań marketingowych były grupy fokusowe i ankiety. Obecnie uczenie maszynowe zwiększyło niezawodność, szybkość i dokładność odpowiedzi. Rekonesans marki w social media uświadamia marketerom, jakie emocje towarzyszą klientom przy kupowaniu produktów i jakimi nowymi drogami podążają konsumenci. Współcześnie firmy wykorzystują klastrowanie (metody hierarchiczne), aby znaleźć przydatne informacje o swojej grupie docelowej – wiek, zawód, zainteresowania itp. Wiedza ta jest następnie wykorzystywana do generowania konkretnych, spersonalizowanych postów – targeted marketing.

Bogate w materiały publikacje prasowe i czasopisma wciąż potrzebują ludzi do ich skanowania. Programy do optycznego rozpoznawania znaków (OCR) przetwarzają następnie cyfrowe kopie, w istocie nadając im ten sam format, co treści online. Algorytmy przeszukują zarówno internet, jak i papierowe nośniki dla konkretnych przypadków, takich jak na przykład wzmianki o marce. Obecnie pracownicy muszą przeglądać wyniki uzyskane przez systemy komputerowe, ponieważ może zdarzyć się sytuacja, iż do zestawienia wpadną informacje, które nie będą miały znaczenia dla zleceniodawcy. Sztuczna inteligencja nie jest oczywiście niezawodna, ale rozwój technologiczny sprawia, że takich przypadków z dnia na dzień będzie coraz mniej.

Innym aspektem machine learning jest jego zdolność do analizowania i pracy z różnymi językami bez konieczności rekonfiguracji. Algorytmy uczenia maszynowego wykorzystują powiązania systemowe, co oznacza, że ​​mogą one interpretować różne języki bez modyfikowania kodu źródłowego. Ta opcja z pewnością zmieni przyszłość aplikacji i narzędzi do monitorowania mediów. Przygotowywanie raportów w kilku językach stanie się znacznie prostsze i wygodniejsze.

Głównym celem analizy social media jest polepszenie procesu podejmowania decyzji przez przedsiębiorstwa. Machine learning usprawnia monitorowanie mediów społecznościowych, aby zapewnić szybszy dostęp do danych i zdobyć bardziej szczegółowe informacje dla firm. Ostatecznie prowadzi to do lepszych współczynników konwersji, a tym samym do zwiększenia przychodów marki.

Sztuczna inteligencja i uczenie maszynowe będą miały ogromny wpływ na public relations. AI da coś więcej niż tylko analitykę, podsunie odpowiedzi na to, co dzieje się w twoim zasięgu medialnym i dlaczego – wszystko na żądanie. Będzie przewidywać, jakie tematy mogą być problemem w przyszłości, gdzie te sytuacje kryzysowe wystąpią i jak długo mogą trwać. Te predykcyjne weryfikacje sprawią, że będziesz bardziej proaktywny niż tylko reaktywny.

Źródło: State of Marketing 2019-2020: Key trends and major priorities

Właściwe zrozumienie i wdrożenie sztucznej inteligencji gwarantuje sukces w marketingu społecznościowym. Rozwiązanie to zapewni silną znajomość odbiorców, konkurencji oraz rodzajów treści, które inspirują konsumentów do podejmowania działań mających wpływ na daną markę.

Zostaw komentarz:

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *