Влияние обработки естественного языка (НЛП) на цифровой маркетинг

НЛП, или обработка естественного языка, — это область вычислений, цель которой — помочь компьютерам понять человеческий (или «естественный») язык. Он находится на подъеме, невероятно мощен и собирается оказать кардинальное влияние на маркетинг.

Хотя язык является второй натурой для подавляющего большинства людей, компьютерам очень трудно правильно их интерпретировать и использовать. Жесткий, связанный с правилами формат электронных таблиц и баз данных идеально подходит для программного обеспечения, но случайная, зависящая от контекста и, по-видимому, без правил природа человеческих языков заставляет ИИ хотеть перезагрузиться!

НЛП может не позвонить вам прямо сейчас, но она существует уже последние 30 лет или более — и ей еще предстоит пройти долгий путь. Эксперты полагают, что некоторые из следующих шагов НЛП будут огромными, сосредоточив внимание на переходе от структурированных данных (базы данных) к неструктурированным данным (текст), а также увеличенной способности «понимать» людей, как они говорят в обычном режиме.

Почему маркетологи должны заботиться о НЛП?

Как маркетолог, вы можете подумать: «Это хорошо, но какое это имеет отношение ко мне?». Ну, если верить экспертам, некоторые из самых больших и революционных применений НЛП сосредоточены на его приложениях и вокруг них. маркетинг.

Теперь, учитывая, что НЛП — это научная дисциплина (и ее не всегда легко понять в одной статье, состоящей из 2000 слов), давайте начнем с основных типов НЛП, с которыми вы можете столкнуться на регулярной основе:

    Оптическое распознавание символов: преобразование письменного или печатного текста в данные, которые может прочитать компьютер. Вы когда-нибудь пытались редактировать не редактируемый PDF? Если у вас есть, у вас есть мое сочувствие. OCR — это технология, которая «помогла» процессу.
    Распознавание речи: преобразование произнесенных слов в данные, понятные компьютеру. Это технология НЛП, которую вы используете каждый раз, когда задаете вопрос Siri, Cortana, Echo или Google Voice.
    Машинный перевод: перевод текста с одного языка на другой. Эта технология лежит в основе переводческих приложений, таких как Google Translate.
    Поколение естественного языка: вывод информации как человеческого языка. Это технология, которую вы используете каждый раз, когда Сири или Кортана отвечают на ваш вопрос.
    Анализ настроений: извлечение данных из обсуждаемых тем (часто «большого текста») и оценка того, являются ли эти данные отрицательными или положительными (или могут ли они обнаружить что-то еще).
    Семантический поиск: тесно связанный с распознаванием речи, как указано выше, он позволяет вам задавать естественные вопросы о приложении, подобном Siri, вместо того, чтобы формулировать свой вопрос каким-то неестественным образом.
    Машинное обучение: Машинное обучение — это совсем другая тема, но, по сути, оно использует данные, которые интерпретирует НЛП, чтобы «научить» себя будущим действиям.
    Программирование на естественном языке: это инструменты, которые позволяют пользователям создавать приложения и программное обеспечение, используя команды на естественном языке (вместо программирования традиционным, удобным для компьютера способом).
    Аффективные вычисления: использование НЛП и других технологий для понимания и воспроизведения человеческих эмоций (это то, чего большинство людей боятся).

Эти определения могут показаться высокоуровневыми, но на самом деле вы их уже используете. Вы могли бы даже использовать их сегодня, если бы вы проконсультировались:

    Приложение для проверки орфографии
    переводчик Google
    Сири, Кортана, Эхо или Google Voice
    Чатбот:

SG — Почему чат-боты необходимы для бизнеса (и как его создать!)

Все эти приложения — и многие другие — используют НЛП, чтобы вы могли взаимодействовать с ними, а они — с вами. У вас появилось больше идей для НЛП? Если вы креативный тип, ответ должен быть «да». Давайте рассмотрим некоторые из применений НЛП в маркетинге, которые не являются просто реальностью; они также очень успешны.

Как НЛП трясет маркетинг

Одно из применений НЛП, о котором вы, возможно, уже слышали, — это анализ текстовых настроений. Вы слышали о больших данных, верно? Ну, познакомься со своим двоюродным братом, большой текст.

Анализ настроений

В наши дни анализ настроений становится достаточно продвинутым, чтобы дать нам возможность не только понять, что люди говорят о нашем бренде в Интернете, но и как они к этому относятся. Как все маркетологи знают, упоминания не равны положительным упоминаниям. С НЛП мы можем доказать это.

С помощью НЛП, использующего анализ настроений, мы можем найти большой текст, чтобы найти эти негативные упоминания, и попытаться смягчить последствия. Аналогичным образом, анализ настроений может помочь брендам находить людей с явным намерением совершить покупку, чтобы вы могли предпринять шаги, необходимые для того, чтобы ваш бренд предстал перед их глазами.

Если вы занимаетесь электронной коммерцией, вам понравится это: другие аспекты НЛП можно использовать для просмотра описаний продуктов и автоматического изменения HTML-кода для включения атрибутов, которые, возможно, не были добавлены при первоначальной загрузке продукта. Это не только сокращает грубую работу для вас, но и добавляет контекст и детализацию в список, что означает, что Google еще лучше информирован, когда дело доходит до ранжирования ваших прекрасно описательных продуктов в поиске.

Наш последний пример — использование НЛП для улучшения производительности чат-ботов. НЛП может не только улучшить их удобство использования — и, как следствие, улучшить качество обслуживания клиентов, — но это также может быть объединено с маркетинговой психологией и таргетингом для фактического увеличения конверсии и продаж.

Например, в прошлом году ритейлер Asos сообщил об увеличении заказов на 300% с помощью своего нового «модного бота» Enki. Раньше у компании был чатбот (скучно звучащий «помощник по подаркам»), и, судя по всему, это было довольно неутешительно. Используя новый, полностью улучшенный чат-мессенджер Facebook Messenger, они увидели 250% -ую отдачу от расходов, достигнув в 3,5 раза больше людей. Впечатляет, правда?

ASOS

Косметический гигант Sephora также запрыгнул в фургон чатбота, имея не одного, а трех автоматических помощников:

    Помощник по бронированию Sephora (Facebook)
    Sephora Virtual Assist (Facebook)
    Sephora’s Kik bot

Бронирующий бот Facebook имеет на 11% лучший коэффициент конверсии по сравнению с любым другим методом бронирования макияжа.

Будущее НЛП в маркетинге

Одна вещь, которая может помешать вашему пониманию НЛП и его возможностей для будущего маркетинга, состоит в том, что, хотя нетрудно понять, как он работает (это помогает компьютерам понимать человеческую речь и текст), трудно представить полную широту приложения, для которых он может быть использован.

Одна из основных проблем — и преимуществ — систем на основе НЛП заключается в том, что они могут обрабатывать ОГРОМНОЕ количество данных. Более того, большая часть этих данных будет представлять собой неструктурированные данные, которые мы никогда ранее не могли обрабатывать в больших масштабах. В результате, с нашей точки зрения, у нас теперь есть невообразимые объемы данных, из которых мы можем сделать выводы и повлиять на стратегию.

Проблема заключается в том, что мы должны сделать эти выводы. Другими словами, мы должны иметь возможность использовать данные осмысленно. Если мы этого не сделаем, это практически то же самое, что вообще не иметь никаких данных. Вот почему первое требование и проблема использования NLP — это наличие систем, которые могут использовать эти данные в дополнение к системам, которые передают эти данные в еще большее число систем, которые действительно могут действовать с ним.

Многие из новейших приложений с поддержкой НЛП в мире — это просто инструменты, которые получают действенные данные и используют их для достижения цели. Степень, в которой компаниям удается это сделать, является ключевой проблемой, влияющей на то, как НЛП повлияет на мир маркетинга в 2020 году и далее.

Вот некоторые из самых больших проблем с НЛП.

Задача № 1: привлекательное представление необработанных данных

Большая часть использования НЛП в маркетинговых центрах вокруг социальных сетей — использование технологии, чтобы просеивать миллионы случайных упоминаний по определенной теме и извлекать как самые важные из них, так и общее «чувство» по этой теме. Иногда эти приложения ориентированы на определенную платформу социальных сетей, такую ​​как Twitter, тогда как другие встроены в приложения для управления социальными сетями, такие как Hootsuite:

В любом случае, задача здесь состоит в том, чтобы проанализировать растущее количество большого текста. И это будет расти — по прогнозам, выручка рынка больших данных вырастет с 42 миллиардов долларов в 2018 году до 103 миллиардов в 2027 году (а большой текст является частью больших данных). По мере увеличения данных инструменты должны будут работать еще усерднее, чтобы люди действительно могли понять и использовать такие обширные знания.

Задача № 2: Представление необработанных данных таким образом, чтобы сэкономить время людей

Аналогичным образом, эта лавина данных будет гораздо более полезной, если приложения найдут способ «сортировать» информацию, которую она предоставляет, что не только облегчит понимание, но и поможет понять, сколько из них осталось для людей, чтобы иметь дело с ними после автоматизированные процессы начали работу.

Такие приложения, как MonkeyLearn, например, анализируют заявки в службу поддержки, а затем автоматически маркируют и классифицируют заявки на основе — как вы уже догадались — анализа настроений. Как только сотрудники взаимодействуют с данными, они включаются в их обычный рабочий процесс, сокращая объем усилий, необходимых для подготовки поддержки.

MonkeyLearn
Задача № 3: Представление необработанных данных в формате, который можно использовать в режиме реального времени

Идея позволить компьютеру «делать свою работу», пока вы ждете, является старомодной. Мы живем в обществе, которое ожидает вещей сейчас. Тем не менее, получение этой информации, расширенной НЛП, происходит на раннем этапе, и ей определенно еще предстоит пройти некоторое время.

Мы уже видели замечательное использование НЛП в режиме реального времени для писателя во время его написания: возможность исследовать контент в процессе его написания и сообщать предложения по улучшению, полученные в результате машинного обучения и большого текста. Это помогает авторам принимать решения, которые приведут статью от средней к высокой степени оптимизации, помогая им определить упущенные возможности.

Это увлекательная тема, и мы уже видим прогресс в этой области. Одним из приложений, которое пытается выполнить эту задачу, является MarketMuse:

MarketMuse

В обмен на адрес электронной почты, они посмотрят на часть вашего контента и предложат, как его можно улучшить. Это сила НЛП.


Задача № 4: упростить взаимодействие с инструментами, использующими НЛП

Хотя маркетинг и опыт клиентов не совпадают, они взаимосвязаны, и мы уже видели, как улучшение работы с автоматизированными ботами может принести существенные маркетинговые преимущества с точки зрения конверсий и продаж.

Чат-боты, базы знаний и ресурсы поддержки клиентов можно оптимизировать, помогая людям быстрее получать доступ к информации, в которой они нуждаются (интеллектуальный анализ данных), предоставляя им более естественное состояние взаимодействия с инструментами, которые могут им помочь (обработка естественного языка), и Оптимизируя управляемый человеком раздел процесса поддержки клиентов (путем автоматической категоризации, пометки или сортировки запросов).

Технологическое взаимодействие без стресса является ключом к счастливым клиентам, и, как мы все знаем, счастливые клиенты вызывают улыбку у всей компании.

Будущее НЛП в маркетинге

Если вы занимаетесь маркетингом, вы должны быть очень взволнованы возможностями НЛП. Если одних только возможностей, которые он предоставляет, недостаточно, то, по крайней мере, путешествие, которое он уже совершил, и его возможности на будущее, многие из которых еще не были открыты, должны вас взволновать. Если вы когда-либо пытались использовать Google Translate еще в 2006 году, когда он был впервые запущен, я уверен, что вы более чем согласны!

По мере нашего продвижения к будущему НЛП в маркетинге, следите за развитием инструментов на основе НЛП, которые будут доступны. Независимо от того, что вы продвигаете, и не важно, являетесь ли вы крупным бизнесом или небольшим игроком, вы сможете использовать самые интересные и практичные способы использования больших данных, которые мы когда-либо видели.

Поскольку одним из ключей к современному маркетингу, по-видимому, является анализ и применение информации о больших данных, следует приветствовать все, что помогает нам лучше управлять этими большими данными. НЛП, возможно, является одним из лучших инструментов, которые мы можем сделать, чтобы сделать это устойчивым, масштабируемым и в режиме реального времени, делая его одним технологическим модным словом, которое вы не можете игнорировать.