A IA no marketing hoje é superestimada e subestimada

Um estudo recente da Resulticks descobriu que a inteligência artificial é o termo mais exagerado no marketing atual. E isso foi com a concorrência acirrada do bingo do buzzword de big data, omnichannel, marketing em tempo real e personalização.

Do Flab de Marketing do Resulticks ao Desafio Fab

(Você apenas sabe que há uma empresa em algum lugar promovendo “omnichannel, personalização de marketing em tempo real usando big data e AI”).

Portanto, é fácil ser cético em relação ao termo. Na curva do hype do Gartner, acho que a IA no marketing já está começando a chegar ao auge, com a desilusão chegando rapidamente. Na verdade, acredito que, em geral, a frequência das curvas do hype do Gartner está aumentando – você pode ir do pico do hype para o vale da desilusão em um ano. Mas esse é um artigo para outro momento.

Mas, como escrevi no começo do ano, a única coisa que todo mundo esquece sobre a curva do Gartner é que, mesmo com os altos e baixos do hype, a tecnologia subjacente continua avançando.

AI não vai fazer o seu marketing para você. (E graças a Deus, ou você estaria desempregado.) Não existe um oráculo com voz de Alexa que magicamente irá revelar a você a estratégia de marketing correta. A visão de uma AI de “inteligência geral” que age como um ser sensível com um grande cérebro ainda é uma coisa de ficção científica. De fato, é discutível se poderia existir , como raciocinou eloqüentemente por François Chollet:

Não existe inteligência "geral". Em um nível abstrato, sabemos disso por um fato através do teorema do "sem almoço grátis" – afirmando que nenhum algoritmo de solução de problemas pode superar o acaso aleatório em todos os possíveis problemas. Se a inteligência é um algoritmo de solução de problemas, ela só pode ser entendida em relação a um problema específico. De uma maneira mais concreta, podemos observar isso empiricamente, pois todos os sistemas inteligentes que conhecemos são altamente especializados. A inteligência dos IAs que construímos hoje é hiperespecializada em tarefas extremamente restritas – como jogar Go, ou classificar imagens em 10.000 categorias conhecidas. A inteligência de um polvo é especializada no problema de ser um polvo. A inteligência de um humano é especializada no problema de ser humano ”.

Mas aqui está a ironia: por mais que o hype tenha exagerado o que a IA poderia fazer para o marketing nos próximos 12 a 24 meses, a realidade de como a IA já está trabalhando no marketing hoje é subestimada .

Aplicativos AI

Um dos meus artigos favoritos do ano passado foi o brilhante artigo de 15 Aplicações de Inteligência Artificial em Marketing de Robert Allen, listando um monte de casos em que “AI” já funciona, como mostrado neste gráfico:

15 Aplicações de Inteligência Artificial em Marketing por Robert Allen

A maioria dos casos de uso que ele descreve são alimentados por um dos três tipos de inteligência artificial:

  1. Aprendizado de máquina
  2. Modelagem de propensão
  3. Processamento de linguagem natural (PNL)

Nenhum desses são os tipos de super-máquinas da IA ??que você vê romantizadas nos filmes.

Eles são principalmente algoritmos estatísticos que localizam e combinam padrões e, em seguida, os extrapolam para fazer previsões.

Você sabe, completar automaticamente.

É matemática, não mágica.

Mas isso não é uma batida contra esses aplicativos de IA. Com o volume de dados e a velocidade de processamento atuais, esses algoritmos são altamente eficazes no que fazem. Por exemplo, na pontuação de leads, o aprendizado de máquina e a modelagem de propensão estão superando os humanos e as heurísticas baseadas em regras com bastante regularidade (aqui está um estudo de caso que resultou em um aumento de 27% nas vendas ).

De certa forma, o aprendizado de máquina é simplesmente estatística em velocidade e escala . Mas isso é poderoso. Como Tomasz Tunguz, um capitalista de risco da Redpoint Ventures, escreveu recentemente em um artigo sobre como identificar um mercado de SaaS que o aprendizado de máquina interromperá :

Em geral, as aplicações mais freqüentes de aprendizado de máquina em SaaS hoje são aplicações de eficiência – automatizando os processos de alto volume e reduzindo os custos. Conseqüentemente, se você deseja construir uma empresa de SaaS baseada em aprendizado de máquina, encontre um processo interno realmente caro e automatize-o.

Da mesma forma, o processamento de linguagem natural (NLP) é, sem dúvida, legal – alimenta as interfaces conversacionais de chatbots e assistentes de voz -, mas se tornou tecnologia de software relativamente mundana. Aqui está um ótimo visual de um artigo na Chatbots Magazine que explica a pilha de tecnologia por trás da maioria dos “chatbots da AI” :

Funcionamento interno de um chatbot ilustrado na Revista Chatbots

O componente “processamento de linguagem natural” e a maioria dos algoritmos aplicados na peça “aprendizado de máquina” estão agora à disposição de todos: integrados em plataformas de mensagens, alugáveis ??na nuvem por centavos ou simplesmente disponíveis como kits de ferramentas de código aberto.

Onde as coisas ficam interessantes com os chatbots – sua diferenciação e vantagem competitiva – estão nas partes “ações” e “fontes de informação” da equação. Quais dados e serviços são exclusivos para sua empresa? É aí que a IA brilha.

Isso não pode ser super enfatizado: boa AI depende de bons dados .

Este é o maior desafio individual em aplicações de IA em marketing hoje.

Infelizmente, a qualidade dos dados na maioria dos sistemas de marketing ainda não é muito boa.

Apenas alguns meses atrás, 83% dos profissionais de marketing B2B em um relatório da Demand Gen reclamaram que seus dados são antigos ou desatualizados .

E 71% não têm tempo ou recursos para implementar um processo eficaz para melhorar a qualidade de seus dados – por isso, não está melhorando para eles em breve. Alimentar esses dados ruins em um bom algoritmo de aprendizado de máquina não dará as respostas certas. E sem abrir a caixa preta do algoritmo de aprendizado de máquina, talvez você não tenha nenhuma ideia de que essas respostas estejam erradas. Além dos resultados ruins que você está obtendo com isso.

(É interessante notar que apenas 36% relatam que seus dados estão isolados. Voltando à pesquisa que tenho feito sobre microservices e APIs de marketing, os sistemas de marketing e vendas estão cada vez mais conectados e compartilhando dados. Mas se os dados não forem bom, essa integração fácil é como mandar seu filho para a escola com a gripe – fácil o suficiente para colocar no ônibus, mas infeliz para todos os outros.)

Dados ruins em AI também não são um problema limitado ao marketing.

Na verdade, pode ser útil ler alguns dos mais recentes artigos de especialistas em IA e cientistas de dados sobre as falhas e os riscos de dados ruins – em alguns casos, dados intencionalmente ruins – em todo o campo de forma mais ampla.

O verdadeiro perigo da inteligência artificial – não é o que você acha que é um artigo particularmente bom, embora perturbador, sobre esse assunto. Explica como a IA “pode causar danos ou discriminação” por:

  • Usando dados tendenciosos ou de baixa qualidade para treinar modelos
  • Tendo regras mal definidas
  • Usando fora do contexto
  • Criando loops de feedback

Outro artigo de Rhaul Bhargava, um cientista pesquisador do MIT Media Lab, analisa isso ainda mais com Os Algoritmos não são tendenciosos, nós somos . Ele explica por que, no aprendizado de máquina, “as questões que importam são o que é o livro didático e quem é o professor ” para o aprendizado que a máquina está fazendo.

Um artigo na Scientific American , Como hackear uma máquina inteligente , descreve como os hackers podem intencionalmente usar dados incorretos para “enganar os sistemas inteligentes e fazer gafes burras”. Outro artigo no IEEE Spectrum ilustra como as modificações nas placas de rua podem enganar completamente os algoritmos de aprendizado de máquina – e transformar um panda em um gibão:

Começa-se a perceber que a qualidade dos dados e a segurança dos dados serão desafios interligados para os profissionais de marketing. Não apenas a segurança de dados, no sentido de impedir que maus atores roubem seus dados. Mas também a segurança de dados na prevenção de que os agentes mal-intencionados transmitam dados incorretos aos seus sistemas para conscientemente induzir em erro seus sistemas de marketing de aprendizado de máquina.

É tudo sobre os dados.

Bem, é principalmente sobre os dados. Um outro fator que precisamos ter em mente com o aprendizado de máquina – e francamente, o marketing algorítmico de qualquer tipo – é a velocidade de aceleração exponencial na qual essas funções operam. É alucinante.

Como Alistair Croll escreveu recentemente em It's the Automation , “Nós confundimos IA e automação por nossa conta e risco. O poder da automação não é o algoritmo. É a implacável atenção paralela. Ao falar sobre como um sistema de inteligência artificial aprendeu a vencer um programa popular de software de xadrez em questão de horas – e como – Alistair observa:

Não se surpreenda que uma IA vença o software de xadrez. Surpreenda-se por ter jogado 1.228.800.000 jogos em 4 horas .

Isso muda completamente a velocidade e a escala dos aplicativos de otimização e simulação.

Para um exemplo do mundo real em marketing, considere a MarketBrew , uma plataforma de inteligência artificial para equipes de SEO. Normalmente, os profissionais de SEO fazem alterações em um site e têm que esperar até 60 dias para ver como essas alterações refletem as classificações no Google.

O mecanismo de inteligência de mercado da MarketBrew, no entanto, rastreia a web por conta própria e cria um "Google" paralelo. Ele usa o aprendizado de máquina para desenvolver um modelo bastante preciso de como o Google classifica os sites. Em seguida, ele pode atualizar constantemente esse modelo para refletir as alterações nos algoritmos do Google. Como resultado, um profissional de SEO pode enviar uma proposta de alteração de um site para a MarketBrew, que é capaz de fornecer uma resposta previsível sobre o impacto que terá nos rankings dentro de 90 minutos . Isso é impressionante.

Ainda assim, o modelo não é a realidade. Apenas uma boa aproximação disso.

Em última análise, é por isso que há muita empolgação em torno de parcerias de IA e humanas. Os humanos que trabalham em conjunto com os algoritmos de IA geralmente produzem resultados melhores do que qualquer um por conta própria. Aqui está apenas um exemplo de um relatório da Accenture Fjord Trends 2018 sobre a precisão da detecção de câncer por máquinas, seres humanos ou os dois juntos:

Do relatório Accenture Fjord Trends 2018

Os humanos trazem contexto e “senso comum” que ainda escapam dos algoritmos de aprendizado de máquina. Por outro lado, a IA traz maior precisão matemática e potência computacional exponencial para suportar problemas que nossas próprias mentes podem oferecer.

Juntos, humanos e máquinas são colaboradores poderosos. Uma das maiores interrupções do marketing nos próximos anos será aprender como gerenciar essas colaborações em todo o seu potencial.

Aprendeu alguma coisa? Clique no ? para dizer "obrigado!" E ajude outras pessoas a encontrar este artigo.

Uma versão deste artigo foi publicada originalmente em chiefmartec.com .

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *