Ogni interazione online genera una mole di dati rilevante, che continua a crescere in volume a ritmo sostenuto. Smart object, sensori connessi e processi digitalizzati contribuiscono a questa raccolta dati, estendendone i confini dal virtuale alla realtà quotidiana. Dietro questa impressionante quantità di dati si celano informazioni vitali per la business intelligence di aziende di ogni dimensione. Raccogliere dati ed estrarre queste informazioni rappresenta la sfida di questo decennio e l’intelligenza artificiale è lo strumento principale per vincere la battaglia grazie all’Ad tech.
Ad tech, come ottenere valore dai dati
Ad tech sta per advertising technology, ovvero la tecnologia utilizzata per fare pubblicità.
Per ottenere valore di business dai dati, l’AI ha il compito di:
- classificarli;
- renderli omogenei;
- identificare pattern e schemi;
- calcolare indicazioni predittive.
I modelli generati in autonomia dalle macchine non hanno l’obiettivo di sostituire l’intervento umano, ma quello di semplificare i processi e standardizzare le fasi di commercializzazione e promozione. Le AI si evolvono puntando all’accuratezza in primis, ma anche alla “spiegabilità” dei risultati: ogni informazione ottenuta dev’essere tracciabile, così da capire dove intervenire per migliorare i risultati.
I pattern identificati e le indicazioni predittive basate sui dati influenzano non solo il modo di promuovere il prodotto/servizio, ma anche il design dello stesso. Il mercato richiede un processo data-driven che copra l’intero ciclo creativo, dall’idea originale alla progettazione delle campagne pubblicitarie.
AI per gli insights
Indagini e analisi statistiche sono state per decenni lo strumento ideale per sondare le opinioni degli utenti e dei consumatori. Con questi metodi, però, risulta difficile pervenire a un’immagine accurata della platea per via del bias intrinseco introdotto dai sondaggi. L’utilizzo dell’intelligenza artificiale per analizzare le abitudini e le conversazioni degli utenti annulla questo bias e consente di elaborare previsioni particolarmente accurate.
Le reti neurali per il pattern recognition riescono a individuare schemi in flussi di dati di grandi dimensioni. Con questi strumenti a disposizione è possibile analizzare i comportamenti dei consumatori, interpolando le informazioni relative ai loro contatti con altri consumatori, con quelle che sono frutto delle interazioni con gli strumenti del web. L’AI è così in grado di dare forma a modelli accurati che anticipano bisogni, interessi e trend per il futuro.
AI per la classificazione del pubblico
Le interazioni online tra persone sono regolate da meccanismi per certi versi affini a quelli delle interazioni offline. Lo scenario è invece profondamente differente, e questo rende complessa la classificazione delle “Online audience personas”.
Questa categoria di interazioni genera una quantità di dati elevatissima, proveniente da piattaforme non omogenee. Questi due ostacoli alla corretta classificazione del target sono sfide ideali per l’intelligenza artificiale. Molte interazioni online sono pubbliche e facilmente accessibili, di conseguenza creare grandi dataset da utilizzare come riferimento per il training dei modelli non è particolarmente complesso. Partendo da queste basi dati si possono combinare strumenti di analisi semantica con strumenti statistici e reti neurali, per ottenere archetipi delle classi di Social Media Behaviours. Una corretta classificazione del pubblico tramite AI massimizza l’efficacia degli investimenti online; il messaggio sarà veicolato direttamente a chi è in target per il prodotto/servizio.
AI per la lead generation
Il processo di lead generation, che porta a un primo contatto con un potenziale cliente, diventa sempre più complesso. Dopo un periodo di attenzione verso la “quantità” in ambito di generazione lead, adesso il focus è interamente orientato verso la “qualità”. Il processo oggi è completamente data-driven e prevede una prima fase di comunicazione in target e una seconda fase di raccolta dati attraverso appositi sensori installati su siti web e landing pages.
In entrambe le fasi si ottengono risultati eccellenti lasciando il compito dell’analisi dei dati ad AI appositamente addestrate. Nella fase di comunicazione si utilizzano tool per il social listening e la sentiment analysis, strumenti in grado di generare strategie efficaci per portare la discussione in trend nella nicchia di appartenenza del servizio/prodotto. Nella fase di raccolta dati, invece, si procede a una pre-valutazione delle lead prima ancora che un addetto alle vendite proceda con il primo contatto. Queste informazioni rendono il processo di lead generation molto più snello ed efficace, semplificando il lavoro degli operatori umani e velocizzando le fasi che culminano nella vendita.
AI per monitorare i risultati
I budget investiti in campagne digitali, nell’Ad tech, e iniziative promozionali sono sotto la lente d’ingrandimento del management, con l’obiettivo naturale di ottimizzare i costi massimizzando i benefici di ogni progetto. Gli analytics si prestano però a diverse interpretazioni, rendendo complesso il compito di individuare pregi e falle di una strategia.
Esistono vari approcci per la risoluzione dei problemi di monitoring con gli strumenti messi a disposizione dall’AI. Alcune soluzioni prevedono l’uso di reti neurali profonde che assegnino un “peso” ai nessi tra i dati, evidenziando eventuali pattern e correlazioni. Altri strumenti di classificazione e di regressione sono invece utili a creare modelli predittivi basati sui risultati già ottenuti.
Il monitoring delle campagne promozionali richiede che i risultati delle analisi siano tracciabili e spiegabili. Per questa ragione, un approccio all’AI come black box non è particolarmente efficace. Piuttosto, in questo caso, lo scopo degli algoritmi sarà quello di sviluppare una Augmented Intelligence, ovvero dare agli analisti tutti gli strumenti per capire il significato intrinseco dei dati senza possibilità di misinterpretation.
Conclusioni
Reti neurali e altri algoritmi per l’intelligenza artificiale hanno il potenziale di trasformare i dati in informazioni. Schemi, pattern e previsioni che sarebbero impossibili da individuare per un analista umano, si trasformano in business intelligence, canalizzando le analisi in un unico flusso operativo per l’ottimizzazione dei processi relativi al prodotto: dal suo design, alla vendita, passando per le attività di marketing. In questo modo l’intelligenza artificiale entra di prepotenza nell’Ad tech potenziando le strategie di marketing.
