Machine Learning – เราได้เข้าสู่ยุคที่นักการตลาดถูกโจมตีด้วยข้อมูลจำนวนมากเกี่ยวกับความชอบของผู้บริโภค ตามทฤษฎีแล้ว ข้อมูลทั้งหมดนี้ควรทำให้การจัดกลุ่มผู้ใช้และสร้างเนื้อหาที่เกี่ยวข้องได้ง่ายขึ้น แต่ก็ไม่เสมอไป โดยทั่วไป ยิ่งเพิ่มข้อมูลลงในเวิร์กโฟลว์ของนักการตลาดมากเท่าใด เวลาที่ต้องใช้ในการทำความเข้าใจข้อมูลและดำเนินการก็จะยิ่งมากขึ้นเท่านั้น

การเรียนรู้ของเครื่องเป็นส่วนย่อยของปัญญาประดิษฐ์ เทคโนโลยีนี้ช่วยให้คอมพิวเตอร์มีความสามารถในการวิเคราะห์และตีความข้อมูลเพื่อเสนอการคาดการณ์ที่แม่นยำโดยไม่จำเป็นต้องตั้งโปรแกรมที่ชัดเจน เมื่อป้อนข้อมูลเข้าไปในอัลกอริทึมมากขึ้น อัลกอริทึมจะเรียนรู้ในทางทฤษฎีมากขึ้นเพื่อให้มีความแม่นยำและทำงานได้ดีขึ้น

กล่าวคือ แมชชีนเลิร์นนิง (ML) เป็นปัญญาประดิษฐ์ (AI) ประเภทหนึ่ง ที่ช่วยให้แอปพลิเคชันซอฟต์แวร์มีความแม่นยำมากขึ้นในการทำนายผลลัพธ์โดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจนให้ทำเช่นนั้น อัลกอริทึมการเรียนรู้ของเครื่องใช้ข้อมูลประวัติเป็นอินพุตเพื่อทำนายค่าเอาต์พุตใหม่ เครื่องมือแนะนำเป็นกรณีการใช้งานทั่วไปสำหรับแมชชีนเลิร์นนิง การใช้งานยอดนิยมอื่น ๆ ได้แก่ การตรวจจับการฉ้อโกง การกรองสแปม การตรวจจับภัยคุกคามจากมัลแวร์ กระบวนการทางธุรกิจอัตโนมัติ (BPA) และการบำรุงรักษาเชิงคาดการณ์

เหตุใดแมชชีนเลิร์นนิงจึงสำคัญ

แมชชีนเลิร์นนิงมีความสำคัญเนื่องจากช่วยให้องค์กรมองเห็นแนวโน้มพฤติกรรมของลูกค้าและรูปแบบการดำเนินธุรกิจ ตลอดจนสนับสนุนการพัฒนาผลิตภัณฑ์ใหม่ บริษัทชั้นนำหลายแห่งในปัจจุบัน เช่น Facebook, Google และ Uber ต่างให้แมชชีนเลิร์นนิงเป็นส่วนสำคัญในการปฏิบัติงาน แมชชีนเลิร์นนิงได้กลายเป็นตัวสร้างความแตกต่างในการแข่งขันที่สำคัญสำหรับหลายบริษัท

แมชชีนเลิร์นนิงมีกี่ประเภท

การเรียนรู้ของเครื่องแบบคลาสสิกมักจัดหมวดหมู่ตามวิธีที่อัลกอริทึมเรียนรู้เพื่อให้แม่นยำยิ่งขึ้นในการคาดคะเนมี 4 พื้นฐาน ได้แก่ 

• การเรียนรู้แบบมีผู้สอน
• การเรียนรู้แบบไม่มีผู้สอน
• การเรียนรู้แบบกึ่งมีผู้สอน
• การเรียนรู้แบบเสริมแรง

ประเภทของอัลกอริทึมที่นักวิทยาศาสตร์ข้อมูลเลือกใช้ขึ้นอยู่กับประเภทของข้อมูลที่พวกเขาต้องการทำนาย

1. การเรียนรู้ภายใต้การดูแล ในการเรียนรู้ของเครื่องประเภทนี้ นักวิทยาศาสตร์ข้อมูลจัดหาอัลกอริทึมพร้อมข้อมูลการฝึกอบรมที่มีป้ายกำกับและกำหนดตัวแปรที่พวกเขาต้องการให้อัลกอริทึมประเมินความสัมพันธ์ มีการระบุทั้งอินพุตและเอาต์พุตของอัลกอริทึม

2. การเรียนรู้แบบไม่มีผู้ดูแล  การเรียนรู้ของเครื่องประเภทนี้เกี่ยวข้องกับอัลกอริทึมที่ฝึกฝนข้อมูลที่ไม่มีป้ายกำกับ อัลกอริทึมจะสแกนชุดข้อมูลเพื่อค้นหาการเชื่อมต่อที่มีความหมาย ข้อมูลที่อัลกอริทึมฝึกฝนตลอดจนการคาดคะเนหรือคำแนะนำที่ส่งออกนั้นถูกกำหนดไว้แล้ว

3. การเรียนรู้แบบกึ่งควบคุม แนวทางการเรียนรู้ของเครื่องนี้เกี่ยวข้องกับการผสมผสานระหว่างสองประเภทก่อนหน้านี้ นักวิทยาศาสตร์ด้านข้อมูลอาจป้อนอัลกอริทึมซึ่งส่วนใหญ่ระบุว่าเป็นข้อมูลการฝึกอบรม แต่โมเดลมีอิสระในการสำรวจข้อมูลด้วยตัวเองและพัฒนาความเข้าใจชุดข้อมูลของตนเอง

4. การเรียนรู้แบบเสริมแรง นักวิทยาศาสตร์ข้อมูลมักจะใช้การเรียนรู้แบบเสริมแรงเพื่อสอนเครื่องจักรให้ทำกระบวนการหลายขั้นตอนซึ่งมีกฎกำหนดไว้อย่างชัดเจน นักวิทยาศาสตร์ด้านข้อมูลตั้งโปรแกรมอัลกอริทึมเพื่อทำงานให้เสร็จและให้สัญญาณบวกหรือลบในขณะที่ทำงานให้เสร็จ แต่โดยส่วนใหญ่แล้ว อัลกอริทึมจะตัดสินใจเองว่าจะดำเนินการตามขั้นตอนใดบ้าง

ใครใช้แมชชีนเลิร์นนิง และใช้ทำอะไร

ทุกวันนี้ การเรียนรู้ของเครื่องถูกนำมาใช้ในแอปพลิเคชันที่หลากหลาย บางทีหนึ่งในตัวอย่างที่เป็นที่รู้จักมากที่สุดของการเรียนรู้ด้วยเครื่องในการดำเนินการคือเครื่องมือแนะนำที่ขับเคลื่อนฟีดข่าวของ Facebook

Facebook ใช้แมชชีนเลิร์นนิงเพื่อปรับแต่งวิธีการส่งฟีดของสมาชิกแต่ละคน หากสมาชิกหยุดอ่านโพสต์ของกลุ่มใดกลุ่มหนึ่งบ่อย ๆ เครื่องมือแนะนำจะเริ่มแสดงกิจกรรมของกลุ่มนั้นมากขึ้นก่อนหน้านี้ในฟีด เบื้องหลัง กลไกพยายามเสริมรูปแบบที่ทราบในพฤติกรรมออนไลน์ของสมาชิก หากสมาชิกเปลี่ยนรูปแบบและไม่สามารถอ่านโพสต์จากกลุ่มนั้นในอีกไม่กี่สัปดาห์ข้างหน้า ฟีดข่าวจะปรับตามนั้น นอกจากเครื่องมือแนะนำแล้ว การใช้งานอื่น ๆ สำหรับแมชชีนเลิร์นนิงยังรวมถึงสิ่งต่อไปนี้:

1. การจัดการลูกค้าสัมพันธ์ ซอฟต์แวร์ CRM สามารถใช้โมเดลแมชชีนเลิร์นนิงเพื่อวิเคราะห์อีเมลและแจ้งให้สมาชิกในทีมขายตอบกลับข้อความที่สำคัญที่สุดก่อน ระบบขั้นสูงสามารถแนะนำการตอบสนองที่อาจมีประสิทธิภาพได้

2. ระบบธุรกิจอัจฉริยะ ผู้ให้บริการ BI และการวิเคราะห์ใช้การเรียนรู้ของเครื่องในซอฟต์แวร์ของตนเพื่อระบุจุดข้อมูลที่อาจมีความสำคัญ รูปแบบของจุดข้อมูล และความผิดปกติ

3. ระบบสารสนเทศทรัพยากรบุคคล ระบบ HRIS สามารถใช้โมเดลแมชชีนเลิร์นนิงเพื่อกรองใบสมัครและระบุผู้สมัครที่ดีที่สุดสำหรับตำแหน่งที่เปิดรับ

4. รถยนต์ขับเคลื่อนด้วยตนเอง อัลกอริธึมการเรียนรู้ของเครื่องยังทำให้รถยนต์กึ่งอัตโนมัติสามารถจดจำวัตถุที่มองเห็นได้บางส่วนและทำการแจ้งเตือนผู้ขับขี่

5. ผู้ช่วยเสมือนจริง ผู้ช่วยอัจฉริยะมักจะรวมโมเดลการเรียนรู้ของเครื่องภายใต้การดูแลและไม่ได้รับการดูแลเพื่อตีความคำพูดที่เป็นธรรมชาติและบริบทของการจัดหา หากนักการตลาดคาดหวังที่จะสร้างแคมเปญที่มีความหมายมากขึ้นกับกลุ่มเป้าหมายและเพิ่มการมีส่วนร่วม การผสานรวมการเรียนรู้ของเครื่องสามารถเป็นเครื่องมือในการเปิดเผยรูปแบบที่ซ่อนอยู่และกลยุทธ์ที่นำไปใช้ได้จริงซึ่งซ่อนอยู่ในข้อมูลขนาดใหญ่จำนวนมหาศาลเหล่านั้น

ต่อไปนี้เป็น ตัวอย่างวิธีที่แบรนด์ต่าง ๆ ใช้แมชชีนเลิร์นนิงเพื่อกระตุ้นแคมเปญของตน

การเปิดเผยแนวโน้ม

ในปี 2560 Ben & Jerry’s ยักษ์ใหญ่ด้านไอศกรีมได้เปิดตัวไอศกรีมรสอาหารเช้าหลากหลายประเภท ได้แก่ Fruit Loot, Frozen Flakes และ Cocoa Loco โดยใช้ “นมธัญพืช” บรรทัดใหม่เป็นผลมาจากการใช้แมชชีนเลิร์นนิงเพื่อขุดข้อมูลที่ไม่มีโครงสร้าง บริษัทค้นพบว่าปัญญาประดิษฐ์และการเรียนรู้ของเครื่องช่วยให้แผนกข้อมูลเชิงลึกสามารถรับฟังสิ่งที่กำลังพูดถึงในแวดวงสาธารณะได้ ตัวอย่างเช่น เพลงอย่างน้อย 50 เพลงที่เป็นสาธารณสมบัติได้กล่าวถึง “ไอศกรีมสำหรับอาหารเช้า” ณ จุดหนึ่ง และการค้นพบความนิยมของวลีนี้ในแพลตฟอร์มต่าง ๆ เผยให้เห็นว่าแมชชีนเลิร์นนิงสามารถค้นพบแนวโน้มที่เกิดขึ้นใหม่ได้อย่างไร แมชชีนเลิร์นนิงสามารถถอดรหัสการสนทนาทางสังคมและวัฒนธรรมเพื่อสร้างแรงบันดาลใจให้กับแนวคิดเกี่ยวกับผลิตภัณฑ์และเนื้อหาใหม่ ๆ ที่ตอบสนองความต้องการของผู้บริโภคได้โดยตรง

กำหนดเป้าหมายผู้มีอิทธิพลที่เหมาะสม

Ben & Jerry’s ไม่ใช่แบรนด์เดียวที่ใช้ประโยชน์จากพลังของแมชชีนเลิร์นนิง Mazda แบรนด์รถยนต์สัญชาติญี่ปุ่นจ้าง IBM Watson เพื่อเลือกผู้มีอิทธิพลที่จะทำงานด้วยสำหรับการเปิดตัว CX-5 ใหม่ ที่งานเทศกาล SXSW 2017 ในเมืองออสติน รัฐเท็กซัส ค้นหาตัวบ่งชี้ต่าง ๆ บนโซเชียลมีเดียที่สอดคล้องกับคุณค่าของแบรนด์ เช่น ความสนใจด้านศิลปะ ความแปลกใหม่ และความตื่นเต้น เครื่องมือแมชชีนเลิร์นนิงจะแนะนำผู้มีอิทธิพลที่จะเชื่อมต่อกับแฟน ๆ เทศกาลได้ดีที่สุด หลังจากนั้นแบรนด์แอมบาสเดอร์เหล่านั้นก็ขี่รถไปทั่วเมืองและโพสต์เกี่ยวกับประสบการณ์ของพวกเขาบน Instagram, Twitter และ Facebook แคมเปญที่ตรงเป้าหมาย #MazdaSXSW ผสมผสานปัญญาประดิษฐ์เข้ากับการตลาดแบบอินฟลูเอนเซอร์เพื่อเข้าถึงและมีส่วนร่วมกับผู้ชมเฉพาะกลุ่ม ตลอดจนส่งเสริมความน่าเชื่อถือของแบรนด์

การวิเคราะห์แคมเปญ

แน่นอน แม้ว่าตัวอย่างด้านบนจะแสดงให้เห็นว่าแมชชีนเลิร์นนิงเข้าถึงฐานลูกค้าของแบรนด์ได้อย่างมีประสิทธิภาพมากขึ้น แต่สิ่งสำคัญคือต้องไม่มองข้ามประสิทธิภาพด้านต้นทุนที่แท้จริงของแคมเปญการตลาดอัจฉริยะดังกล่าว ในช่วงไม่กี่ปีที่ผ่านมา Sephora ยักษ์ใหญ่ร้านค้าปลีกเครื่องสำอางได้นำเสนอกลยุทธ์การตลาดผ่านอีเมลที่น่าเกรงขาม โดยใช้การสร้างแบบจำลองเชิงคาดการณ์เพื่อ “ส่งกระแสข้อมูลอีเมลที่กำหนดเองพร้อมคำแนะนำผลิตภัณฑ์ตามรูปแบบการซื้อจาก “วงใน [ของผู้บริโภคที่ภักดี]” คือกระบวนการสร้าง ทดสอบ และตรวจสอบความถูกต้องของโมเดลเพื่อทำนายความเป็นไปได้ของผลลัพธ์ที่ดีที่สุด กลวิธีที่เน้นข้อมูลเป็นศูนย์กลางทำให้ Sephora มีประสิทธิภาพการทำงานเพิ่มขึ้น 70 เปอร์เซ็นต์ รวมถึงลดเวลาในการวิเคราะห์แคมเปญถึง 5 เท่า ควบคู่ไปกับการเพิ่มขึ้นที่ไม่สามารถวัดผลได้ ในการใช้จ่าย