Miten koneoppiminen voi toimia tehokkaan markkinoinnin tukena?

Markkinointi - erityisesti digitaalisissa kanavissa - on yksi useimmin käytetyistä käyttökohteista koneoppimiselle. [1] Viime vuosien verkkokauppabuumin seurauksena myös myynti- ja asiakaspalveluratkaisut ovat lisääntyneet merkittävästi.

Tämä on ymmärrettävää, koska koneoppimisen ydintoiminnot - klusterointimallit, ennustemallit ja optimointialgoritmit - soveltuvat hyvin markkinoinnin kannalta keskeisiin tehtäviin. Uusien asiakkaiden löytäminen, tuotteiden ja palveluiden suosittelu ja mainosbudjetin tehokkuuden varmistaminen ovat lähes oppikirjaesimerkkejä koneoppimiseen soveltuvista tehtävistä.

Koneoppimisen käyttö ei silti ole lisääntynyt niin nopeasti kuin voisi kuvitella - tai toivoa. Yli 50% markkinoijista pitää koneoppimista hyvin tärkeänä tai jopa ratkaisevan tärkeänä tekijänä tulevaisuuden menestykselle alalla. Silti lähes kaksi kolmesta markkinoijasta kertoo olevansa vasta selvitysvaiheessa aiheen tiimoilta ja vasta 17% yrityksistä kertoo siirtyneensä pilotointivaiheesta skaalaamiseen. [2]

Miksi käyttöönotto on niin hidasta?

Koneoppiminen tehokkaan markkinoinnin tukena

Tekoälyn käyttöönoton sietämätön epävarmuus

Koneoppimisen käyttöönoton haasteita kartoittavissa selvityksissä korostuvat tyypillisesti kolme tekijää:

  1. Osaamisen puute

Kansainvälisessä kyselytutkimuksessa yli 50% markkinoinnin ammattilaisista sanovat olevansa vasta alkutekijöissään ymmärryksessään koneoppimisesta. Vain noin 30% kokee olevansa ymmärryksessään edes keskitasolla. Ei siis liene yllättävää, että harva markkinoija kokee luontevaksi itse kokeilla tekoälyä, kun omaa ymmärrystä aiheesta ei koeta riittäväksi.

Jos on epävarma omasta osaamisestaan, myös uusien osaajien löytäminen on vaikeaa. Osaamisen varmistaminen on hankalaa. Lisäksi kovan luokan datatieteilijöitä on kysyntään nähden vielä vähän. Vaikka koneoppiminen ei enää ole suurta salatiedettä, sen koetaan silti edellyttävän erikoistunutta osaamista, jota ei ole helposti saatavilla.

  1. Luotettavan datan puute

Luotettavan datan puuttuminen on markkinoinnissa tyypillinen ongelma, johon nivoutuu sarja ongelmakohtia. Evästeisiin perustuvan mittauksen epävarmuudet aiheuttavat ongelmia jopa hyvin toteutetuissa verkkoanalytiikkaratkaisuissa.

Markkinointityökalut ovat monimuotoisia ja niiden yhteensovittaminen aiheuttaa kitkaa sekä datan saatavuuden että sen luotettavuuden kanssa. Lisäksi suurimmat pelurit, Google ja Facebook, eivät jaa mainosalustoiltaan koneoppimisen kannalta olennaista raakadataa.

  1. Epävarmuus kannattavuudesta

Kolmantena suurena haasteena koneoppimisen kehittämisessä markkinointikentällä on hankkeiden kannattavuuslaskelmien tekeminen. Tämä on merkittävä ongelma, koska koneoppimista edellyttävät kysymykset ovat harvoin niin yksinkertaisia, että niiden ratkaisuista voi olla varma ennen kuin on kokeiltu.

Tätä ongelmaa on entisestään vaikeuttanut se, että koneoppimisratkaisuja on lähestytty melko suurten hankkeiden ja investointien kautta. Yritykset ovat joutuneet ottamaan merkittäviä riskejä laittaessaan rahansa kiinni suuriin teknologiahankkeisiin. Suuremmat investoinnit edellyttävät luotettavampaa ennakkoarviota tuloksista, eikä liian suuria riskejä haluta ottaa.

Miten vauhdittaa koneoppimiskehitystä?

Meidän lamialaisten mielestä koneoppimista tulee systemaattisesti demystifioida. Vaikka sen taustalla on monimutkaistakin matematiikkaa, koneoppimista voi hyödyntää ymmärtämättä sen kaikkia nyansseja. Helpoin tapa tuoda koneoppiminen markkinoijien ulottuville on lähteä liikkeelle kevyistä kokeiluista, joiden avulla rakennetaan itsevarmuutta ja aihepiirin ymmärrystä. Paras tapa päästä liikkeelle on aloittaa kevyillä kokeiluilla ja suunnata vähitellen kohti monimutkaisempia käyttötarkoituksia.

Tulemme vuoden 2022 aikana julkaisemaan Lamian blogissa sarjan esimerkkejä koneoppimisratkaisuista, joiden avulla markkinointia voidaan tehostaa. Tarkempia esimerkkejä odottaessa, tässä muutama yleinen periaate, jotka yrityksesi kannattaa huomioida, kun haluatte ottaa koneoppimiskentän haltuun:

  1. Verkkoanalytiikan tietorakenteet

Koneoppimisratkaisuiden kokeileminen verkkoliiketoiminnassa edellyttää analytiikkadataa, joka on yhdistettävissä yksittäiseen selaimeen (client) tai käyttäjään (user).

Google Analytics 4:ssa, Adobe Analyticsissa sekä joissain vähemmän käytetyissä analytiikkatyökaluissa tämä on mahdollista normaalien toiminnallisuuksien puitteissa. Googlen Universal Analytics kerää tämän datan, mutta ei anna sitä käytettäväksi käyttöliittymän kautta. Tämä tieto on hyödynnettävissä ainoastaan rajapintahauilla, mikä edellyttää ainakin jonkin verran teknistä osaamista.

Jos haluat päästä koneoppimisen kanssa liikkeelle kevyesti ilman erikoistunutta ohjelmointiosaamista, varmista että saat analytiikastasi dataa yksittäisen vuorovaikutuksen tasolla. Helposti hyödynnettävän datan saatavuus madaltaa sekä kynnystä että kustannusta kokeilla koneoppimista verkkosivustollasi.

  1. Verkkoanalytiikan ja asiakasdatan yhdistettävyys

Verkkoanalytiikkadatan yksi piirre on sen epävarmuus asiakkaista tiedettävien asioiden osalta. Analytiikkapalvelut antavat tietoa käyttäjien demografisista piirteistä, kiinnostuksen kohteista ja käytöksestä sivustolla. Tämä koneoppimisen kannalta mielenkiintoinen tieto on kuitenkin yleensä käytettävissä ainoastaan yleisellä tasolla, koska analytiikkajärjestelmien tarjoajilla ei ole oikeutta paljastaa tätä tietoa yksilötasolla.

Tätä ongelmaa voidaan kuitenkin joiltain osin kiertää varmistamalla, että analytiikkadata ja asiakasdata on yhdistettävissä toisiinsa. Yritysten tieto omista asiakkaistaan sisältää monesti samanlaista dataa demografioista ja kiinnostuksen kohteista.

Yhdistämällä tämä data verkkosivuston käytösdataan voidaan rakentaa malleja, joilla päätellään kiinnostuksen kohteita myös sivuston niiden käyttäjien osalta, joista sitä ei entuudestaan tiedetä. Lisäksi voidaan luoda malleja, joilla ensimmäistä kertaa vierailevista käyttäjistä yritetään päätellä asioita pelkän verkkoanalytiikkadatan perusteella.

  1. Koneoppimisratkaisuja voidaan testata kevyesti siinä missä mitä tahansa muutakin

Vaikka koneoppiminen edellyttää jonkin verran erikoisosaamista, ei siihen enää vuonna 2022 tarvitse suhtautua monivuotisena hankkeena, jonka kannattavuus selviää vasta pitkällä aikavälillä. Koneoppimisratkaisuja voidaan - ja niitä tuleekin - kokeilla ja validoida pienemmässä mittakaavassa ennen varsinaisen investointipäätöksen tekemistä.

Mikäli olemassa oleva datarakenne sallii mallien rakentamisen, mallien tuotokset voidaan helposti ottaa käyttöön verkkosivustolla tai mainosalustalla ajettaviin kokeiluihin. Koeasetelman luominenkaan ei ole yhtä korkean kynnyksen takana, kuin se olisi ollut vielä pari vuotta sitten.

  1. Kevyetkin koneoppimiskokeilut auttavat eteenpäin

Vaikka ensimmäiset koneoppimiskokeilut eivät toisi tajunnan räjäyttävää kasvua yrityksen myynnissä, ne ovat todennäköisesti silti kannattavia, koska ne edistävät ymmärrystäsi koneoppimisen toimintaperiaatteista. Ei ole mitään parempaa keinoa ymmärtää koneoppimisen periaatteita kuin kokeilla käytännössä, miten sitä voidaan hyödyntää omalla toimialalla.

Toteuttamalla kevyitä koneoppimiskokeiluja, saadaan organisaatioon oppia tärkeästä tulevaisuuden työkalusta, vaikka ensimmäiset kokeilut eivät toisikaan merkittävää kasvua. Jos kokeilu on toteutettu riittävän kevyesti, tulee tämä oppi pidemmän päälle maksamaan takaisin sen pienehkön sijoituksen, jota testaaminen edellyttää .

Kokeilut tarjoavat myös arvokasta tietoa niistä asioista, jotka eivät pidemmällä tähtäimellä toimi, ja auttavat yritystäsi profiloitumaan edelläkävijäksi ja kasvamaan omien tavoitteidesi voittajaksi. Tämä prosessi kuuluu oppimiseen, ja tulee jokaisen kohdalle ennemmin tai myöhemmin.

  1. Pelkkä kevyt kokeileminen ei riitä

Vaikka peräänkuulutammekin, että koneoppimisen hyödyntämisen ei aina tarvitse olla raskas projekti, emme suinkaan väitä kevyiden kokeiluratkaisuiden riittävän pitkässä juoksussa.

Kokeilukulttuurin paras puoli on sen kyky välttää hukkainvestoinnit ratkaisuihin, jotka eivät lopulta tuotakaan liiketoiminnallista lisäarvoa. Sen suurin heikkous on nopeiden toteutusten skaalautuvuuden puute.

Samoin kuin A/B-testejä ei ole tarkoitus sellaisenaan jättää käyttöön verkkosivustolle testin jälkeen, myöskään koneoppimisratkaisuissa ei kannata jättää nopean kokeilun ratkaisua käyttöön sellaisenaan. Luotettavamman käyttöönoton kustannus on myös syytä huomioida alusta asti kokeiluja suunniteltaessa.

Koneoppimista käytännössä -sarja

Tämän kirjoituksen ei ole tarkoitus olla viimeinen sana aiheeseen liittyen. Tarkoituksemme on nostaa esille konkreettisia esimerkkejä ratkaisuista, joiden avulla koneoppimista voidaan kokeilla digimarkkinoinnissa ilman suuria investointeja. Lamialla on jo mielessä tästä esimerkkejä, mutta kuulemme myös mielellämme teidän näkemyksiänne - mihin pulmaan sinä haluaisit kokeilla koneoppimisen käyttöä? Ota rohkeasti yhteyttä minuun, niin jutellaan!