שוב ושוב מפליאה אותי, כמות המידע האיכותי שניתן להשיג בביזנס אינסיידר, עובדה שמשמחת אותי שכן המנוי שלי בפועל נושא פירות משמעותיים עבורי. הפעם, אני רוצה לחשוף אתכם למחקר ארוך אשר מסתמך על דטה שמגיעה מחטיבת המחקר של יבמ העולמית- ועברה עיבוד עם מסקנות ברורות על ידי הביזנס אינסיידר. ואם הם חתכו את הנושא דק דק, אני עוד אעשה עליו מניפולציה נוספת- ואדאג לעַבְרֵת לכם את הנושא וגם להוסיף מסקנות משלי. נושא המחקר סובב סביב חלון ההזדמנויות החדש שהסושייל מדיה מביאה איתה בכל הקשור לתבונה מלאכותית, לביג דטה ולשיווק מבוסס חיזוי Predictive Marketing. כמו כן נחקר ערכה של ההכרות לעומק של הגולשים והתוכן שהם משתפים. כל זאת מתוך ההבנה שאנשים משתפים ברשתות החברתיות המון מידע על עצמם, ושאת הדטה הזו ניתן לנתח ולהפוך לשמישה בידיים של החברות.
ממחקר אותו ערכה יבמ- עולה כי 71 אחוז מכלל אנשי השיווק אותם סקרה החברה בכל רחבי העולם, אמרו כי הארגון שלהם עדיין אינו מוכן להתמודד עם הרעיון של עולם הביג דטה וההזדמנויות שהוא טומן בחובו. אך בכל זאת- הם הציבו את הנושא במקום מרכזי ומשמעותי בין האתגרים המחכים לפיצוח, כי הם מוכנים להכיר במשמעות הכלכלית לגבי הבניפיט שזה יכול להביא אל העסק. למי שרוצה לקרוא את המחקר המקורי של יבמ, רצ”ב- Link. כל הדטה וכל המספרים מראים כי עד שנת 2015 יהיו יותר מ5,300 Exabyte דטה של לקוחות אשר מאוכסנים בדטה בייס שונים. וחשוב לציין שחלק גדול מהתוצאה הזאת יושפע מהאינפורמציה שאנשים משתפים ברשתות החברתיות. רק בכדֵי לסבר את האוזן ועל מנת שתבינו את משמעות המספרים ואת הקורלציה שלהם עם הרשתות החברתיות. Exabyte אחד שווה למיליון terabytes, ופייסבוק מצליחה לייצר לדטה בייס שלה סדר גודל של 500 טרה בייט של דטה בכל יום נתון. פייסבוק “מעכלת” פי 500 יותר דטה מאשר הדטה שעוברת בבורסת ניו יורק ! Twitter מאחסנת פי 12 דטה יותר בכל יום מאשר אותה בורסה בניו יורק.
הרעיון הבסיסי של הדטה- מהרשתות החברתיות הוא הגדרתה כמערכת חסרת מבנה Unstructured– הדטה היא למעשה לא מובנית, היא נוצרת באופן ספונטאני ולא קל לתפוס את המשמעות שלה ולארגן אותה בשיטות מיון, או להבין לאיזה הקשר היא יכולה להועיל. מאידך, הדטה “הרשמית”, שהיא-Structured, היא דטה שניתן להבין ממנה הרבה מאוד דברים ברורים, כגון שמו של הלקוח, מקום מגוריו ועוד. דטה שאינה מובנֵית דורשת עיבוד ואימוץ שלל כלים שעוזרים להבין מתוכה את ההקשרים הבולטים שיכולים להועיל לעסק.
המחקר גם מתייחס אל נושא התבונה המלאכותית– Machine learning – artificial intelligence, המחקר מראה כי מחשבים ומערכות דיגיטליות יכולים כיום להיות מתוכנתים לכך שהם מחקים את התבונה של האדם- והם עוזרים לאנשי שיווק ואנשי פרסום להוציא אינסייטים מהרבה מאוד אינפורמציה של דטה לא מובנת, אשר נאספת מהרשתות החברתיות. אותן מכונות למעשה יכולות לחלץ מתוך ה”רעש” הגדול של המידע המיותר מבחר נתונים רלוונטיים ותובנות ענייניות, ממש כפי שיד אדם הייתה עוברת עליו ומוציאה ממנו מסקנות תבוניות. רק בהבדל גדול (ואירונית- לטובת המכונה…) בגלל המספרים הגדולים של הדטה אותם הצגתי קודם, יש צורך במכונות שיודעות להתחקות אחרי המידע ולמעשה לחלץ מכמות עצומה של דטה מבחר תובנות ממוקדות.
אחת הנקודות המשמעותיות ביותר, הינה האפשרות של אנשי שיווק לעשות טרגוט מבוסס קהלים, וכך לקיים הלכה למעשה מערכת יחסים פרסונאלית מבוססת הכרות אמיתית עם הגולשים. אלו הן רק חלק מהתועלות שהדטה מביאה איתה, אחת התועלות הנוספות הינה חיזוי שיווקי שלמעשה מאפשר לעסקים להשתמש בדטה, לנתח אותה ולהבין מה הגולשים ירצו לעשות בהמשך. זהו בנפיט ענק שמאפשר לחברות לכרות את המידע בצורה חכמה הרבה יותר, משמע- להוציא פחות ולדייק יותר. מומחים בתעשייה טוענים כי הביג דטה יהפוך לאחד מכלי השיווק המשמעותיים ביותר בשנים הקרובות בשל היכולות הללו בתחומי הדיוק.
BI Intelligence
אם מסתכלים על מקורות דטה שונים, אשר נאספים על ידי הרשתות החברתיות הגדולות, ניתן לראות הבדלים מובהקים בין מאגרים שונים של הדטה. האנליסטים של ה-BI מחדדים את הקביעה שאנשי שיווק חייבים לעמוד על ההבדלים הללו כדי לנסח בצורה מדויקת יותר את הבנפיט של כל פלטפורמה, באופן ישיר שיתלבש יפה על האסטרטגיה של החברה. חשוב להבין כי ההזדמנות הגדולה באמת להפיק דטה יעילה מהסושייל מדיה נמצאת בדיוק באותם מקומות שמאפשרות הטכנולוגיות-לניצול התבונה המלאכותית ולניתוח תמונה. תכונות טכנולוגיות אלו מסוגלות לשנות במהירות את הדרך בה אנחנו יכולים “לכרות” מתוך משאבי הסושייל מדיה עם הביג דטה שהיא מייצרת כדי להוציא ממנה אינסייטים משמעותיים עבור אנשי שיווק. כבר עכשיו פוגשים חברות שמתחילות לגבש תפקידים שמסוגלים להתמודד עם המשימה ולנתב את ההזדמנות במטרה לחלץ מידע מטורגט ומובנה על גולשים, ומשם ליזום פעולות שמעולם לא היו בהישג יד בעבר כמו החיזוי השיווקי. חלק מהדברים שמתפתחים בתחום ניתן למצוא בדוגמאות הבאות :
– לאחרונה Facebook השיקה מעבדה חדשה לגמרי שכל תפקידה הוא ללמוד את העולם של AI.
– גוגל רכשה את DeepMind, חברה שבונה אלגוריתמים שלומדים את הנתונים המתקבלים מאתרי קומרס, מסימולציות, משחקים ועוד- בעד סכום שעומד על 400 מיליון דולר. העובדים של החברה נחשבים לטאלנטים הגדולים ביותר בעולם בתחום הAI.
– לינקדאין רכשה את Bright, חברה שכל הפוקוס שלה מופנה לדטה, בפיתוח היכולת ללמוד מתוך אלגוריתמים שהיא בונה את ההקשרים המיטביים בין היצע העבודות לבין מחפשי עבודה. מחיר הרכישה עמד על 120 מיליון דולר – למעשה זו הרכישה הגדולה ביותר שלינקדאין עשתה עד כה.
– פינטרסט רכשה חברה בשם VisualGraph, חברה שמתמחה בטכנולוגיות של זיהוי תמונה וחיפוש תמונה. מנכ”ל החברה עזר לגוגל לגלם את החזון הראשוני של החברה בכל הקשור להשבחת החיפוש של התמונות במנוע החיפוש של גוגל.
BI Intelligence
ההזדמנות שנוצרת מדטה שאינה מובנת- ומה בפועל היא יכולה להציע לאנשי שיווק אינה ברורה לגמרי עדיין, מיליארדי הנתונים שמצטברים דרך פוסטים, תמונות, וידיאו והשיחות שנוצרות בסושייל מדיה, מצביעים על שפע ההקשרים האנושיים שנוצרים באמצעות תקשורת ישירה ופרונטאלית של וידיאו, אודיו, ויזואל או טקסט. כמות ההקשרים הופכת את כל האינפורמציה לחומר מורכב מידי לגבי מה שבפועל הדטה הזו יכולה לספק עבור החברות. יהיה זה מאתגר להכיר את כל מה ניתן לעשות עם הסושייל דטה, כי זה מהיר, ובווליום גבוה- אבל חשוב להבין שמאחורי כל טוויט, מאחורי כל פוסט, תגובה וכולי ישנו לקוח. טכנולוגיות חדשניות עוזרות לאנשי מחקר למצוא הגיון אירגוני בכל הדטה הזו ולהפוך דטה מעורפלת למערכת מובנת ותכליתית. למשל, עם הטכנולוגיה הנכונה, תמונות מספקות נתונים טובים לניתוח וניתן לחלץ מהן מידע מאוד עשיר על אותו אדם שהעלה את התמונה, כמו כן משמשות להבנת הקונטקסט שנראה בתוך פרטי הרקע של התמונה. על מנת לעמוד בכל עוצמת הווליום הזה של כמות התמונות, מסרים, וידיאו וטקסט שגולשים מעלים בכל יום ומשתפים ברשתות החברתיות צריך להשתמש במכונות שיודעות לעשות אוטומטיזציה לקליטת הנתונים על ידי תבונה מלאכותית. אין דרך ריאלית לאדם בשר ודם, שידע ויוכל לעשות זאת באותה מהירות, ולהתמודד עם הכמות באופן ידני.
זו הסיבה שתבונה מלאכותית,artificial intelligence- באופן ספציפי כל כך מוערכת בעיני בעלי העסקים כמתודה של Deep Learning- והיא נחשבת למעשה למפתח העיקרי לשימוש עתידי מדויק שמבוסס על למידה מהרשתות החברתיות ומהדטה המשותפת בהן. פיתוח אִינְטֶלִיגֶנְצְיָה מְלָאכוּתִית הוא למעשה ייעודו של המדע העתידני שלפיו תאורטית ההתנהגות האנושית יכולה להיות מיוחסת למכונה שמתוכנתת כך שתוכל לחקות אפיונים של האדם. על פי הרעיון הזה, מכונות רובוטיות יכולות להיבנות על ידי אלגוריתם שלומד התנהגות אנושית ומעתיק אותה. ישנן קבוצות של חוקרים שמעדיפות להגדיר אינטליגנציה מלאכותית, כ“למידה לעומק”- שלמעשה מכוונת ללמידה של מבנה המכונות והמערכות הטכנולוגיות שנועדו לעשות סימולציה של מחשבות האדם. שלב זה למעשה קרוב למה שקיים כבר כיום במציאות המדעית של ימינו. המכונות הללו יכולות לבחון את פרטי המידע, לאסוף, לקטלג, ולהיות תגובתיות לאינפורמציה חדשה שמתעדכנת ברשת באופן תדיר. יכולות אלה כבר קיימות למעשה והן מוכשרות להחליף יד אדם בפעולות שונות, ובכך לספק כלי יעיל שמאפשר לבעל העסק להיות מעורב בשיח הציבורי כשהוא מצויד בהרבה מאוד מידע שמקל עליו לחלץ פרטים משמעותיים מהדטה.
המערכות המתקדמות ביותר- נמצאות בשימוש בשיטת הדֶדוּקְציה- כלומר דרך ההֵיקֶש שחוזה את העתיד על בסיס מאגרי דטה גדולים במיוחד, ואפשר לראות דוגמאות לכך באתרים כמו אמזון. טכנולוגיות אלה נחוצות לשם הפעלת דטה שאינה מובנית, הודות ליכולתן לבנות מערכת קונטקסטואלית מטקסט חופשי, באמצעות שיטות קטלוג וארגון לדטה שמתקבלת מתמונות ומוידיאו, לזהות קולות מאודיו ולהוציא מאפיוני הקול היגיון שניתן לעשות איתו משהו בפועל. הרבה מאוד תעשיות, החל מחינוך, רפואה, ועד פיננסים עוסקות בכך רבות תוך טיפוח יכולות ותשתיות של למידה לעומק מתוך תפישה של AI. חברות שהתחילו לעבוד בכך בצורה פרקטית במטרה לייצר עם הטכנולוגיה פתרונות אמיתיים הינן חברות כמו גוגל ופייסבוק שסומכות על השימוש התכליתי בטכנולוגיות שתוכלנה להבין בצורה מיטבית את כל הנחוץ מתוך הדטה הלא מובנת ולהשביח על ידי כך את הצעת הערך שלהן למפרסמים.
BI Intelligenceומהי המשמעות האקטואלית של חילוץ מידע מתמונות ומוידיאו ? הרשתות החברתיות הופכות מיום ליום לזירה שוקקת בתמונות ובוידיאו, אבל מאוד קשה לחלץ מידע מתמונה. ובדיוק בגלל הקושי הזה- האתגר הרבה יותר כייפי ומרגש, ואף גורם לשחקנים מרכזיים לבחון את היכולות שלהם בכל הקשור ללמידה לעומק וAI. בכדֵי להבין את הסיבות לכך כל שנשאר הוא להסתכל על המספרים ולהיווכח בפוטנציאל האדיר שקיים בהזדמנות : משתמשי Facebook מעלים כ350 מיליון תמונות בכל יום נתון. משתמשי סנאפשאט מעלים 400 מיליון תמונות בכל יום נתון. משתמשי אינסטגרם מעלים 55 מיליון תמונות בכל יום נתון. אלו רק דוגמאות מייצגות לכמות התמונות והתוכן הוויזואלי המועלה ברשתות החברתיות על בסיס יומי, וישנן כמובן עוד. הדוגמאות הללו מסבירות לכם למה שחקניות כמו גוגל ופייסבוק מתעניינות יותר ויותר בחקר המאגר העשיר הזה וההזדמנות שהוא מביא איתה.
אז איך תוכן ויזיאו והדטה שהוא כונס בתוכו יכול לעזור מעשית לאנשי שיווק ? על ידי פיענוח של דטה בתוכן שבא לידי ביטוי דרך תמונה או וידיאו, אנשי שיווק יפעלו ביתר אפקטיביות בכל הקשור ליכולת שלהם להקשבה שלהם לסושייל , שמוגדרת כ” Social Listening “. מאמצים אלה ילכו וישביחו לאור העובדה שחברות גדולות משקיעות הרבה מאוד כספים על מוניטורינג של הקהלים שמעניינים אותם- וקבלת מידעים על הפעולות שלהם ועל השיחה שלהם סביב המותג או המוצר של החברה. במציאות של היום כאשר הגולשים משתפים יותר ויותר תכני וידיאו ותמונה- האינפורמציה הזו הופכת להיות מידַי שקופה ופחות אפקטיבית עבור המותגים המסחריים כי כלי האנליזה שלהם לא יודעים להתמודד עם הצורך בפיצוח המשמעות התכליתית של התוכן הויזואלי.
על ידי שימוש במכונות שמסוגלות ללמוד את אפיוני הנתונים, יוכלו אנשי השיווק להתקדם לצעד הבא בהבנת הקהל שלהם. ישנה בעיתיות טבעית בפיענוח נתונים רלוונטיים מתוכן שהוא תוכן תמונה- והחלוקה בדרך כלל היא בין “Precision” לבין “recall”- דיוק מול חזרתיות, וזו בעיה ידועה בכל הקשור למכונות שלומדות בקלות יחסית לנתח תוכן של תמונה. פיתוח התחום הזה נמצא עדיין בתהליך אבולוציוני והשיטות הטכנולוגיות עדיין לא מצליחות לתת תוצאות שמספיקות ברמת הדיוק שלהן. אבל למרות זאת חשוב להכיר בערכן של ההזדמנויות שעומדות בפתחנו ולדעת לאן העולם הטכנולוגי שואף להגיע כי אלו למעשה יהיו הכלים של המחר בידיים של אנשי השיווק וחשוב כבר היום להזדרז ולחקור בהם.
BI Intelligenceבתחום הטכנולוגיות של זיהוי ופיענוח של תמונות כבר נעשו כמה צעדים משמעותיים. ישנן בנמצא טכנולוגיות חדשות שמאפשרות ללמוד ולנתח נתונים רלוונטיים המופיעים בתמונות. כרגע הניתוחים הם עדיין ברמה ראשונית לגבי היכולת לקבוע באם התוכן בתמונה מדבר על מותג כזה או אחר, אין עדיין תוצאה ממשית בניסיון לחלץ סיפור שלם מתמונה ולהסב אותו לתוכן כתוב שמאפשר להפוך את התוכן למידע מובנה. אבל לא רחוק היום בו אנשי שיווק יוכלו למדוד את הסנטימנט שמעורר המותג על ידי ניתוח תמונות שיש בהן לוגו של מותג זה או אחר. מותגים יוכלו גם לעשות טרקינג על תמונות שמשותפות במעגלים חברתיים, אשר מכילות את מסרי המותגים והמוצרים של החברה ברשתות החברתיות ולהבין מתוך התגובות כמה פעמים זה קורה ואיזה קהל משתף את התוכן.
BI Intelligenceאנשי שיווק ופרסום גם יוכלו להגיע להבנה טובה יותר לגבי סוג המאפיינים של התמונות ושל הוידיאו שמשפיעים על הויראליות, למשל : תמונות עם הרבה מאוד טקסטורה כמו בד יכולות לייצר 79 אחוז יותר לייקים באינסטגרם מאשר תמונות עם טקסטורה חלקה. אלו כמובן דוגמאות לניתוח שמפוענח על ידי מכונות ועל ידי טכנולוגיות שעוזרות גם לנו לנתח הרבה מאוד תמונות שמשותפות ברשתות החברתיות (למשל אינסטגרם). באמצעות שיטות אלה נבין מה גורם לאנשים לשתף ומתוך חילוץ המאפיינים הפופולאריים נוכל לקבוע את סוג התוכן ואת אופי הסיפור שמותגים צריכים לשאוף לספר ברשתות החברתיות. המותגים זקוקים להכוונה ולכלים שמסמנים להם מהו סוג התוכן שעליהם לשתף ברשתות החברתיות כדי להשפיע על המאפיינים של התוכן על מנת שאנשים ישתפו איתו פעולה, ואף ישתפו אותו בפועל.
BI Intelligenceקיים תחום נוסף שמתפתח במהירות בתחום התבונה המלאכותית והוא– כריית טקסט- ישנם היום פיתוחים של אלגוריתמים שמסוגלים לזהות ולאפיין טקסט כנגטיבי, או פוזיטיבי, ולנתח את “ערמות הדטה” הלא מובנת שנוצרת במדיה החברתית על מנת שמותגים יוכלו להבין מכך לאן נושבת הרוח במהלך השיחה עליהם. חשוב להבין שככל שהשפה מורכבת יותר, הפיענוח הופך למטלה כבדה מדי לקליטה אנושית, בעוד שזה אתגר פשוט למכונות שיודעות לנתח את הטקסט בקלות. אבל, למרות קשיי המשימה, היא מתפתחת במהירות וישנם כיום הרבה מאוד הישגים בתחום וכמו כן פתרונות מדף קיימים שכבר מוכנים לשימוש. כמו כן חשוב לציין שלמרות שאנשי השיווק צריכים לנתח נתוני יוזרים על בסיס אינדיבידואלי, הערך האמיתי עבורם הוא דווקא לרכז את האפיונים של יחידים בקבוצות של “טיפוסי לקוחות” על מנת שיוכלו לטרגט את המידע, לנתח אותו ולאחר מכן לבסס עליו פעולה יזומה.
אבל הדבר המשמעותי ביותר בשימוש בתבונה מלאכותית לפילוח הדטה הלא מובנית– הוא בעיני היכולת להשתמש בחיזוי הפעולות העתידיות של הלקוחות שלכם. למרות כל ההוכחות על הגדילה של היקף השימוש בפרסום בסושייל מדיה, חלק מהמפרסמים וסוכנויות הפרסום עדיין לא בטוחים בכדאיות הפרפורמנס- ביכולת להפיק תוצאות מההשקעה בסושייל מדיה. שליש מהמפרסמים ורבע מסוכנויות המדיה מאמינים שפרסום בסושייל מדיה, זו רק טקטיקה חדשה שהאפקטיביות שלה אינה וודאית. על פי המחקר האחרון של נילסן, הסיבה העיקרית לכך שאנשי שיווק לא מצליחים לבסס את אמונם בכל שיטת הפרסום בסושייל נובעת מההנחה שהגולשים כבר קיבלו את החלטת הצריכה שלהם מהרגע שהם עשו אינטראקציה עם המותג לראשונה באון ליין. אנשי השיווק מִתְקַשים לראות את יתרונות החיבור אל המסע של הלקוח בו הפרסום בסושייל מדיה מבוסס על פוסטים ועל פעולות שוטפות של הגולשים.
פייסבוק למשל מגישה פרסומות ליוזרים שמרביתן מבוססות על פעולות קודמות שמשתקפות בדטה, שהאנשים משתפים על עצמם ברשת כמו גם על זיקות שנוצרו ברחבי הרשת כולה. מודעות אלו הופכות להיות הרבה יותר פרסונאליות, שכן המודעות למעשה מקושרות לפעולות שוטפות של המשתמשים ומזהות תכונות אופייניות שמספרות לנו מה הגולשים ירצו לעשות בפועל בעתיד. על פי החיבוריות לדטה הזו ניתן אפוא להגיש תוכן רלוונטי שיכול להשפיע בפועל על החלטות הצריכה. זוהי קפיצה אדירה בהתפתחותו של עולם השיווק- היכולת לאסוף הרבה מאוד מידע, שמתקבל מצעדים שונים של הגולש ברשת החברתית, לחבר אותם למסע אחד ובאמצעות כל הנתונים הללו לצפות מראש את הצורך ולספק את השירות בהתאם למידע שהופך בפועל לקשר פרסונאלי. במקום שננסה להשפיע “בכוח” על הפעולות של הלקוחות כשהתהליך של הצריכה כבר החל, שיטה כזו של חיזוי על פי התנהגות תשפיע באופן טבעי על הפעולות של הלקוח בתוך התהליך ותוך כדי המסע. בצורה כזו השיווק מספק שירות ריאלי שמתמזג בדרך הטבעית “Native Way” של הלקוח.
BI Intelligenceאם פייסבוק יכולה לחזות בצורה מדויקת מה ירצו היוזרים ובמה יתעניינו בעתיד- הדבר יוסיף ערך ועוצמה רבה ביותר לכלי הפרסום שלה. למעשה, גם גוגל, גם פינטרסט וגם פייסבוק משקיעות הרבה מאוד בטכנולוגיות AI על מנת שתוכלנה להשביח את התוצאות, ואת הפרפורמנס של הצעת הערך שלהן למפרסמים. תדמיינו מערכת שיודעת לזהות תמונות- שעובדת עם מערכת נוספת עם למידה לעומק של התכנים : בעזרת כלים אלה Facebook יכולה להכיר את הפיד של הגולשים וממנו לייצר דטה מדויקת ביותר עבור המפרסמים גם לגבי ניצולה בהווה וגם לגבי יכולתה לחזות צרכים עתידיים.
