L'Artificial Intelligence Marketing: come l'IA agisce sul processo di vendita

L’Artificial Intelligence Marketing: come l’IA agisce sul processo di vendita

Posted on 01/03/2018 in Intelligenza Artificiale, Main Posts

Post Views: 2.669

1. Introduzione

In questi mesi ho avuto modo, curando una parte dei contenuti di questo blog universitario, di indagare diversi aspetti dell’Intelligenza Artificiale. Ho scelto questo argomento perché, nell’ambito della simulazione, è quello che trovo maggiormente interessante.

Nella scelta del tema di questo “featured post” ho trovato diversi aspetti stimolanti da approfondire, dopo le mie ricerche ho deciso di focalizzare la mia attenzione sul marketing e, di conseguenza, sulle implicazioni che l’Intelligenza Artificiale ha in questo ambito.

Partendo da una prima spiegazione di Artificial Intelligence Marketing (AIM), analizzerò nel dettaglio i paradigmi su cui questa strategia si fonda: il Machine Learning, il Natural Language Processing (NLP) e il Marketing Comportamentale.

Nel corso dell’articolo entrerò nel dettaglio dell’AIM analizzandone il funzionamento nello specifico, per poi chiudere l’articolo con l’analisi di piattaforme che aiutano le aziende a impiegare al meglio questa moderna tecnica di marketing e con l’analisi di un caso reale.

2. Una prima definizione di Artificial Intelligence Marketing

L‘Artificial Intelligence Marketing (AIM) è quella branca del marketing che utilizza l’Intelligenza Artificiale per migliorare la comprensione e l’andamento del mercato, per indicare alle aziende i modi migliori per “catturare” i clienti e suggerire ed affinare tecniche di persuasione sempre più efficaci in maniera automatizzata.

Ma parlare di marketing che si basa sull’Intelligenza Artificiale è troppo ampio, quindi su quali tecniche si basa l’AIM? Bene, utilizza le più moderne tecniche di IA per ottenere risultati più precisi, usa quindi tecniche come il Machine Learning, il Natural Language Processing (NLP) integrate a diverse formule statistiche, come le reti bayesiane (reti che descrivono l’indipendenza condizionale tra sottoinsiemi e variabili), e combinate, in aggiunta, a strategie di Marketing Comportamentale. Questo insieme porta ad un obiettivo molto chiaro: “migliorare la capacità di persuasione per portare gli utenti a convertire la call to action aziendale, ovvero sia a compiere un’ azione che genera valore per l’utente stesso ma che ha un risvolto positivo anche per l’azienda” (Digital4.biz).

In sostanza, offre alle aziende una serie di metodi che permettono di orientare il comportamento dei decisori su degli obiettivi specifici, in base alle esigenze dell’azienda (è puro e semplice marketing, come sempre è stato, con la sostanziale differenza che queste strategie di “orientamento”, sono realizzate da sistemi informatici autonomi).

Il principio su cui si basa questo sistema nasce dalle scienze cognitive e dal loro ciclo “perception-reasoning-action” (percezione-ragionamento-azione) che, nel Marketing moderno, diventa: “raccolta-ragionamento-azione“.

Raccolta = tutte quelle attività che permettono alle aziende di raccogliere dal cliente target i propri dati per poter realizzare strategie funzionali alle sue caratteristiche e preferenze. La differenza dal ciclo delle scienze cognitive citato in precedenza parte da questo punto, infatti questo processo parte dalle aziende (sono queste che raccolgono i dati), mentre nel sistema cognitivo la percezione partiva dal cliente e quindi molto meno accurata.
Ragionamento = in questo stadio i dati vengono elaborati e trasformati in informazioni, questo avviene grazie agli algoritmi di Machine Learning e Intelligenza Artificiale.
Azione = dopo la fase di ragionamento ecco che si può agire, in questo ambito significa utilizzare una comunicazione o una campagna con una più elevata probabilità di persuasione degli utenti finali e, conseguentemente, una probabilità molto più elevata di efficacia e profitti da parte dell’azienda.

Questo ciclo, attraverso l’uso dell’Intelligenza Artificiale, può essere totalmente automatizzato. Come?

Mark Simpson, Vice President Offering Managment, Watson Marketing di IBM, propone di combinare il Marketing con l’Intelligenza Artificiale di Watson, il famoso sistema di IBM in grado di rispondere a domande in linguaggio naturale. Per fare ciò intende aggiungere a Watson Marketing sistemi di automazione dei compiti come:

Automazione delle campagne = attraverso piattaforme di digital marketing accessibile via cloud per la gestione di campagne pubblicitarie, aggiunte alla generazione e al mantenimento dei clienti con un ingaggio via mobile e social.
Marketing insights = soluzione per l’identificazione e l’ingaggio del giusto pubblico senza dover ricorrere a figure quali i data analyst (portando ad un notevole risparmio economico), le elevate funzioni cognitive di Watson, infatti, lavorano al fianco dei marketer aiutandoli a comprendere i comportamenti individuali degli utenti, a relazionare eventi e calcolare probabilità al fine di trovare azioni utili a far crescere, non solo l’interazione con il cliente, ma anche, la conversione e la fidelizzazione degli stessi.
Personalizzazione Real-Time = sistema che permette di personalizzare in tempo reale comunicazioni e messaggi verso gli utenti (ad esempio in funzione dei loro comportamenti durante la navigazione in Internet), offrendo loro una più efficace esperienza utente. (Digital4.biz).

Giunti a questo punto, come spiegato nell’introduzione dell’articolo, vorrei porre l’attenzione e approfondire i vari algoritmi su cui l‘Artificial Intelligence Marketing si basa.

2.1. Machine Learning

Come primo aspetto vediamo il Machine Learning, di cui avevo già fatto una breve introduzione in un articolo del blog, ma, colgo l’occasione per aggiungere un’ ulteriore analisi.

Il Machine Learning nasce ufficialmente nel 1959 grazie ad Arthur Samuel che ne conia il termine ed è definito come quella “branca dell’informatica che mira a rendere i computer in grado di apprendere senza che le nozioni siano esplicitamente contenute nel codice di programmazione” (Wired). L’apprendimento automatico (termine italiano per indicare il Machine Learning) include una serie di metodi sviluppati nell’ultimo decennio, tra cui le reti neurali artificiali, il riconoscimento di pattern, il data mining e gli algoritmi adattivi.

Il Machine Learning, quindi, studia e costruisce algoritmi che possano imparare in autonomia dai Big Data (tutti quegli strumenti per raccogliere, gestire e processare informazione in un tempo ragionevolmente breve) e fare previsioni, sia in modo induttivo, sia in modo intuitivo, quindi è strettamente correlato alla teoria computazionale dell’apprendimento. In pratica, l’apprendimento automatico permette al computer di imparare dall’esperienza (learning by doing); alla fine di un compito o di un’ applicazione, questo metodo permette al sistema di migliorare ed evolversi in maniera del tutto autonoma.

Questa branca dell’Intelligenza Artificiale ha numerosissime applicazioni, dai motori di ricerca nelle loro SERP (Search Engine Results Pages), passando per i filtri anti-spam delle mail, fino ad arrivare ai sistemi in grado di prevenire i furti d’identità.

Un caso interessante di uso di Machine Learning lo si può riscontrare nel colosso dell’e-commerce Amazon, che da sempre investe nel settore dell’Intelligenza Artificiale, ed è alla base della customer experience dell’azienda: dall’ottimizzazione dei percorsi nei centri di evasione degli ordini, al motore di raccomandazione di Amazon.com, a Echo alimentato tramite Alexa, inoltre l’iniziativa tramite drone per PrimeAir, fino all’esperienza Retail AmazonGo. Questo permette all’azienda numerosi vantaggi in termini di competitività sul mercato, Amazon, infatti, è recentemente entrato nella Top 10 dei distributori mondiali con un fatturato di 177,9 miliardi di dollari. Non solo competitività, anche sicurezza per i clienti, i servizi di storage e database, infatti, offrono una forte crittografia per mantenere i dati del cliente al sicuro.

2.2. Natural Language Processing (NLP)

L’AIM si basa anche sul Natural Language Processing (NLP), il termine si riferisce al processamento informatico del linguaggio naturale, per qualsiasi scopo, indipendentemente dal livello di analisi. Per linguaggio naturale si intende, banalmente, il linguaggio umano usato quotidianamente, principalmente per distinguerlo dal linguaggio formale, tra cui quello informatico dei computer. Rispetto al linguaggio formale, quello naturale è molto più complesso e difficile da elaborare, questo fa si che i compiti di NLP siano parecchio complicati.

Quando si parla di NLP, non si può non citare la Linguistica Computazionale, ovvero una materia che combina Informatica e Linguistica ed è la scienza che pone le basi per il Natural Language Processing. La differenzia sostanziale tra queste due facce della stessa medaglia (si possono definire così) sono i campi di applicazione e il tipo di approccio. Il NLP si focalizza principalmente sugli aspetti pratici, mentre la Linguistica Computazionale ha un approccio più teorico.

Il Natural Language Processing viene spesso associato e correlato al Machine Learning, infatti vengono sviluppati moltissimi casi di algoritmi di apprendimento automatico utilizzati per l’elaborazione del linguaggio, usati per risolvere molti problemi di IA, quali le previsioni meteo, l’analisi del mercato azionario e, molto più in grande, la classificazione della sequenza del DNA.

Parallelamente al Machine Learning, il più tradizionale approccio al NLP sono le regole linguistiche, formulate e sviluppate da linguisti e ingegneri della conoscenza. Si tratta di tutte quelle regole che formano una grammatica computazionale e permettono di risolvere determinati compiti di NLP e che possono essere compilate in un sistema a regole.

Questo sistema a regole è utilissimo per analisi linguistiche come il parsing (quel processo mentale che ci permette di elaborare la struttura sintattica della frase, ovvero di mettere insieme le parole in una struttura), data l’elevata accuratezza (precision) di questo sistema, mentre il Machine Learning, in questo ambito, è usato per la classificazione automatica e il clustering (raggruppamento di elementi omogenei in un insieme di dati).

Data la complessità del linguaggio naturale, un sistema di NLP implementato in un caso reale, lavora combinando entrambi gli approcci. Un metodo semplice ed efficace per ottenere questa “cooperazione” è quello di costruire un modello di back-up per ciascun passaggio importante del processo: prima vengono compilate le grammatiche, per un analisi precisa, dopodiché viene applicato il Machine Learning per rialzare la recall (copertura di un fenomeno linguistico).

Il NLP può essere presentato secondo 4 livelli:

Livello linguistico,
Livello di estrazione,
Livello di data mining,
livello di applicazioni.

Questi 4 livelli di sistema rappresentano, a grandi linee, uno schema di relazione di supporto dal basso verso l’alto (secondo una logica bottom-up). Al livello più basso troviamo il livello linguistico, al livello più alto troviamo quello di applicazioni.

Ovviamente, il nucleo di un sistema NLP si trova al livello linguistico e fa da tecnologia portante, mentre al livello di applicazioni troviamo applicazioni come il Question Answering, la traduzione auomatica e gli assistenti virtuali come Siri.

Per concludere questo breve focus sul Natural Language Processing, dal momento che il linguaggio naturale ha due forme (scritto e orale), il NLP investe anche due importanti sezioni nell’elaborazione della lingua parlata: il riconoscimento vocale (che permette al computer di comprendere e assimilare il linguaggio umano) e la sintesi vocale (per insegnare ai dispositivi a parlare con gli umani).

2.3. Marketing Comportamentale

La terza procedura su cui l’Artificial Intelligence Marketing si fonda è, appunto, il Marketing comportamentale. Come definire questo tipo di strategia? Non avete mai avuto il sentore che, navigando in Internet, le pubblicità presenti sui siti fossero esattamente inerenti ai vostri gusti o alle vostre ricerche recenti? Ovviamente non è una coincidenza, ma si tratta di chiari esempi di Marketing comportamentale (in inglese chiamato Behavioral Marketing). Questo stile di Marketing si basa su diverse tecniche di tracciabilità, strumenti che, sul Web, si stanno facendo sempre più precisi e cercano di indirizzare i contenuti agli utenti conoscendo le loro preferenze ed esigenze in maniera sempre più specifica, creando un vero e proprio profilo del consumatore. In parole povere, tramite questo tipo di procedure le aziende sanno esattamente cosa cerchiamo e ci propongono prodotti o servizi a noi interessanti senza nemmeno il bisogno di chiedere. Il Marketing comportamentale, dunque, rappresenta la colonna portante della comunicazione pubblicitaria sul web e va oltre la semplice targetizzazione (tracciabilità). Non si basa sul contesto situazionale, ma sulla capacità dell’analisi dei dati riguardanti il fruitore di un sito web. Si prefigge, quindi, di mostrare annunci pubblicitari per ogni singolo utente collegato ad una qualsiasi pagina web in base all’analisi del comportamento dello stesso.

Molto importante per l’analisi dei modelli comportamentali è la disponibilità del data mining, quell’ insieme di tecniche per estrarre dati e informazioni, sia in termini quantitativi che qualitativi. Come avere questi dati? Per prima cosa attraverso l’uso dei cookie, file che vengono “parcheggiati” dall’applicazione Web nel browser dell’utente per ricordarsi cosa ha fatto sul sito, identificandolo. Altri dati si ricavano dai sondaggi, dall’analisi degli acquisti effettuati, dalle sezioni del sito costantemente visitate, dai download effettuati, dalle letture preferite e dai feedback ricevuti.

Con i dati ricavati dai modelli comportamentali si possono definire alcuni profili (mappatura del target) e farli rientrare in determinate categorie per una comunicazione più efficace e mirata. Alle compagnie non interessa sapere le generalità dell’utente, serve sapere il sesso, la condizione sociale, gli interessi, le preferenze, gli hobbies o i “movimenti” effettuati sulla rete. Ad esempio, se un utente ha appena comprato una stampante, è inutile mostrare pubblicità su stampanti, bensì è preferibile mostrargli pubblicità di cartucce e accessori.

Per certi versi, questo tipo di approccio comunicativo può risultare moralmente sbagliato: promette un risultato praticamente su misura della persona prendendo una grandissima quantità di informazioni su di essa. Dove è posto il limite della privacy sulla navigazione in Internet? E’ da tenere bene in considerazione il fatto che la stragrande maggioranza delle informazioni che questo approccio di Marketing comportamentale incamerano sono prese dalla nostra navigazione senza che ne forniamo, ogni volta, il consenso esplicito. Negli Stati Uniti, dove questa strategia è molto più diffusa, le organizzazioni federali si stanno muovendo verso una progressiva regolamentazione del fenomeno, anche se la soluzione è diretta più alla maggiore informazione degli utenti che a un blocco preventivo di queste tecniche. D’altronde una maggiore personalizzazione dell’advertising limita il bombardamento invasivo di messaggi che non ci interessano e può anche essere un’occasione per venire a conoscenza di prodotti o notizie che rientrano nella nostra sfera di interesse.

3. Artificial Intelligence Marketing nel dettaglio: gli obiettivi

Dopo la prima parte dell’articolo in cui ho spiegato i paradigmi sui cui l’AIM si appoggia, è giunto il momento di entrare nel dettaglio di questa tecnica di marketing analizzando le varie tecnologie su cui fa affidamento per compiere il proprio compito, cioè aggregare e analizzare dati (anche quelli destrutturati e basati su linguaggio naturale) in un processo continuo di apprendimento e miglioramento per identificare, a seconda dei casi, le azioni, le strategie e le tecniche di comunicazione e vendita statisticamente più idonee, vale a dire quelle che hanno la possibilità più alta di efficacia e successo per singoli gruppi di persone.

Possiamo quindi elencare le specifiche tecnologie di riferimento e come possono essere usate per permettere il compimento di 5 diverse procedure tipiche dell’ AIM:

Creazione e cura dei contenuti,
Ricerca vocale,
Programmatic Advertising,
Modellazione di target e propensione,
Marketing automation.

3.1. Creazione e cura dei contenuti

La realizzazione e la cura dei contenuti, quali articoli, news o semplici messaggi, e la loro presentazione al target idoneo e nel momento migliore, cioè quello con le più alte possibilità di persuasione e conversione in azione (definita call to action), è uno dei punti di forza dell’Artificial Intelligence Marketing.

In questo caso vengono sfruttati sistemi di analisi avanzata dei dati, correlazione di eventi, comprensione del linguaggio naturale, analisi e riconoscimento di immagini e video, sistemi di riconoscimento vocali combinati con le tecniche di autoapprendimento (Machine Learning) che consentono ai sistemi che realizzano e propongono contenuti di migliorare costantemente la capacità di proposta, il tutto in modo dinamico in funzione di come realmente le persone fruiscono di quei contenuti e del potenziale di ciascuno di essi in termini di persuasione e conversione.

3.2. Ricerca vocale

La ricerca vocale è una delle tante innovazioni entrate nell’uso quotidiano collettivo, tutti noi conosciamo Siri di Apple o Cortana di Microsoft. Queste tecnologie, però, hanno un grosso impatto sulle strategie di Search Engine Optimization, cioè tutte quelle tecniche per migliorare il ranking di un sito Web per i vari motori di ricerca, in più, la voce diventerà uno degli elementi più impattanti sul movimento di contenuti in rete.

Sotto l’aspetto del Marketing quest’ onda deve essere sfruttata al meglio utilizzando , ad esempio, i chatbot e gli assistenti virtuali, per guidare, consigliare e persuadere gli utenti.

I chatbot rappresentano l’evoluzione degli assistenti digitali personali che da molti anni aiutano gli utenti con interazioni gestite da un bot (abbreviazione di robot). Questi bot non sono una tecnologia nuova, il loro avvento si deve al matematico inglese Alan Turing nel 1954. Oggi, invece, spiega Paolo Cappello (della divisione Digital Interaction di Cefriel legato al Politecnico di Milano) “la tecnologia alla base dei bot è quella che permette alla macchina di interpretare il linguaggio parlato, il cosiddetto linguaggio naturale, unito ad algoritmi di Intelligenza Artificiale e autoapprendimento. Questi ultimi permettono al sistema di imparare dalle esperienze passate, evolvere e migliorare la propria accuratezza nel fornire risposte o servizi in maniera autonoma”.

Per dare una definizione, i chatbot sono applicazioni che aggiungono i bot all’interno dei programmi di Instant Messaging e che si suddividono in diversi elementi: l’interfaccia utente coopera con i servizi di elaborazione del linguaggio naturale (e agli algoritmi di autoapprendimento) da una parte e con il back-end dell’azienda, sulla quale risiedono i dati da rielaborare in tempo reale dalla parte front-end (quella che comunica con l’utente tramite l’interfaccia), dall’altra. La prima applicazione a usare questo tipo di sistemi è stata Telegram nel giugno del 2015, seguita da altre importanti piattaforme di Instant Messaging (Skype, iMessage e WeChat). L’ultima ad adottare i chatbot è stata, paradossalmente, Facebook Messenger nel 2016, da allora, però, il numero di chatbot su Facebook messenger è cresciuto a dismisura fino ad arrivare a 33mila nel 2017.

Esempio conversazione tramite chatbot

I vantaggi di questa soluzione sono la facilità e la velocità di utilizzo e, per le aziende, rappresenta un modo economico per fornire un assistenza 24 ore al giorno e 7 giorni alla settimana al cliente, sfruttando un canale di visibilità del proprio brand aggiuntivo (ai metodi tradizionali) e molto utilizzato. L’uso di questi meccanisismi non è vincolato da registrazioni o login e si ha la possibilità di connettersi direttamente alle pagine social dell’azienda per accedere ai servizi. Si tratta di un elemento del cosiddetto “Social Costumer Care” che è molto in voga tra le aziende per dimostrare vicinanza ai clienti. Per capire l’importanza di questo strumento, secondo una recente ricerca Microsoft, il 97% dei consumatori utilizza il loro servizio di customer care erogato attraverso i Social Network nel processo di decisione d’acquisto. Un’indagine di BI Intelligence stima che nel 2020 l’80% dei brand utilizza questi servizi. (Digital4.biz)

3.3. Programmatic Advertising

Tra le altre funzioni che il Machine Learning permette agli algoritmi di AIM di avere, vi è anche quella che permette di influenzare ed analizzare le propensioni di acquisto, o di azione, degli utenti stabiliti con la finalità di distribuire gli annunci pubblicitari e di comunicazione in modo più controllato.

Non solo, attraverso l’apprendimento automatico, le aziende possono avere un controllo maggiore sulle distribuzione dei propri messaggi pubblicitari sui vari siti distribuiti nel Web.

Questa esigenza nasce in seguito al grandissimo “sovraffollamento” del Web, si calcola che, in media, una persona visita circa 93 pagine Web al giorno, per un totale di circa 500 annunci pubblicitari (Alex Petrilli, Sales Training Manager EMEA). Va da se che, un approccio tradizionale all’online advertising (quello in cui le aziende acquistano un numero elevato di impression per un periodo di tempo limitato) non vada più bene, sia per l’elevata concorrenza, sia per la mancanza di un target specifico a cui rivolgere questi annunci. Dalla comprensione di questa “inefficienza” nasce, nel 2009, un nuovo approccio allo scambio di spazi pubblicitari nel web, che sfrutta gli analytics e i software di elaborazione in tempo reale. L’idea è di permettere alle aziende di far arrivare il giusto messaggio al giusto cliente (in linea con gli obiettivi di marketing) nel momento migliore. Il programmatic advertising permette alle aziende di automatizzare le procedure di acquisto di spazi pubblicitari all’interno dei media digitali, sfruttando dei sistemi che permettono l’incontro tra la domanda dei consumatori e l’offerta delle compagnie.

Come fanno le aziende a individuare il target di riferimento? Devono capire i comportamenti usuali sul Web dei loro clienti , per farlo utilizzano i già citati cookie e i pixel. I pixel sono una sorta di sentinelle posizionate sulla pagina Web. Ogni volta che un utente visita il sito, il pixel avvisa l’azienda e ciò permette di tracciare il movimento dell’utente. Attraverso questo sistema vengono analizzate delle audience analytics che permettono di definire nuovi gruppi di cluster (utenti) a cui rivolgere le campagne pubblicitarie.

3.4. Modellazione del target e propensione

L’Artificial Intelligence Marketing, in aggiunta all’identificazione e la segmentazione del target di riferimento, grazie agli algoritmi di Machine Learning abilita un processo di miglioramento continuo in termini molto più rapidi e con una migliore precisione riguardo la segmentazione del target rispetto alle altre tecniche di vendita. Effettivamente, la modellazione per propensione permette l’uso di ulteriori analytics specifici come la determinazione del prezzo in tempo reale e la classificazione delle attività con una maggiore probabilità di successo.

3.5. Marketing automation

Il Marketing automation comprende un insieme di procedure (come dice il nome, automatizzate) che servono agli esperti di marketing per gestire ed ottimizzare il processo d’acquisizione e gestione dei potenziali clienti per condurli al passaggio a clienti effettivi, la cosiddetta demand generation.

Inoltre permette all’azienda di rendere automatiche le comunicazioni con i clienti. Questo tipo di tecnica ingloba una serie di possibili attività come:

Email marketing,
Landing pages,
Campain Managment,
Contact prediction/scoring,
Lead Managment,
CRM Integration,
Social Media Marketing,
Marketing Analytics.

Quindi, le aziende possono creare automazioni su diversi punti di incontro, ad esempio possono fare in modo che, se un cliente potenziale invia una richiesta di informazioni e non riceve risposta entro un certo lasso di tempo da un reparto dell’azienda, venga passato al call center e, al termine della chiamata, riceva via mail tutte le informazioni di cui aveva bisogno. Si può automatizzare la raccolta di potenziali clienti dai Social Network (tramite lead advertising), con una successiva email per verificare il reale interesse del lead a ricevere informazioni sul prodotto dell’azienda, solo se il cliente dimostra interesse aprendo la mail allora potrà attivare i sales o altre informazioni. Si può avvisare un agente che un determinato utente è ritornato sul sito web e ha visto un determinato prodotto, si possono automatizzare i banner sul sito web per mostrare promozioni a quel singolo consumatore, si possono automatizzare le campagne di retargeting o di advertising sui social con contenuti su quel singolo utente presi da più fonti.

Questo tipo di procedura porta un notevole risparmio di tempo, un maggior coinvolgimento dei clienti, un aumento della frequenza delle comunicazioni e un’ opportunità di incremento delle vendite.

Un altro dei grandi vantaggi è la grande flessibilità che i processi di Marketing automation hanno, questo permette di adattarli a qualsiasi realtà aziendale. E’ possibile fare previsioni più accurate circa la profittabilità di un contatto e quello che può essere il percorso più adatto per portarlo alla conversione. Ad oggi, le principali applicazioni del sistema di marketing automation sono state registrate in settori B2B (Business to Business) come quello high-tech, manifatturiero o di servizi per il business. Tuttavia un sistema di Marketing automation può trovare implicazioni anche in modelli B2C (Business to Client) e creare una fonte di conoscenza del consumatore finale, con il conseguente miglioramento della qualità e durata delle relazioni che intercorrono tra le parti. Dunque il Marketing Automation aumenta l’efficienza delle attività di marketing e accorcia il ciclo di vendita.

Le strategie di Marketing Automation si diramano in varie parti ed è necessaria, per la loro attuazione, l’integrazione tra più reparti dell’azienda. La strategia migliore è quella di seguire un percorso diviso in 4 punti:

Definire degli obiettivi = si parla di far crescere i ritorni di vendita, migliorare le relazioni con il cliente, ridurre i costi di marketing e aumentare le opportunità di vendita;
Gestire i contatti = tramite una strategia efficace, vendite e marketing devono definire congiuntamente quali sono le caratteristiche dei contatti che vogliono raggiungere e, successivamente, creare dei livelli di valutazione per monitorare passo dopo passo i progressi e gli eventuali miglioramenti nella relazione con il cliente;
Nutrire i contatti = in questo passo si definiscono programmi che, attraverso la creazione di contenuti, possano portare all’instaurazione di un rapporto di fiducia tra azienda e contatto che possa portare ad una successiva conversione. Per avere un rapporto più efficiente è necessario segmentare i vari profili in modo da poter indirizzare i giusti contenuti ad ogni contatto “nutrendoli” con argomenti di loro interesse;
Misurare il ritorno di investimento = dopo aver fissato dei controlli costanti durante l’attuazione della strategia, le attività di marketing automation sono in grado di fermare la perdita nel medio e lungo termine di contatti. A questo punto è possibile, oltre alle già citate attività di mantenimento e “nutrimento” di attività dei contatti, risvegliare i cosiddetti clienti “dormienti”, clienti che conoscono già l’azienda, ma che non ne utilizzano i servizi da un certo lasso di tempo. Infine, tutte queste attività sono in grado di minimizzare la ridondanza causata dalle campagne manuali e offrono una conoscenza approfondita della loro efficacia.

4. Alcuni casi reali:

Dopo questo focus, in cui ho tentato di spiegare in maniera teorica e, spero esaustiva, cos’è l’Intelligence Artificial Marketing e come funziona, vorrei parlare di alcune piattaforme che integrano sistemi di IA e che aiutano le aziende a attuare effettivamente queste strategie di vendita.

Per quanto riguarda la stesura di contenuti testuali è importante parlare di Wordsmith e Narrative Science, i quali, grazie alla citata NLG (Generazione Linguaggio Naturale) e ai sistemi di Deep Learning sono in grado di produrre in autonomia contenuti testuali strutturati, partendo, semplicemente, da dati inseriti dall’utente in una tabella Excel. Queste piattaforme possono essere usate per diverse finalità: dalla creazione di contenuti di diverso taglio, alla pianificazione della Content Strategy, passando alla Search Engine Optimization, per arrivare alla stesura di testi per le notizie presenti nel sito.

Vi sono strumenti, come Scoop.it e MarketMuse, che aiutano a migliorare la qualità dei contenuti web, aumentandone la distribuzione attraverso la pubblicazione automatizzata. Nello specifico, Scoop.it è in grado, addirittura, di passare in rassegna, analizzando, i Dataset (collezioni di dati) di oltre 350 milioni di pagine web, stabilendo la fruibilità dei contenuti, ovvero quale risuoni meglio tra il pubblico, contribuendo ad alimentare e incrementare i lead e le vendite. Differentemente, MarketMuse, analizza i dati del web per determinare, mediante grafici, i contenuti “migliori” e a cui dare priorità per ottenere risultati ottimali di diffusione nell’audience.

Attraverso l’elaborazione linguistica naturale (NLP), Acrolix, può leggere il testo di un nostro contenuto e suggerire eventuali modifiche per migliorarlo su differenti livelli: grammatica, tono e terminologia. Ciò anche in base agli standard qualitativi delle compagnie più prestigiose.

Infine Atomic Reach prova a integrare le caratteristiche citate in una piattaforma completa. Svolge numerose funzioni e analizza i testi sotto diversi punti di vista, con l’obiettivo di creare contenuti mirati ed incrementare l’engagement. Lo fa grazie alla combinazione tra Intelligenza Artificiale e metodo predittivo, suggerisce gli argomenti da trattare in base al bersaglio (clienti potenziali) da raggiungere, considerando anche la community di cui fanno parte, permette il reposting e focalizza gli argomenti più trattati a seconda delle nostre esigenze, può determinare l’orario e il luogo migliore per la pubblicazione e analizza i dati, attraverso sistemi di analytics, e suggerisce le mosse future.

5. Il caso Netflix

Uno dei casi principali, e probabilmente più famosi, di azienda che usa l’Intelligenza Artificiale nel Marketing e, più in generale, per migliorare l’esperienza con l’utente, è Netflix. Il colosso americano, infatti, è una delle aziende più all’avanguardia nel settore (oltre che nella distribuzione online di prodotti cinematografici o televisivi) dell’Intelligenza Artificiale e ha un algoritmo che la rende unica nel settore.

L’idea alla base parte da una domanda che si è posta Netflix, ovvero: “quali informazioni dovremmo considerare per offrire ai nostri clienti qualcosa che gli potrebbe piacere?” Inizialmente non puntavano sull’automazione, bensì traevano le loro considerazioni solo sulle valutazioni, dunque solo sul rating (numero di stelle) che i clienti assegnavano ai vari film e, in base a ciò, l’algoritmo selezionava prodotti simili.

Il cambiamento è avvenuto quando Netflix ha iniziato ad analizzare altri elementi: quali film e quando sono stati visualizzati (tipo di dispositivo, giorno della settimana) il gradimento degli utenti, il genere, ecc… L’innovazione, poi, è stata nel considerare anche quale contenuto è stato consigliato, ma non cliccato e ad usare l’errore del loro stesso algoritmo, come modo per migliorarlo.

Da quest’idea è nata la creazione di diversi algoritmi che collaborano tra loro. Il primo è il cosiddetto PvR (Personalized Video Ranker) e si basa, fondamentalmente, sulla personalizzazione delle preferenze individuali dell’utente sull’ intero catalogo. Il secondo è chiamato Top N che ha l’obiettivo di trovare la migliore raccomandazione concentrandosi solo sulla classifica generale di tutti gli utenti.

Questi algoritmi, insieme alla qualità del catalogo, contribuiscono a creare la Netflix Experience, ovvero rende semplice allo spettatore la scelta tra un oceano così vasto di contenuti, anticipando le sue mosse.

Logo di Netflix

La classificazione dei contenuti si fonda sul fatto che ogni titolo è costituito da una serie di metadati che vengono combinati tra loro per una categorizzazione veramente specifica. Questo permette alla piattaforma di porre all’attenzione dei clienti solo i sottogeneri più adatti a loro, semplicemente sapendo cosa hanno già visualizzato.

Il giornalista Alexis Madrigal, in un suo studio “How Reverse Engineered Hollywood“ ha calcolato 76897 categorie disponibili su Netflix. Un numero elevatissimo! Ognuna di queste categorie è rappresentata da dei descrittori elaborati e abbinati tra loro per comprendere una serie di aspetti molto più ampia, molto di più di quelli che si attribuiscono nei generi cinematografici. Quindi, oltre al genere “classico”, Netflix è in grado di suddividere film in base al, ad esempio, grado di tristezza o felicità, compie classificazioni sulla base dello stato emotivo del finale, sulle ambientazioni, e così via. Questo lavoro, però, è svolto da professionisti pagati per visionare personalmente i film in catalogo e dare un giudizio. L’automazione interviene dopo. Interviene partendo da questi descrittori e genera un algoritmo che li confronta e li combina generando le classificazioni citate prima. In questo modo, la formula compara autonomamente tutti i descrittori creando macro-categorie come: regione geografica, genere, basato su (storia vera, libro, ecc), età a cui è rivolto, età del film e molto altro. Tutto ciò segue una logica push, secondo la quale il sito (in questo caso, chiaramente, Netflix) prende l’iniziativa e avvisa l’utente, quindi la piattaforma di streaming ordina i contenuti e li mostra in home all’utente, il quale non deve fare altro che scegliere il prodotto da vedere.

6. Conclusioni

In questo lungo articolo ho cercato di chiarire l’Artificial Intelligence Marketing, una tecnica di vendita moderna che permette di automatizzare tutti quei procedimenti di cattura, esposizione e fidelizzazione del cliente verso un brand. Questa idea è nata negli ultimi anni in seguito alla sempre maggiore presenza di contenuti e pagine sul Web, per cui, un approccio tradizionale alla comunicazione non è più possibile. Non si può più pensare a strategie di marketing ampie e dedicate ad un pubblico vasto, bensì è necessario adottare strategie di targetizzazione degli utenti a seconda dei loro gusti e preferenze per ottenere una comunicazione mirata e molto più funzionale. Ed è proprio qui che interviene l’AIM. Grazie all’ ausilio dell’apprendimento automatico, al trattamento automatizzato del linguaggio naturale e al Marketing comportamentale, permette l’ automatizzazione di queste strategie che un tempo erano compito di esperti di marketing e che ora, grazie al sempre maggiore numero di utenti Web, non è più possibile, per ovvie ragioni, svolgere manualmente.

Fonti: