แมชชีนเลิร์นนิงมุ่งสู่การเติบโตอย่างรวดเร็ว หลังจากทำเครื่องหมายเกิน 1 พันล้านดอลลาร์ในปี 2559 ตลาดแมชชีนเลิร์นนิงคาดว่าจะแตะ39.98 พันล้านดอลลาร์ภายในปี 2568 ตามรายงานฉบับใหม่ของ Research and Marketsการเติบโตทั้งหมดนั้นมาจากไหน? ทุกที่! แมชชีนเลิร์นนิงถือกำเนิดขึ้นในปี 1959โดยนักวิทยาศาสตร์คอมพิวเตอร์ Arthur Samuel แต่เมื่อไม่นานมานี้
ชุมชนธุรกิจขนาดใหญ่ได้เข้าใจถึงคุณค่าของมัน ในอีก
ไม่กี่ปีข้างหน้า ทุกคนจะนำไปใช้ตั้งแต่บริษัทที่ติดอันดับ Fortune 500 ไปจนถึงร้านค้าแม่และเด็ก
แน่นอน ความท้าทายแรกของแมชชีนเลิร์นนิงคือการระบุกรณีการใช้งาน ไม่แน่ใจว่าจะเริ่มต้นที่ไหน? เพื่อให้ได้ประโยชน์สูงสุดจากเทคโนโลยีระเบิดนี้ ให้พิจารณาว่าบริษัทชั้นนำในปัจจุบัน ตั้งแต่ในอุตสาหกรรมค้าปลีกไปจนถึงฮาร์ดแวร์ไปจนถึงสื่อกำลังใช้งานเทคโนโลยีนี้อย่างไร:
1. เป้าหมาย: เรียนรู้จากปัจจุบันเพื่อลงทุนในอนาคต
Target ยักษ์ใหญ่ด้านการค้าปลีกค้นพบว่าการเรียนรู้ของเครื่องสามารถใช้ทำนายพฤติกรรมการซื้อได้ ไม่เพียงเท่านั้น แต่ยังรวมถึงการตั้งครรภ์ด้วย ในความเป็นจริง แบบจำลองของ Target นั้นแม่นยำมากจนสามารถเดาได้อย่างน่าเชื่อถือว่าหญิงตั้งครรภ์อยู่ในช่วงไตรมาสใดโดยพิจารณาจากสิ่งที่เธอซื้อ หลังจากที่พ่อคนหนึ่งค้นพบจากการโปรโมตอย่างต่อเนื่องของ Target ว่าลูกสาววัย 16 ปีของเขากำลังตั้งครรภ์ Target จึงต้องคืนความคิดริเริ่มด้วยการผสมโฆษณาที่เจาะจงน้อยลง
โปรโมชั่นของบริษัทส่วนใหญ่จะขับเคลื่อนตามฤดูกาลหรือวันหยุด พลั่วหิมะวางขายในเดือนกรกฎาคม ครีมกันแดดในเดือนมิถุนายน แต่ผู้บริโภคก็ต้องผ่านฤดูกาลต่างๆ ในชีวิตเช่นกัน ตัวอย่างเช่น เวลาที่แย่ที่สุดในการขายรถให้ใครสักคนคือหลังจากที่เธอเพิ่งซื้อมา อย่างไรก็ตาม อาจเป็นเวลาที่ดีที่สุดที่จะทำการตลาดประกันภัยรถยนต์ให้กับบุคคลนั้น แมชชีนเลิร์นนิงสามารถจับจังหวะเหล่านั้นได้ ช่วยให้บริษัทต่างๆ แนะนำผลิตภัณฑ์ให้กับลูกค้าเมื่อถึงเวลาที่เหมาะสม
บริษัทของฉันใช้แมชชีนเลิร์นนิงเพื่อกระตุ้นการซื้อสำหรับสมาชิก เราค้นพบว่าหากลูกค้ากำลังผ่านเหตุการณ์สำคัญในชีวิต (เช่น การสำเร็จการศึกษาหรือการแต่งงาน) ลูกค้ามีแนวโน้มที่จะเปลี่ยนพฤติกรรมมากกว่าช่วงเวลาอื่นๆ ในชีวิต ตัวอย่างเช่น บริษัทด้านการศึกษาที่รู้ว่าผู้ใช้ 20 เปอร์เซ็นต์ออกจากงานทุกเดือนพฤษภาคม อาจใช้แมชชีนเลิร์นนิงเพื่อแนะนำผู้ที่มีแนวโน้มจะสำเร็จการศึกษาไปยังพาร์ทเนอร์หรือสปอนเซอร์ขององค์กร
ที่เกี่ยวข้อง: 5 เหตุผลที่แมชชีนเลิร์นนิงคืออนาคตของการตลาด
2. Twitter: สร้างตัวอย่างที่สมบูรณ์แบบ
เมื่อมีคนโพสต์รูปภาพใน Twitter เธอต้องการให้คนอื่นเห็น แต่ถ้าภาพขนาดย่ออยู่ที่พื้นหรือผนัง 90 เปอร์เซ็นต์ จะไม่มีใครคลิกภาพนั้น Twitter ดูเหมือนจะแก้ปัญหานี้โดย ใช้โครง ข่ายประสาทเทียม ด้วยวิธีที่ประหยัดและปรับขนาดได้ บริษัทโซเชียลมีเดียกำลังใช้การเรียนรู้ของเครื่องเพื่อครอบตัดรูปภาพของผู้ใช้ให้เป็นรูปภาพตัวอย่างที่น่าสนใจและมีความละเอียดต่ำ ผลที่ได้คือภาพขนาดย่อของลูกบิดประตูน้อยลงและเครื่องหมายตลกๆ เหนือลูกบิดมากขึ้น
ลองใช้การเพิ่มประสิทธิภาพภาพขนาดย่อของ Twitter สำหรับแคมเปญการตลาดครั้งต่อไปของคุณ อัปโหลดภาพถ่ายที่สอดคล้องกับแบรนด์ ผู้ใช้สร้างขึ้น และให้ Twitter กำหนดว่าองค์ประกอบใดของแต่ละภาพจะเพิ่มการมีส่วนร่วมสูงสุด จากนั้น ใช้การครอบตัดรูปภาพที่มีประสิทธิภาพสูงสุดสำหรับแคมเปญ Twitter ถัดไปของคุณ ใครไม่ชอบการวิจัยตลาดฟรี?
เราใช้แมชชีนเลิร์นนิงเพื่อปรับแต่งรูปภาพสำหรับการสนทนา
ความท้าทายคือการทำให้แน่ใจว่าภาพที่สมบูรณ์โหลดเร็วพอที่จะติดตามการสนทนาสดได้ ผู้ใช้ที่ส่งคำถามหรือคำขอค้นหาคาดว่าจะได้รับคำตอบในรูปของรูปภาพหรือ GIF ทันที การใช้แมชชีนเลิร์นนิงช่วยให้เราตอบสนองได้อย่างเหมาะสมในระดับไม่กี่วินาที
3. Apple: โอบรับประสบการณ์ทั้งมวล
ใครก็ตามที่มีผลิตภัณฑ์ Apple มากกว่าหนึ่งชิ้นจะรู้ว่าอุปกรณ์ต่างๆ ทำงานร่วมกันได้ดีเพียงใด ขณะนี้ ยักษ์ใหญ่ด้านเทคโนโลยีกำลังใช้แมชชีนเลิร์นนิงเพื่อสร้างประสบการณ์ลูกค้าที่ราบรื่นมากยิ่งขึ้น เมื่อเร็ว ๆ นี้ Apple ได้ยื่นจดสิทธิบัตรซึ่งกล่าวเป็นนัยว่าให้จัดลำดับความสำคัญของการปรับแต่งข้ามอุปกรณ์ ตัวอย่างเช่น ในอนาคตอันใกล้ Apple Watch ของผู้ใช้อาจแนะนำเพลย์ลิสต์ iTunes ที่ตรงกับเป้าหมายการเต้นของหัวใจในแอปอื่น
ที่ Cannes Lions 2017 เราได้ทำสิ่งที่คล้ายกัน (แต่อาจจดสิทธิบัตรได้น้อยกว่า) เราเชื่อมต่อระบบประมวลผลด้วยภาษาธรรมชาติเข้ากับ Foursquare, Google Maps และฐานความรู้ในท้องถิ่นเพื่อช่วยผู้ใช้นำทางไปยังสถานที่ท่องเที่ยวและการประชุม ผลลัพธ์คือประสบการณ์การสนทนาที่สังเคราะห์ข้อมูลจากหลายแหล่งเพื่อให้คำตอบอย่างรวดเร็ว
บริษัทใดก็ตามที่ทำงานกับอุปกรณ์อัจฉริยะ เช่น การเริ่มต้นใช้งาน Internet of Things สามารถทำได้ การเชื่อมต่อโมเดลต่างๆ กับข้อมูลการฝึกอบรมชุดเดียวกันจะช่วยปรับปรุงคุณภาพของข้อมูลเชิงลึกที่ส่งมอบ และด้วยเหตุนี้จึงรวมถึงประสบการณ์ของลูกค้าด้วย อุปกรณ์ที่ต่อเข้าด้วยกันเป็นแบบจำลองทั้งมวลทำงานร่วมกันเหมือนผู้ขว้างลูกเบสบอลและผู้จับ: เนื่องจากอุปกรณ์เหล่านี้ทำงานจากชุดข้อมูลเดียวกัน พวกเขาจึงสามารถร่วมกันตัดสินใจว่าจะเข้าหางานจากฝั่งตรงข้ามอย่างไร
credit: coachwebsitelogin.com assistancedogsamerica.com blogsbymandy.com blogsdeescalada.com montblanc–pens.com getthehellawayfromsalliemae.com phtwitter.com shoporsellgold.com unastanzatuttaperte.com servingversusselling.com
