La IA en el marketing actual está sobrevalorada y subestimada

Un estudio reciente de Resulticks descubrió que la inteligencia artificial es el término más publicitado en la actualidad. Y eso fue con la dura competencia del bingo de palabra de moda de big data, omnicanal, marketing en tiempo real y personalización.

Desde el Flab de marketing de Resulticks hasta el desafío Fab

(Simplemente sabes que hay una empresa en algún lugar promocionando "personalización de marketing omnicanal, en tiempo real, utilizando big data y AI").

Entonces es fácil ser escéptico del término. En la curva exagerada de Gartner, creo que la IA en mercadotecnia ya está comenzando a alcanzar su punto máximo, con la desilusión llegando rápidamente. De hecho, creo que, en general, la frecuencia de las curvas de bombo de Gartner está aumentando: puedes pasar del pico de exageración al punto de desilusión dentro de un año. Pero ese es un artículo para otro momento.

Pero como escribí a principios de este año, la única cosa que todo el mundo se olvida de la curva exagerada de Gartner es que, incluso con los altibajos de la exageración, la tecnología subyacente continúa avanzando.

AI no va a hacer su comercialización por usted. (Y gracias a Dios, o te quedarías sin trabajo.) No hay un oráculo con voz de Alexa que te revele mágicamente la estrategia de marketing correcta. La visión de una IA de "inteligencia general" que actúa como un ser sensible con un gran cerebro sigue siendo una cuestión de ciencia ficción. De hecho, es discutible si alguna vez podría existir , como lo razonó elocuentemente François Chollet:

No existe la inteligencia "general". En un nivel abstracto, sabemos esto por un hecho a través del teorema de "no almuerzo gratis" , afirmando que ningún algoritmo de resolución de problemas puede superar el azar en todos los problemas posibles. Si la inteligencia es un algoritmo de resolución de problemas, solo puede entenderse con respecto a un problema específico. De una manera más concreta, podemos observar esto empíricamente en el sentido de que todos los sistemas inteligentes que conocemos están altamente especializados. La inteligencia de las IA que construimos hoy está hiper-especializada en tareas extremadamente limitadas, como jugar Go o clasificar imágenes en 10,000 categorías conocidas. La inteligencia de un pulpo está especializada en el problema de ser un pulpo. La inteligencia de un ser humano está especializada en el problema de ser humano ".

Pero aquí está la ironía: aunque la exageración ha exagerado lo que AI podría hacer para el marketing en los próximos 12-24 meses, la realidad de cómo la IA ya está trabajando en marketing hoy en día a menudo es poco reconocida .

Aplicaciones de AI

Uno de mis artículos favoritos del año pasado fue el brillante artículo de Robert Allen sobre 15 Aplicaciones de la Inteligencia Artificial en Mercadotecnia , que enumera un montón de casos donde "AI" ya funciona, como se muestra en este gráfico:

15 Aplicaciones de la Inteligencia Artificial en Marketing por Robert Allen

La mayoría de los casos de uso que describe están impulsados ??por uno de los tres tipos de IA:

  1. Aprendizaje automático
  2. Modelado de propensión
  3. Procesamiento de lenguaje natural (NLP)

Ninguno de estos son los tipos de supermaquinas de IA que ves idealizadas en las películas.

En su mayoría son algoritmos estadísticos que encuentran y combinan patrones y luego los extrapolan para hacer predicciones.

Ya sabes, autocompletar.

Son matemáticas, no magia.

Pero eso no es un golpe en contra de estas aplicaciones de inteligencia artificial. Con el volumen de datos y la velocidad de procesamiento actuales, estos algoritmos son altamente efectivos en lo que hacen. Por ejemplo, en el puntaje de plomo, el aprendizaje automático y el modelado de propensidad están superando a los seres humanos y las heurísticas basadas en reglas y cableadas con bastante regularidad en estos días (aquí hay un estudio de caso que vio un aumento del 27% en las ventas como resultado ).

En cierto modo, el aprendizaje automático es simplemente una estadística a gran velocidad y escala . Pero eso es poderoso. Como Tomasz Tunguz, un capitalista de riesgo en Redpoint Ventures, recientemente escribió en un artículo sobre Cómo identificar un mercado SaaS que el aprendizaje automático interrumpirá :

En general, las aplicaciones más frecuentes de aprendizaje automático en SaaS hoy en día son aplicaciones de eficiencia, que automatizan los procesos de alto volumen y reducen los costos. En consecuencia, si busca construir una empresa SaaS basada en el aprendizaje automático, encuentre un proceso interno realmente costoso y automatícelo.

De manera similar, el procesamiento de lenguaje natural (NLP) es indudablemente genial: potencia las interfaces conversacionales de chatbots y asistentes de voz, pero se ha convertido en una tecnología de software relativamente mundana. Aquí hay un gran visual de un artículo en la revista Chatbots que explica la tecnología detrás de la mayoría de los "chatbots AI" :

Funcionamiento interno de un chatbot ilustrado en la revista Chatbots

El componente de "procesamiento de lenguaje natural" y la mayoría de los algoritmos aplicados en la pieza "aprendizaje automático" están ahora a disposición de todos: integradas en plataformas de mensajería, rentables en la nube por centavos, o simplemente disponibles como herramientas de código abierto.

Donde las cosas se ponen interesantes con los chatbots -su diferenciación y ventaja competitiva- están en las partes de "acciones" y "fuentes de información" de la ecuación. ¿Qué datos y servicios son únicos para su negocio? Ahí es donde AI brilla.

No se puede exagerar: la buena IA depende de buenos datos .

Este es el mayor desafío individual en aplicaciones de IA para el marketing actual.

Lamentablemente, la calidad de los datos en la mayoría de los sistemas de comercialización todavía no es muy buena.

Hace apenas un par de meses, el 83% de los especialistas en marketing B2B en un Demand Gen Report se quejó de que sus datos son antiguos o desactualizados .

Y el 71% no tiene tiempo ni recursos para implementar un proceso efectivo para mejorar la calidad de sus datos, por lo que no estará mejorando para ellos en el corto plazo. Alimentar esos datos malos en un buen algoritmo de aprendizaje automático no dará las respuestas correctas. Y sin abrir la caja negra del algoritmo de aprendizaje automático, es posible que no tenga idea de que esas respuestas son incorrectas. Aparte de los malos resultados que obtendrás de él.

(Es interesante notar que solo el 36% ahora informa que sus datos están aislados. Vinculación con la investigación que he estado haciendo en los microservicios y API martech , los sistemas de marketing y ventas están cada vez más conectados y compartiendo datos. Pero si los datos no son bueno, esa integración fácil es como enviar a su hijo a la escuela con la gripe, lo suficientemente fácil para subirse al autobús, pero desafortunado para todos los demás).

Los datos incorrectos en AI tampoco son un problema limitado al marketing.

De hecho, puede ser útil leer algunos de los últimos escritos de expertos en inteligencia artificial y científicos de datos sobre las fallas y los riesgos de los datos incorrectos, en algunos casos intencionalmente malos , en todo el campo de manera más amplia.

El peligro real de la inteligencia artificial: no es lo que crees que es un artículo particularmente bueno, aunque inquietante, sobre este tema. Explica cómo la IA "puede causar daño o discriminación" al:

  • Usar datos sesgados o de baja calidad para capacitar a los modelos
  • Tener reglas mal definidas
  • Usarlo fuera de contexto
  • Creando circuitos de retroalimentación

Otro artículo de Rhaul Bhargava, un científico de investigación en el MIT Media Lab, profundiza en este tema con The Algorithms Are Not Biased, We Are . Él explica por qué, en el aprendizaje automático, "las preguntas que importan son qué es el libro de texto y quién es el maestro " para el aprendizaje que está haciendo la máquina.

Un artículo en Scientific American , How to Hack a Intelligent Machine , describe cómo los hackers pueden usar intencionalmente datos incorrectos para "engañar a los sistemas inteligentes y hacer tonterías". Otro artículo en IEEE Spectrum ilustra cómo las modificaciones de letreros leves pueden engañar completamente a los algoritmos de aprendizaje automático . y convierte a un panda en un gibón:

Uno comienza a darse cuenta de que la calidad de los datos y la seguridad de los datos serán retos interrelacionados para los especialistas en marketing. No solo la seguridad de los datos en el sentido de evitar que los malos actores roben sus datos. Pero también la seguridad de los datos para evitar que los malos actores distribuyan datos erróneos en sus sistemas para inducir a error a los sistemas de comercialización de aprendizaje automático.

Se trata de los datos.

Bueno, se trata principalmente de los datos. Otro factor que debemos tener en cuenta con el aprendizaje automático -y francamente, el marketing algorítmico de cualquier tipo- es la velocidad de aceleración exponencial a la que operan estas funciones. Es alucinante.

Como Alistair Croll escribió recientemente en It's the Automation , "Combinamos IA y automatización bajo nuestro riesgo. El poder de la automatización no es el algoritmo. Es la atención implacable y paralela. "Al hablar sobre cómo un sistema de inteligencia artificial aprendió a vencer a un popular programa de ajedrez en cuestión de horas, y cómo , Alistair observa:

No se sorprenda de que una IA supere el software de ajedrez. Sorpréndase de que jugó 1,228,800,000 juegos en 4 horas .

Esto cambia por completo la velocidad y la escala de las aplicaciones de optimización y simulación.

Para un ejemplo del mundo real en marketing, considere MarketBrew , una plataforma de inteligencia artificial para equipos de SEO. Normalmente, los profesionales de SEO realizarían cambios en un sitio web y tendrían que esperar hasta 60 días para ver cómo esos cambios reflejaban las clasificaciones en Google.

Sin embargo, el motor de inteligencia artificial de MarketBrew rastrea la red por sí mismo y crea un "Google" paralelo. Utiliza el aprendizaje automático para desarrollar un modelo bastante preciso de cómo clasifica Google los sitios. Luego puede actualizar constantemente este modelo para reflejar los cambios en los algoritmos de Google. Como resultado, un profesional de SEO puede enviar un cambio propuesto a un sitio web a MarketBrew, que puede dar una respuesta pronosticada sobre el impacto que tendrá en los rankings en 90 minutos . Eso es impresionante.

Aún así, el modelo no es la realidad. Solo una buena aproximación de eso.

En última instancia, esta es la razón por la cual hay tanta emoción en torno a las asociaciones de AI y humanos. Los humanos que trabajan en tándem con algoritmos de IA a menudo producen mejores resultados que cualquiera de los dos. Aquí hay solo un ejemplo de un informe de Accenture Fjord Trends 2018 sobre la precisión de detección de cáncer por máquinas, humanos o los dos juntos:

Del informe Accenture Fjord Trends 2018

Los humanos aportan contexto y "sentido común" que aún eluden los algoritmos de aprendizaje automático. Por otro lado, la inteligencia artificial proporciona una mayor precisión matemática y una potencia de cálculo exponencial para los problemas que nuestras propias mentes pueden ofrecer.

Juntos, humanos y máquinas son colaboradores poderosos. Una de las mayores interrupciones del marketing en los próximos años será aprender a gestionar esas colaboraciones a su máximo potencial.

¿Has aprendido algo? Haga clic en ? para decir "¡gracias!" Y ayude a otros a encontrar este artículo.

Una versión de este artículo fue publicada originalmente en chiefmartec.com .