Sztuczna inteligencja wie, czego potrzebujesz? Zobacz, jak wykorzystać deep learning

Dane Infosys pokazują, że aż 86 proc. konsumentów bierze pod uwagę personalizowany przekaz podczas zakupów.

Codziennie miliony ludzi podejmuje decyzje zakupowe bazując na rekomendacjach – dotyczy to zarówno produktów, jak i wyboru restauracji czy hotelu na urlop. Według raportu Nielsena „Global Trust in Advertising”, choć zdecydowana większość wykorzystuje internetowe komentarze i opinie, przy podejmowaniu ostatecznych decyzji największe znaczenie ma w dalszym ciągu tzw. marketing szeptany. Ponad 83 proc. badanych ufa sugestiom znajomych i rodziny – w końcu to oni znają nasze gusta, przyzwyczajenia i preferencje najlepiej. Czy aby na pewno? Co jeśli technologia jest w stanie powiedzieć o nas i naszych oczekiwaniach więcej niż najbliżsi? 

Cyfrowa era to zwrot w kierunku większych możliwości, ale i wyzwań. Mając w zasięgu ręki produkty z całego świata, setki tysięcy producentów i miliony opcji, coraz trudniej dokonać właściwych wyborów. Dlatego to system rekomendacji nadaje kierunek naszej podróży w poszukiwaniu konkretnych produktów czy usług i pomaga nam odławiać z morza ofert interesujące nas rzeczy. Analizując nasze poprzednie wybory, wyszukiwania, preferencje czy w końcu decyzje zakupowe osób o podobnym do naszego profilu, ma nieporównywalnie większe szanse na dokładne wnioski, w przeciwieństwie do ludzkich sugestii, często niepozbawionych subiektywnego charakteru. 

Co komputery o nas wiedzą

Wiedza na temat profilu zakupowego danego użytkownika pochodzi z informacji na temat tego co kupił lub oglądał w przeszłości, kiedy i jak długo przeglądał produkty czy jakich wyborów dokonywali ludzie o podobnych preferencjach. Mechanizm rekomendacji sugeruje wybrane produkty nie tylko na podstawie wyszukiwanych fraz – analizuje także miliony danych, by jeszcze dokładniej dopasować prezentowane wyniki. 

Brzmi prosto? By wyświetlane produkty jeszcze precyzyjniej trafiały w oczekiwania użytkowników, wspomniana technologia musi przetworzyć ogromne ilości danych. Dlatego deep learning, jeden z najbardziej obiecujących obszarów badań nad sztuczną inteligencją, jako metoda imitująca przetwarzanie danych przez ludzki mózg, ma największe szanse na powodzenie.  

Większość z nas zetknęła się nie raz z wspomnianymi rekomendacjami. Wystarczy przypomnieć sobie ostatnie zakupy na Amazonie i sekcję „Zobacz także” czy niedawno sugerowane kontakty na Linkedin. Nawet propozycje filmów wyświetlane na Netflixie zaczynają pokrywać się z naszymi wcześniejszymi wyborami.

A to tylko początek. Algorytmy deep learningowe badające zachowania użytkowników na podstawie ich zwyczajów już podczas pierwszych kilku wizyt w sklepie, wyciągają wnioski, analizują dane w czasie rzeczywistym oraz uczą się w ten sposób jeszcze lepiej dobierać rekomendowane produkty, co przekłada się na prawdopodobieństwo zakupu. Na podobnej zasadzie działa dobieranie kolejnych utworów w serwisach takich jak Spotify czy YouTube. 

Ultra-precyzyjne algorytmy deep learningowe są więc wykorzystywane w każdej branży powiązanej z przetwarzaniem elektronicznych danych. Nie inaczej jest w świecie reklamy. Według RTB House, działającej globalnie, polskiej spółki specjalizującej się w innowacyjnej technologii retargetingowej, samouczące się algorytmy mogą znacznie ulepszyć mechanizm rekomendacji produktów i tym samym zwiększyć efektywność działań reklamowych nawet o 50 proc. Jak to działa w praktyce?

Deep learning a rekomendacje

Weźmy na przykład zakup nowej sukienki. Kiedy użytkownik porusza się po stronie internetowej sklepu, mechanizm rekomendacji wychwytuje każdą, nawet najmniejszą z tych aktywności. Sprawdza kolor, szczegóły takie jak kołnierzyk, długość rękawa czy rodzaj zapięcia, a oprócz tego zakres cen czy rozmiar. Następnie przetwarza te wszystkie dane, tworząc założenia, które dzięki analizie w czasie rzeczywistym pomogą odtworzyć historię aktywności, upodobania klienta, jego wcześniejsze zainteresowania czy nastrój. Dzięki temu dopasowanie biżuterii, szpilek czy stroju na wieczór i wyświetlenie konkretnych produktów jest znacznie dokładniejsze. Wszystko to dzieje się bez ingerencji człowieka, co nie tylko przyspiesza cały proces, ale również eliminuje pomyłki.

Dotychczasowe modele rekomendacji po prostu zbierały informacje i wyświetlały produkty na podstawie wcześniej ręcznie wprowadzonych wytycznych – na przykład: „Wyświetl reklamy biżuterii tym użytkownikom, którzy odwiedzili sklep z damską odzieżą i przejrzeli produkty z kategorii sukienki, gdyż to w większości kobiety.” Obecnie można zweryfikować to założenie: „Wiemy, o wizycie w sklepie z damską odzieżą i znamy informacje na temat sposobu wyszukiwania, dlatego możemy określić potencjał zakupowy tego użytkownika. Możemy przypuszczać że szuka prezentu, więc powinien zobaczyć naszą reklamę.”

Algorytmy deep learningowe naśladują sposób, w jaki myślimy, ale praktyczna nauka odbywa się tu zupełnie bez ingerencji człowieka. Maszyna bezustannie analizuje setki tysięcy danych i na tej podstawie podejmuje decyzje w czasie rzeczywistym. Pozwala to nie tylko na zastosowanie ogólnych założeń kampanii, ale i dostosowanie jej do indywidualnego użytkownika i jego potrzeb. Przetwarzanie danych w ten sposób, niedostępne dla człowieka, podnosi efektywność prowadzonych działań.

Kolejny krok

Według badania Janrain & Harris Interactive, 74 proc. użytkowników sieci nie jest zadowolonych z treści, które są im wyświetlane w formie reklam. Głównym powodem jest brak związku  z ich zainteresowaniami. Co więcej, dane Infosys pokazują, że aż 86 proc. konsumentów bierze pod uwagę personalizowany przekaz podczas zakupów. 

Ultra-precyzyjne rekomendacje wzmacniają relacje marki z klientem, co przekłada się na wzrosty sprzedaży, liczbę konwersji, a ostatecznie zyski. Odnosi się to nie tylko do sektora e-commerce, serwisów streamingowych czy VOD, lecz również może przynieść korzyści branży turystycznej, bankowej czy sklepom z artykułami codziennego użytku.

Steve Jobs powiedział kiedyś: „Ludzie nie wiedzą czego chcą, dopóki im się tego nie pokaże.” Dzięki algorytmom deep learningowym to zdanie nabiera dosłownego znaczenia dla każdego użytkownika wirtualnego świata.

Łukasz Abgarowicz, Business Development Director Poland, RTB House. Związany z RTB House od początku 2014. Odpowiada za całość działań biznesowych w kraju, w tym m.in.: strategię sprzedaży, nowe kierunki rozwoju oraz wyniki finansowe polskiego oddziału spółki. Wcześniejsze doświadczenie zawodowe zdobywał m.in w takich firmach, jak: Polkomtel, Rem Polska czy Dom Development.

Pobierz ebook "Ranking Agencji Marketingowych 2025 roku i ebook z poradami o promocji w sieci"