人工智能在内容营销中的机会很容易解释

直到最近，我对人工智能最接近的理解是知道它支持我的martech堆栈中的工具(例如，营销自动化、预测性线索评分等)。).

除此之外，我发现这个概念很难理解，直到克里斯·潘在内容营销世界的演讲，如何使用人工智能来提高你的内容营销的影响。

Trust Insights的联合创始人兼首席创新者克里斯(Chris)讲述了人工智能的几个现实应用。他的例子有助于将抽象概念转化为具体的用例。

Chris利用对数学、数据科学和机器学习的深刻理解，通过用R编程语言亲自动手编码实现了这些例子。但大多数营销人员不具备数据科学和计算机编程技能。在这篇文章的后面，我分享了克里斯关于营销人员如何应用这些人工智能概念的建议。

这是克里斯的几个实验。

驱动因素分析:什么导致了有利可图的行动？

克里斯说，当你有一堆数据，但你不确定什么对你想要的结果重要时，驱动因素分析是一个有效的工具。

机器学习软件在这种情况下表现出色。你输入所有的数据，它会告诉你哪些是重要的。Chris解释说，分析的结论是这样的，“嘿，这种变量组合似乎与你想要的目标有着最强的数学关系。”

Chris在流行的公关和营销博客Spin Sucks上进行驱动因素分析，该博客的主要业务目标是挖掘潜在客户。

“(它)确定有机搜索是第三大驱动力。该团队在这方面投入了大量时间和精力，他们应该这样做，但电子邮件是第一推动力，”Chris说。

通过更好地了解是什么推动了销售线索，Spin Sucks团队可以决定将更多的时间转移到电子邮件营销上，因为这是最有效的来源。

无论您的目标是页面浏览量、社交分享、潜在客户还是收入，驱动因素的排名列表都可以帮助您更有效地规划资源、优先级和预算。

实施细节:Chris用R编程语言实现了马尔可夫链归属。要详细了解这样一个实现，请阅读数据科学家Sergey Bryl的这篇文章，它会让您很好地了解其中涉及了多少数学和数据科学。

文本挖掘:揭示主题、关键词和隐藏的问题

文本挖掘是人工智能的一种应用，它吸收内容(例如，文本)以对其进行分类、归类和理解。

Chris注意到文本挖掘使用矢量化，将单词转换成数字。它查看这些数字之间的数学关系，并确定这些单词有多相似。这是深度学习的一种形式。

反向工程谷歌揭示关键主题和条款

谷歌算法本身使用了大量人工智能，是深度学习系统的一个例子。“谷歌的搜索算法现在如此复杂，没有人知道它是如何工作的，包括谷歌，”克里斯说。"他们的模型几乎没有可解释性."

你可以使用文本挖掘对你的目标主题的谷歌算法进行逆向工程。“我们可以部署自己的机器学习模型来说，‘好吧，对于像内容营销这样的搜索词，前10或20页都有哪些共同的词？’"

这是谷歌逆向工程的一个输出示例:

结果列表会提示在围绕您的反向工程关键词开发新内容时要涵盖哪些词或类别。拥有这些常用词，比简单地说“让我们写一篇关于内容营销的真正好的文章”更有可能让你在有机搜索中获得成功

实施细节Chris通过R编程语言实现了文本挖掘和主题建模，从文本语料库中提取相关主题(例如，在搜索引擎结果页面中找到的文章内容)。

通过文本挖掘提取隐藏的洞察力

2014年，橄榄园的母公司达顿餐厅更换了董事会。新的团队实施了一些改变，包括强制执行现有的但被大多数人忽视的面包棒政策(每人一份，外加一份)。

正如Chris解释的那样，员工们然后花时间执行政策，根据餐桌上的人数计算篮子里面包条的数量。

克里斯对该公司员工在Glassdoor上撰写的2500篇公开评论进行了文本挖掘。以下是结果的一瞥:

文本挖掘使面包条成为一个问题。如果Olive Garden希望修复员工士气低落和糟糕的客户体验，对其Glassdoor评论的人工审查可能会将他们引上错误的道路，在那里，餐馆员工通常会抱怨工资低和工作时间长。

文本挖掘揭示了面包棒问题。(在公众的强烈反对下，橄榄园又回到了之前的面包棒策略。)

非结构化数据的文本挖掘可以应用于许多有用的营销环境:客户评论、表现不佳/良好的博客帖子、客户成功电话记录等。提取隐藏的洞察力可以为你指出高投资回报率的行动路线。

实施细节:类似于逆向工程Google的例子，Chris通过R编程语言实现了文本挖掘。

时间序列预测:分析竞争对手的品牌搜索

让我们结合数学，统计学和人工智能来创造一个神奇的8球。

“知道将要发生什么不是很好吗？”克里斯问。“制定计划、预算、人员配备和编辑日程将会变得容易得多。”

Chris对克利夫兰酒店搜索数据进行了预测性时间序列预测。他查看了超过12个月的品牌搜索，其中搜索者指定了特定的酒店(例如，希尔顿克利夫兰、假日酒店克利夫兰、凯悦克利夫兰、万豪克利夫兰)。

结果预测了每家酒店的搜索量上升和下降的时间:

“如果你曾在克利夫兰万豪酒店工作过，你现在会知道，就在9月底左右，你的搜索兴趣超过了你的竞争对手。你可以发起针对他们的运动，从他们那里夺取更多的市场份额，”克里斯说。

任何品牌都可以从预测性时间序列预测中受益——分析你的公司和你的竞争对手的品牌搜索。例如，你可以搜索你的品牌何时表现不佳，并利用这些数据，通过相关的内容资产或促销活动，对竞争对手的品牌名称进行竞价。

“想象一下搜索话题、对话、社交媒体。你可以预测的不仅仅是搜索量，”克里斯说。“您可以通过营销自动化软件预测潜在客户的产生。您可以从CRM或ERP中预测收入。任何有规律的数据都是可以预测的。”

实施细节: Chris使用R处理了五年的谷歌搜索数据，然后实现了一种叫做自回归综合移动平均(ARIMA)的统计方法。

内容营销人员如何尝试这些人工智能用途

我知道你们中的一些人现在一定在想什么:

• “等等，真的吗？”
• "数据科学和概率对我来说太难了."
• "我太忙了，不可能自己学会做这件事。"

这些反应是可以理解的。好消息是你有选择。您不需要学习前面介绍的深入的具体细节。

克里斯为考虑接近人工智能的营销人员提供了三条建议。

自己动手。 这种方法适合一小部分对数据科学和机器学习真正感兴趣的营销人员。你应该对深入研究数学、统计学和概率感兴趣——并且乐于写代码。

如果你决定走这条路，克里斯建议你去看看谷歌的机器学习速成课程，可以在网上免费获得，它会带你完成40多个练习，25节课，真实世界的案例研究，以及谷歌研究人员的讲座。

Chris注意到IBM Watson Studio有一个直观的拖放式用户界面。虽然Watson确实能让程序员在它的平台上编写代码，但UI对于不倾向于编写代码的营销人员来说可能是有用的。

对于那些对编码感兴趣的人，Chris建议学习R和Python语言，它们是许多人工智能工具和库的基础。准备花6到12个月学习编程语言，再花6到12个月学习数据科学。

如果你刚刚开始学习编码，Dummies系列有一些书可能会有用:R for Dummies和Python for Dummies。

挖掘您的员工数据科学家。 第二种选择适用于雇佣数据科学家的大型组织(如谷歌、脸书和优步)。“拥有数据科学技能的员工倾向于量化，并且知道如何正确使用技术，因此他们可以提供很大的帮助，”Chris说。

回想一下我提到的用例。对于文本挖掘或时间序列预测，内部数据科学家将理解您的目的和目标，构建正确的模型，然后实施必要的代码。

外包。 这个选项适用于内部没有人工智能和数据科学人才的组织。答案是外包给专家:拥有必要人工智能知识和经验的人或机构。

克里斯是这样说的:“代理和顾问可以帮助你使用这些方法。可以一次性做小项目。如果需求持续存在或更加频繁，他们可以帮助您构建在您需要时运行的软件。”

后续步骤

无论这三个选项中哪一个对你有意义，有一件事我敦促所有营销人员去做:了解人工智能，理解它在营销技术中扮演的角色。

虽然你不需要理解马尔可夫链属性或如何用R编程，但你需要知道足够多的知识来确定AI可以在哪里以及如何帮助你的营销。基本的人工智能知识也将帮助你更好地评估供应商的解决方案和索赔。

想想买电脑需要什么样的知识。你不需要成为芯片设计师，但你需要知道32位和64位处理器的区别，以及1.5 GHz处理器是否比2.7 GHz处理器更好。对于人工智能，当供应商说，“我们的预测分析解决方案使用了最新的人工智能技术，”你需要知道如何质疑这一说法，以及如何区分虚假和现实。

由于人工智能是商

你呢？你对人工智能营销的兴趣水平如何？你是如何获得信息和知识的？

以下是克里斯演讲的摘录: