AI E MARKETING: 5 LEZIONI PER I MARKETERS DEL FUTURO
by Riccardo Pirazzoli
Nel 2022, il 61% delle grandi imprese italiane hanno già implementato le AI nei loro processi (dati dell’Osservatorio AI del Politecnico di Milano). Questo perché nei loro organigrammi c’era già personale dotato di competenze specifiche sul tema Big Data.
Lezione numero 1: chi investe nell’innovazione delle competenze genera un driver interno di cambiamento
Sì, interno. Infatti, secondo quanto riportato dall’Osservatorio, attraverso l’iniziativa e il know-how di queste umane risorse, queste aziende hanno potuto soddisfare esigenze di business molto specifiche senza ricorrere a driver esterni.
Il 15% delle PMI italiane, nel 2022, ha sfruttato le AI, segnando un notevole aumento del +9% rispetto all’anno precedente. Il trend sembra quindi inesorabile anche per le aziende più piccole, pur con una differenza enorme rispetto alle grande imprese.
Mancando risorse per creare competenze interne, la voglia di implementare le AI nelle PMI sorge da proposte pervenute da fornitori esterni di soluzioni tecnologiche. In tal modo, si possono soddisfare esigenze specifiche di clienti, approfittando anche di un quadro fiscale/normativo favorevole.
Lezione numero 2: i driver esterni (fornitori, clienti, norme) stanno spronando le PMI a investire in AI, quindi c’è un mercato interessante da esplorare.
Chi oggi ha voglia di creare start-up può quindi:
- rivolgersi al mercato delle grandi imprese creando servizi di supporto alle HR interne, già dotate di competenze ma che potrebbero avere bisogno di migliorare l’intelligent data processing, la computer vision, i sistemi di recommendation dell’e-commerce, i chatbot/virtual assistant ancor oggi poco empatici.
- Creare offerte chiave in mano per le PMI, prive di HR già competenti e quindi obbligate a esternalizzare servizi come quelli sopra elencati, ma anche per creare marketing automation maggiormente segmentate, customer service più umani, cross/up selling efficaci, personalizzazione dei contenuti.
Chi vuole sviluppare business AI-based dovrebbe aiutare le aziende a risolvere fattori critici di implementazione:
Mancano metodologie progettuali che tengano conto delle intelligenze artificiali e che permettano di integrarle nei sistemi già esistenti. Chi infatti entra con l’idea di azzerare tutto e ricostruire dimentica che le imprese sono fatte di persone, che devono essere parte del cambiamento, non un costo da eliminare.
Alcune buone domande:
Chi sono i membri dello staff che entreranno in contatto con le AI? Come impatteranno i nuovi processi sulla loro attività quotidiana? Cosa temono? Cosa sono disposti a cambiare e cosa NON sono disposti a modificare? Chi sono i clienti dell’azienda? Come sono abituati a contattare/a essere contattati? Cosa amano dell’azienda? Cosa detestano?
Esistono difficoltà nel reperire dati di quantità e qualità adeguata. Probabilmente, l’accesso a dati puliti e davvero utili, nella giusta quantità, rappresenterà una fonte di digital divide. Chi potrà accedere e poi studiare e sfruttare questi dati, godrà di un vantaggio competitivo.
Altre buone domande:
Dove reperire questi dati? Quanto costano? Come creare sinergie tra PMI per accedere a questi data warehouse? Quali sono gli osservatori da cui attingere? Quanti dati possiede già l’azienda? Come sono immagazzinati? Chi si occupa della manutenzione? Chi li sa leggere? Chi li sa condividere con altre funzioni aziendali? Esiste una cultura del dato nell’azienda?
Nelle PMI, non ci sono competenze interne dedicate alla concreta messa in produzione dei progetti basati su intelligenze artificiali.
Ancora, altre buone domande:
Quali sono i background professionali/accademici dello staff? Cosa possono capire e cosa NON possono comprendere? Come coinvolgerli? Come aiutarli? Quali vantaggi possono ottenere grazie alle AI? Quali interventi proporre nel breve termine? Quali interventi proporre nel lungo termine? Come gestire il ciclo di vita del progetto? Quando fare un’analisi di impatto del progetto? Ogni quanto ripetere questa valutazione?
Lezione numero 3: servono nuove domande e nuovi KPI.
Torniamo alle umane risorse.
Come prima cosa: perché prima “umane” e poi “risorse”.
Sono sicuro che le AI siano strumenti che l’ “homo sapiens” deve imparare a usare all’interno dei processi. Sono un mezzo, non un fine. Quindi, il marketing del futuro sarà ancora umano-centrico, e non tech-centrico. Come conseguenza di ciò, meglio chiarire agli imprenditori che hanno bisogno di persone, delle loro creatività, dei loro sentimenti. Quando avranno scelto e inserito persone, e quando le avranno messe nelle migliori condizioni per creare valore, allora gli umani diventano risorse (sto citando l’ottimo Osvaldo Danzi, di Senza Filtro, che ha coniato questa bella espressione: umane risorse).
Mettiamo quindi il microscopio sulle HR:
chi sono i professionisti coinvolti nei processi di marketing AI-driven?
E cosa fanno?
Cosa fanno: immaginiamo una piramide. Partiamo dalla base e saliamo verso la punta.
- L’inizio del processo del marketing AI-driven è raccogliere i dati. Lo deve fare il Data/Software Engineer.
- I dati devono essere spostati e memorizzati affinché siano accessibili e analizzabili. Anche questo è il compito del Data/Software Engineer.
- Ora si devono esplorare, studiare, analizzare e trasformarli in qualcosa che in futuro possa parlare il linguaggio del marketing: per es. diventare un cluster, permettere la previsione di volume vendite… Si tratta di un compito molto difficile, si devono pulire i dati, cioè eliminare quanto è superfluo e correggere gli errori. Lo fa ancora il Data/Software Engineer, ma qui diventa fondamentale che non ragioni solo da ingegnere, ma deve ascoltare anche le esigenze di chi userà quei dati. Le logiche possono essere diverse, forse conflittuali.
- Aggregare e ottimizzare i dati resi parlanti permette lo sviluppo di una AI da implementare nel processo. Un Data Analyst “traduce” il lavoro degli ingegneri in report/visualizations che permetteranno ai marketer di creare strategie e contenuti.
Lezione numero 4: problematiche comunicative
Nei processi AI-based sono coinvolte figure professionali con background molto diversi e che parlano lingue diverse. Potrebbero non capirsi. Occorre farli collaborare, costruire una visione condivisa. Gli obiettivi finali (mettere il cliente al centro del business) devono guidare le azioni di tutti.
Come sempre dico a lezione, chi sa solo di marketing NON sa niente di marketing. Gli addetti marketing che vogliono lavorare con le AI devono rendersi conto che nella loro valigia degli attrezzi devono fare spazio per know-how molto variegati: statistica, storytelling, visual design, psicologia… Devono imparare a comunicare con Data Engineer e Analyst, trovare un comune terreno di comprensione reciproca con loro. Vale ovviamente anche il processo inverso: gli specialisti dei dati devono capire che il data set dovrà andare in mano a professionisti che hanno esigenze, competenze e visioni diverse dalle loro.
Arriviamo in conclusione al marketing.
In cosa le AI e i Big Data possono aiutare i marketer?
Esistono tre tipi di apprendimento automatico che possono innovare i processi di marketing (consiglio l’ottimo testo di Vincenzo Cosenza).
- Apprendimento supervisionato (supervised learning): serve a scovare e riprodurre la regola che lega dati in input a target. La macchina impara attraverso l’osservazione di esempi passati (dati muniti di risultato). Condizione fondamentale per l’uso di questo approccio: disponibilità di risultati!
Come applicarlo?
Per riconoscere connessioni che legano i dati in input a una colonna obiettivo attraverso una regressione (se l’obiettivo è un numero) o la classificazione (quando l’obiettivo è una categoria).
Permette di fare previsioni
ES.DI ALGORITMO:
Linear/logistic regression
Decision tree
Random forest
Neural network
- Apprendimento NON supervisionato (unsupervised learning): per riconoscere aspetti della struttura dei dati in input, senza avere a disposizione un risultato passato.
Come applicarlo?
Il caso più comune di applicazione è nell’analisi dei gruppi per fare clustering, per raggruppare oggetti senza poter sfruttare esempi da utilizzare come base di apprendimento. Non avendo esempi da cui imparare, il clustering sfrutta similarità tra i dati da analizzare, similarità di varia natura ma che definiscono una distanza tra punti del dataset
ES.DI ALGORITMO:
K-means
Hierarchical clustering
Latent Dirichlet Allocation (LDA)
Principal Component Analysis (PCA)
Singular Value Decomposition (SVD)
- Apprendimento con rinforzo, o reinforcement learning. A differenza degli altri approcci, la macchina interagisce con l’ambiente e impara dai suoi stessi errori. La macchina attua ciò che ha imparato, vede se funziona (tramite un meccanismo di ricompense) e rinforza la sua conoscenza attraverso la nuova esperienza.
Come applicarlo?
Quando serve un agente autonomo: voglio imparare a rispondere in base a come varia l’ambiente. Tipicamente usate per allocare il budget nelle varie attività aziendali.
ES. DI ALGORITMO:
Q-Learning
Monte Carlo
L’analisi dei dati è ovviamente alla base di qualunque applicazione dell’IA alle attività aziendali. Due classiche implementazioni sono:
Segmentazione
L’IA svolge un lavoro più raffinato dell’uomo perché ha a disposizione una grande mole di dati. La mente umana da sola non potrebbe gestire così tanti dati e riconoscere strutture.
Ipotizzo un banale processo:
- Punto di partenza: insieme di clienti con determinate features
- Punto di sbocco: NON è definito! NON so come è meglio raggruppare i dati! Non posso sapere quanti cluster sono riscontrabili nel dataset. Posso però chiedere alla macchina di fornirmene un numero coerente con il numero di segmenti di mercato che penso di poter soddisfare.
- Scelgo di sfruttare l’apprendimento non supervisionato perché permette di individuare similarità tra i dati. Decido quante caratteristiche considerare per definire il cluster e quanti cluster voglio ottenere.
- Esempio di applicazione: sito di e-commerce ove occorre individuare cluster omogenei di clienti a cui rivolgere contenuti, sconti, promozioni diversi.
Previsione del churn rate (tasso di abbandono del cliente)
Quale potrebbe essere la percentuale di clienti che periodicamente smette di utilizzare il servizio/prodotto?
Gli algoritmi di apprendimento supervisionato discriminano i clienti in base alla probabilità di abbandono. Per farlo, hanno bisogno di conoscere indicatori di fedeltà o infedeltà che un addetto marketer deve fornire alla macchina. Alcuni esempi di questi indicatori: da quanto tempo sono clienti, quanto hanno speso nell’ultimo periodo rispetto ai periodi precedenti, se non cliccano più sulle newsletter aziendali.
Anche in questo caso, ipotizzo un banale processo:
- definire il compito da affidare alla macchina (prevedere il churn rate)
- identificare KPI, comportamenti tipici dell’abbandono. Questo lo deve fare chi si occupa di marketing, e deve poi condividere queste informazioni con l’analyst, che svolge i due punti seguenti
- raccogliere dati storici per allenare la macchina
- applicare il modello risultante dall’allenamento su nuovi dati per fare previsioni
- il data analyst condivide le informazioni col marketing che in maniera preventiva crea strategie e contenuti per evitare i comportamenti di abbandono.
Programmatic
Le campagne pubblicitarie sulle piattaforme digitali possono essere realizzate attraverso compravendite in real time, gestire da macchine e non da esseri umani.
Ciò consente migliori analisi dei dati, segmentazioni più precise e ottimizzazione dei costi da sostenere per ottenere visualizzazioni o click.
Lezione numero 5: come usare questi tipi di apprendimento
Capire come, quando e dove applicarli è una importante competenza che devono avere tutti gli addetti marketing del futuro.
Pensiamo alla costruzione di buyer personas, esercizio classico di tante scuole di marketing e amatissima analisi venduta dalle agenzie di comunicazione. Con le AI che permettono clusterizzazione e poi creazione di alberi decisionali, abbiamo già oggi la possibilità di creare profilazioni molto più approfondite a cui abbinare prodotti, promozioni e scontistiche in modo da facilitare i processi di marketing e commerciali.
Le buyer personas sono invecchiate! Le campagne digitali sui social, lo sono altrettanto!
Buttiamo via tutto?
No!
Continuiamo a ragionare su buyer personas e a realizzare campagne, ma innovando strumenti e soprattutto competenze degli operatori del marketing del domani (o forse già dell’oggi).
Riccardo Pirazzoli
Buon lavoro, se vi contaminerete sfruttando tante tecnologie e tanti saperi diversi vi divertirete tantissimo!
Make. Lead. Inspire.
JEBO
AI AND MARKETING: 5 lessons for tomorrow's marketers
By 2022, 61% of large Italian companies had already implemented AI in their processes (data from the AI Observatory of the Politecnico di Milano). This is because there were already staff in their organisational charts with specific Big Data skills.
Lesson 1: Those who invest in competence innovation generate an internal driver of change.
Yes, internal. In fact, according to the Observatory, through the initiative and know-how of these human resources, these companies were able to meet very specific business needs without resorting to external drivers.
In 2022, 15% of Italian SMEs took advantage of AI, marking a significant increase of +9% over the previous year. The trend therefore seems inexorable even for smaller companies, although there is a huge difference compared to large enterprises.
Lacking resources to create in-house expertise, the desire to implement AI in SMEs arises from proposals from external technology solution providers. In this way, specific customer needs can be met, while also taking advantage of a favourable tax/regulatory framework.
Lesson number 2: external drivers (suppliers, customers, regulations) are spurring SMEs to invest in AI, so there is an interesting market to explore.
Those willing to create start-ups today can therefore:
- target the large enterprise market by creating support services for in-house HR, which already have the skills but may need to improve on intelligent data processing, computer vision, e-commerce recommendation systems, chatbots/virtual assistants still lacking in empathy.
2.To create turnkey offers for SMEs, lacking HR already competent and therefore obliged to externalise services such as those listed above, but also to create more segmented marketing automation, more human customer service, effective cross/up selling, content customisation.
Those who want to develop AI-based businesses should help companies solve critical implementation factors:
There is a lack of design methodologies that take AI into account and allow it to be integrated into existing systems. Those who go in with the idea of wiping everything out and rebuilding forget that businesses are made up of people, who must be part of the change, not a cost to be eliminated.
Some good questions:
Who are the staff members who will come into contact with AI? How will the new processes impact their daily work? What do they fear? What are they willing to change and what are they NOT willing to change? Who are the company’s customers? How are they used to contact/being contacted? What do they love about the company? What do they dislike?
There are difficulties in finding data of adequate quantity and quality. Probably, access to clean and really useful data, in the right quantity, will be a source of digital divide. Those who can access and then study and exploit this data will have a competitive advantage.
More good questions:
Where to get this data? How much do they cost? How can synergies be created between SMEs to access these data warehouses? What are the observatories from which to draw? How much data does the company already possess? How are they stored? Who maintains them? Who can read them? Who knows how to share them with other company functions? Is there a data culture in the company?
In SMEs, there are no in-house competences dedicated to the concrete implementation of AI-based projects.
More good questions:
What are the professional/academic backgrounds of the staff? What can they understand and what can they NOT understand? How to involve them? How to help them? What benefits can they get from AI? Which interventions to propose in the short term? Which interventions to propose in the long term? How to manage the project life cycle? When should a project impact assessment be carried out? How often should this evaluation be repeated?
Lesson 3: New questions and new KPIs are needed.
Back to human resources.
Why first ‘human’ and then ‘resources’.
I am sure that AIs are tools that ‘homo sapiens’ must learn to use within processes. They are a means, not an end. Therefore, marketing of the future will still be human-centric, not tech-centric. As a consequence of this, better to make it clear to entrepreneurs that they need people, their creativity, their feelings. When they have chosen and placed people, and when they have put them in the best conditions to create value, then humans become resources (I am quoting the excellent Osvaldo Danzi, of Senza Filtro, who coined this beautiful expression: human resources).
So let us put the microscope on HR:
who are the professionals involved in AI-driven marketing processes?
And what do they do?
What they do: let’s imagine a pyramid. Let’s start at the base and work our way up to the tip.
- The beginning of the AI-driven marketing process is to collect data. The Data/Software Engineer has to do this.
- The data must be moved and stored so that it can be accessed and analysed. This is also the task of the Data/Software Engineer.
- Now it has to be explored, studied, analysed and transformed into something that can speak the language of marketing in the future: e.g. become a cluster, allow sales volume forecasting… This is a very difficult task, one has to clean the data, i.e. remove what is superfluous and correct errors. This is still done by the Data/Software Engineer, but here it becomes essential that he does not only think as an engineer, but must also listen to the needs of those who will use that data. The logics may be different, perhaps conflicting.
- Aggregating and optimising the data that is made to speak enables the development of an AI to be implemented in the process. A data analyst ‘translates’ the engineers’ work into reports/visualisations that will enable marketers to create strategies and content.
Lesson number 4: communication issues
AI-based processes involve professionals with very different backgrounds and who speak different languages. They may not understand each other. It is necessary to make them collaborate, to build a shared vision. The ultimate goals (putting the customer at the centre of the business) must guide everyone’s actions.
As I always say in class, those who only know about marketing do NOT know anything about marketing. Marketers who want to work with AI need to realise that they have to make room in their toolbox for very varied know-how: statistics, storytelling, visual design, psychology… They must learn to communicate with data engineers and analysts, find a common ground of mutual understanding with them. Of course, the reverse process also applies: data specialists must understand that the data set will have to go into the hands of professionals who have different needs, skills and visions from their own.
We come to marketing in conclusion.
How can AI and Big Data help marketers?
There are three types of machine learning that can innovate marketing processes (I recommend the excellent text by Vincenzo Cosenza).
- Supervised learning: used to find and reproduce the rule that links input data to target. The machine learns through observation of past examples (data with results). Basic condition for the use of this approach: availability of results!
How to apply it?
To recognise connections linking input data to a target column through regression (when the target is a number) or classification (when the target is a category).
It allows predictions to be made.
EX. OF ALGORITHM:
Linear/logistic regression
Decision tree
Random forest
Neural network
- Unsupervised learning: to recognise aspects of the structure of input data, without having a past result available.
How to apply it?
The most common case of application is in group analysis for clustering, to group objects without being able to exploit examples to learn from. Having no examples to learn from, clustering exploits similarities between the data to be analysed, similarities of various kinds but which define a distance between points in the dataset
EX.OF ALGORITHM:
K-means
Hierarchical clustering
Latent Dirichlet Allocation (LDA)
Principal Component Analysis (PCA)
Singular Value Decomposition (SVD)
- Learning with reinforcement, or reinforcement learning. Unlike the other approaches, the machine interacts with the environment and learns from its own mistakes. The machine implements what it has learnt, sees if it works (via a reward mechanism) and reinforces its knowledge through the new experience.
How to apply it?
When an autonomous agent is needed: I want to learn to respond according to how the environment varies. Typically used to allocate the budget in various business activities.
EX.OF ALGORITHM:
Q-Learning
Monte Carlo
Data analysis is obviously the basis of any application of AI to business activities. Two classic implementations are:
Segmentation
AI does a more refined job than humans because it has a large amount of data at its disposal. The human mind alone could not handle so much data and recognise structures.
I hypothesise a trivial process:
– Starting point: set of customers with certain features
– Output point: NOT defined! I do NOT know how best to cluster the data! I cannot know how many clusters can be found in the dataset. However, I can ask the machine to provide me with a number consistent with the number of market segments I think I can satisfy.
– I choose to exploit unsupervised learning because it allows me to identify similarities between the data. I decide how many characteristics to consider to define the cluster and how many clusters I want to obtain.
– Example of application: e-commerce site where it is necessary to identify homogeneous clusters of customers to whom to address different contents, discounts, promotions.
Prediction of customer churn rate
What could be the percentage of customers who periodically stop using the service/product?
Supervised learning algorithms discriminate customers based on the probability of abandonment. To do this, they need to know indicators of loyalty or infidelity that a marketer has to provide to the machine. Some examples of these indicators: how long they have been customers, how much they have spent in the last period compared to previous periods, whether they no longer click on company newsletters.
Again, I assume a trivial process:
– define the task to be entrusted to the machine (predict the churn rate)
– identify KPIs, typical churn behaviour. This must be done by the marketer, and he must then share this information with the analyst, who does the following two things
– collect historical data to train the machine
– apply the model resulting from the training to new data to make predictions
– the data analyst shares the information with the marketer who in a preventive manner creates strategies and content to avoid abandonment behavior
Programmatic
Advertising campaigns on digital platforms can be realised through real-time buying, managed by machines and not by humans.
This allows for better data analysis, more precise segmentations and optimisation of the costs incurred to obtain views or clicks.
Lesson 5: How to use these types of learning
Understanding how, when and where to apply them is an important skill that all marketers of the future must have.
Think of the construction of buyer personas, a classic exercise of many marketing schools and a much-loved analysis sold by communication agencies. With AI enabling clustering and then the creation of decision trees, we already have the ability to create much more in-depth profiling to which we can match products, promotions and discounts in order to facilitate marketing and sales processes.
Buyer personas have come of age! Digital campaigns on social, they are too!
Do we throw it all away?
No!
Let’s continue to think about buyer personas and realise campaigns, but innovating tools and above all skills of the marketers of tomorrow (or perhaps already of today).
Riccardo Pirazzoli
Good work, if you contaminate yourself by exploiting so many different technologies and knowledge you will have a lot of fun!
Make. Lead. Inspire.
JEBO
