استفاده از هوش مصنوعی در بازاریابی و تحلیل مشتریان و رقبا

یکی از موضوعات مهمی که در ارتباط با مدل‌های زبانی بزرگ (LLM) مطرح می‌شود، تولید محتوا در مقیاس وسیع است؛ رویکردی که به راحتی می‌تواند وابستگی ایجاد کند. همه افراد با کمبود زمان مواجه هستند و به دنبال روش‌هایی برای ساده‌تر کردن امور روزمره خود می باشند. در همین راستا، هوش مصنوعی در بازاریابی می‌تواند با استفاده از ابزارهایی مانند Claude و ChatGPT به بازطراحی فرایندهای کاری کمک کند؛ طوری که ضمن انسانی‌تر کردن فعالیت‌های مربوط به وب‌سایت و کاهش فشار کاری، خلاقیت نیز از فرایند حذف نشود. در نتیجه، این پرسش مطرح می‌شود که چگونه می‌توان از این ابزارها به شکلی هوشمندانه استفاده کرد تا میان افزایش بهره‌وری و حفظ جنبه انسانی محتوا تعادل برقرار شود؟

این مقاله به بررسی نحوه انجام موارد زیر می‌پردازد:

• تحلیل بازخوردها و پرسش‌های مشتریان در مقیاس وسیع.
• خودکارسازی فرایند دریافت اطلاعات دقیق و منحصربه فرد از متخصصان حوزه موردنظر.
• تحلیل رقبا.

تمامی این فعالیت‌ها را می‌توان به صورت دستی انجام داد اما از آنجا که در مقیاس وسیع و مبتنی بر داده هستند، به خوبی می‌توان بخشی از آنها را خودکارسازی کرد. دسترسی به چنین اطلاعاتی نیز کمک می‌کند تا تصمیم‌گیری‌ها همچنان بر مبنای نیازهای مشتری و شرایط بازار انجام شوند و سازمان صرفاً در فضای فکری محدود و بازخوردهای همسو با دیدگاه‌های خودش گرفتار نگردد. در این میان، هوش مصنوعی در بازاریابی می‌تواند به سازمان کمک کند تا حجم بیشتری از داده‌ها را بدون حذف نگاه انسانی بررسی و تفسیر کند.

تصویر(1)

کاربرد هوش مصنوعی در بازاریابی و تحلیل بازخورد مشتریان

یکی از قابلیت‌های بسیار ارزشمند مدل‌های زبانی بزرگ، توانایی آنها در موارد زیر است:

• پردازش داده‌ها در مقیاس وسیع.
• شناسایی الگوها.
• کشف ترندهایی که ممکن است شناسایی آنها توسط انسان ساعت‌ها، روزها یا حتی هفته‌ها زمان ببرد.

صرفا سازمانی که در سطح یک شرکت بزرگ و بین‌المللی فعالیت می‌کند، ممکن است تیم تحلیل داده‌ای در اختیار داشته باشد که بتواند چنین حجم و سطحی را پوشش دهد. در چنین شرایطی، مدل زبانی بزرگ می‌تواند بهترین گزینه جایگزین باشد و هوش مصنوعی در بازاریابی نیز همین ظرفیت را برای استخراج اطلاعات از داده‌های مشتری استفاده می‌کند.

در این مورد خاص، تمرکز روی بازخورد مشتریان است؛ زیرا هیچکس تمایل ندارد ۱۰ هزار نظرسنجی یا فرم بازخورد متنی را یک به یک مطالعه کند و به احتمال زیاد، این موضوع برای مخاطب نیز تفاوتی ندارد.

می‌توان داده‌های خام را مستقیماً در پروژه بارگذاری کرد و از مدل زبانی موردنظر خواست اطلاعات را در همان محیط تحلیل کند. بااین‌حال، رویکرد ترجیحی آن است که تمام داده‌های خام در BigQuery یا پلتفرم مشابه مورد استفاده سازمان، بارگذاری شود و سپس با کمک مدل زبانی، کوئری‌های SQL مرتبط برای دسته‌بندی و تحلیل داده‌های خام، ایجاد گردند. این رویکرد هوش مصنوعی در بازاریابی، فرایند تحلیل را تا حد زیادی مقیاس‌پذیر و قابل تکرار خواهد کرد.

این رویکرد دو دلیل اصلی دارد:

• امکان مشاهده فرایند پشت پرده را فراهم می‌کند و به فرد اجازه می‌دهد تا حین استفاده از مدل زبانی، به صورت تدریجی با زبان پایه مورد استفاده، یعنی SQL نیز آشنا شود.
• یک لایه کنترلی و حفاظتی دیگر برای کاهش احتمال توهمات مدل زبانی (Hallucinations) ایجاد می‌کند.

هنگامی که داده‌های خام مستقیماً در اختیار مدل زبانی قرار می‌گیرند و پرسش‌های تحلیلی نیز مستقیماً در همان محیط مطرح می‌شوند، اعتماد به نتایج تحلیل معمولاً کاهش می‌یابد زیرا احتمال بیشتری وجود دارد که مدل بخشی از اطلاعات را صرفاً تولید یا جعل کرده باشد.

تصویر(2)

اما وقتی داده‌های خام از محیط مدل جدا نگه داشته می‌شوند و مدل زبانی صرفاً برای ایجاد کوئری‌هایی به کار می‌رود که داده‌ها را بررسی و استخراج می‌کنند، احتمال دستیابی به نتایجی واقعی و قابل اتکا بیشتر خواهد بود؛ نتایجی که می‌توانند اطلاعات ارزشمندی برای کسب‌وکار ایجاد کنند و آن را به یک مسیر اشتباه و بی‌نتیجه سوق ندهند. این تفکیک میان داده و مدل، یکی از اصول مهم در استفاده مسئولانه هوش مصنوعی در بازاریابی محسوب می‌شود.

همچنین نیازی نیست از SQL هراس داشت. هنگامی که برنامه‌نویسی به صورت مشارکتی با یک مدل زبانی انجام می‌شود، مدل می‌تواند کوئری موردنیاز را در اختیار کاربر قرار دهد.

فرایند کاری پیشنهادی معمولاً به شکل زیر است:

• استفاده از مدل زبانی برای تولید توابع و کوئری‌های SQL.
• اشکال‌زدایی و بررسی داده‌ها.
• وارد کردن نتایج کوئری SQL در مدل زبانی.
• تولید نمودارها و مصورسازی داده‌ها، در محیط مدل زبانی و با استفاده از کوئری SQL.
• تکرار این فرایند در صورت نیاز.

خودکارسازی مصاحبه با متخصصان حوزه موردنظر

به نظر می‌رسد یکی از ویژگی‌های مشترک متخصصان این است که زمان محدودی در اختیار دارند. آنها معمولاً تمایلی ندارند یک ساعت از وقت خود را صرف گفتگو با تیم بازاریابی درباره قابلیتی کنند که طی هشت ماه گذشته بارها درباره آن با تولیدکننده یا سایر افراد مرتبط صحبت کرده‌اند.

و البته این واکنش قابل درک می باشد؛ زیرا احتمالاً موضوع موردنظر آنقدر تکرار شده که دیگر حرف تازه‌ای درباره آن باقی نمانده است. تیم بازاریابی همچنان به این اطلاعات نیاز دارد تا بتواند نحوه معرفی آن قابلیت در وب‌سایت را به درستی طراحی کند و جزئیات مفیدی در اختیار مشتریان قرار دهد؛ جزئیاتی که لزوماً در برگه مشخصات محصول وجود ندارند.

تصویر(3)

اما می توان با ایجاد یک GPT سفارشی که نقش مصاحبه کننده را ایفا کند، به این متخصصان دسترسی پیدا کرد. البته جهت دستیابی به بهترین نتیجه، بهتر است برای هر محصول یا خدمتی که روی آن کار می‌شود، نسخه‌ای اختصاصی از GPT ایجاد گردد.

ممکن است لازم نباشد این اختصاصی‌سازی تا چنین سطحی از جزئیات پیش برود اما در برخی پروژه‌ها چنین رویکردی می‌تواند ضروری باشد. برای انجام آن، حداقل به اشتراک ChatGPT Plus نیاز است. دستورالعمل‌های این GPT باید متناسب با صنعت مربوطه و همچنین شخصیت متخصصان حوزه موردنظر یا تیم فروش تنظیم شود و موارد زیر را دربرگیرد:

• نقش و لحن: مشخص شود «مصاحبه کننده» چگونه باید رفتار و صحبت کند.
• زمینه: مشخص شود قرار است چه اطلاعاتی به دست آید و دلیل اهمیت آن چیست.
• ساختار مصاحبه: نحوه آغاز مصاحبه، موضوعات موردبحث و روش طرح پرسش‌های عمیق‌تر مشخص گردد.
• ریتم مصاحبه: هر بار یک سوال مطرح می‌شود، منتظر پاسخ بماند و سپس بر اساس پاسخ، پرسش‌های تکمیلی مطرح کند.
• جمع‌بندی: نحوه پایان مصاحبه و خروجی‌هایی که در پایان باید ارائه شوند، مشخص شود.

پس از ایجاد این ساختار، بهتر است ابتدا خود تیم آن را آزمایش کند و نقش یک متخصص را بر عهده بگیرد. سپس می‌توان بر اساس نتایج، دستورالعمل‌ها را اصلاح و بهینه کرد. بدین ترتیب، می‌توان طی همان پنج دقیقه‌ای که متخصصان میان دو تماس در اختیار دارند، اطلاعات موردنیاز را از آنها دریافت کرد. همچنین می‌توان یک مدل زبانی بزرگ را جهت استخراج نکات اصلی از پاسخ‌های آنها یا حتی تهیه پیش‌نویس مقاله بر اساس این پاسخ‌ها استفاده نمود. برای چنین فرایندی، هوش مصنوعی در بازاریابی بیشتر نقش تسهیل‌کننده را دارد.

تصویر(4)

تحلیل رقبا برای دستیابی به اطلاعات استراتژیک

این بخش ممکن است تا حدی رویکردی غیرمتعارف به نظر برسد و کمی نگاه خلاقانه و متفاوت نیاز داشته باشد. بااین‌حال، توسط داده‌های رقابتی در مقیاس وسیع می‌توان به روش‌های مختلفی چشم‌انداز رقابتی و شکاف‌های موجود را بهتر درک کرد. برای مثال:

• اگر بتوان نظرات و نقدهای مشتریان درباره رقبا را جمع‌آوری کرد، می‌توان موضوعاتی مانند مزایا، ارزش‌ها، شکایت‌های رایج و نقاط ضعف آنها را شناسایی نمود.
• اگر بتوان محتوای وب‌سایت رقبا را جمع‌آوری کرد، می‌توان جایگاه برند، مخاطبان، ادعاهای مطرح‌شده و همچنین صنایعی را که رقبا احتمالاً هدف قرار داده‌اند، از طریق بررسی مطالعات موردی شناسایی نمود.
• اگر بتوان تعاملات و میزان مشارکت مخاطبان در شبکه‌های اجتماعی رقبا را جمع‌آوری کرد، می‌توان با مقیاس وسیع‌تر دریافت که آنها در چه زمینه‌هایی امکان پاسخ‌گویی به نیازهای مشتریان را دارند و در چه بخش‌هایی عملکردشان ضعیف‌تر است. همچنین می‌توان مشخص کرد که رقبا امکان پاسخ‌گویی به کدام پرسش ها را ندارند.

طی این مرحله، هوش مصنوعی در بازاریابی می‌تواند به ترکیب و دسته‌بندی حجم زیادی از داده‌های رقابتی کمک کند تا تحلیل به جای تکیه بر چند نمونه محدود، روی مجموعه‌ای گسترده‌تر از شواهد استوار باشد. 

جمع بندی: گسترش پژوهش بدون از دست دادن ارتباط انسانی

همکاری با یک مدل زبانی بزرگ برای تحلیل مجموعه‌های داده گسترده و در عین حال حفظ تمرکز بر مشتری، می‌تواند فرصتی تقریباً بی‌پایان جهت دستیابی سریع به اطلاعات دقیق و قابل‌اقدام فراهم کند.

این 3 حوزه، نقاط شروع مناسبی هستند اما به هیچ وجه تنها گزینه‌های موجود نیستند. برای گسترش این رویکرد، می‌توان به سایر منابع داده‌ای که سازمان مالک آنها است یا دسترسی دارد نیز توجه کرد، از جمله:

• متن تماس‌های فروش.
• داده‌های مربوط به کوئری‌های Google Search Console.
• جستجوهای انجام‌شده در خود وب‌سایت.
• داده‌های نقشه حرارتی حاصل از ابزارهای تحلیل مسیر حرکت کاربران.

ممکن است استفاده از Google Analytics یا سایر داده‌های تحلیلی نیز در این فرایند وسوسه‌برانگیز باشد؛ بااین‌حال، بهتر است رویکردی محتاطانه در پیش گرفته شود و تمرکز اصلی بر داده‌های کیفی یا داده‌هایی باشد که مستقیماً از مشتری و نیازهای او نشئت گرفته‌اند. نهایتا، ارزش واقعی هوش مصنوعی در بازاریابی زمانی آشکار می‌شود که این ابزار در خدمت درک بهتر مشتری و تصمیم‌گیری انسانی قرار گیرد و صرفا جایگزین قضاوت و ارتباط انسانی نشود.