Я получаю много вопросов вроде «Разве машинное обучение (ML) не похоже на социальное слушание?» или «разве это не просто более мощная версия социального слушания?»
Я всегда отвечал да и нет.
Да, потому что машинное обучение делает все, что может делать слушание в социальных сетях, т. е. отслеживать, что упомянуто, кто это упомянул, что люди говорят о вашем бренде, но данные строятся на ключевых словах, которые являются одномерными.
Нет, потому что ML позволяет брендам не только определять пустое пространство, но и новое белое пространство для масштабирования и развития своего бизнеса.
Давайте разберемся с этим.
ML основан на моделях. Модели основаны на том, как люди учатся думать, чувствовать, воспринимать и использовать вещи и предметы. Модели податливы - их обновит новая информация. Эта информация может быть получена из личного опыта, передачи знаний, наблюдений и культуры. Например, у меня есть существующая модель спелого апельсина, основанная на личном опыте и социальных конструкциях. А теперь допустим, что я в супермаркете и мне хочется апельсинов. Я могу использовать свою существующую модель спелого апельсина, чтобы визуально определить и выбрать лучшие апельсины на основе известных атрибутов и особенностей того, как выглядит и на что похож спелый апельсин.
Теперь давайте пойдем в супермаркет, используя традиционный подход социального слушания.
Моя способность обнаруживать, идентифицировать и выбирать лучшие апельсины ограничивается ключевыми словами с апельсинами. Я не могу их визуально обнаружить, потому что у меня нет концептуальной модели того, как они выглядят. Что еще более важно, я также не могу выбрать лучший апельсин, потому что мне не хватает концептуальной модели того, каким должен быть вкус и ощущения спелого апельсина.
ML сенсорный. Традиционное социальное слушание одномерно. Сбор апельсинов с использованием традиционных методов социального слушания был бы значительно неэффективным, неточным и масштабируемым.
Что более важно и очень захватывающе, так это способность ML классифицировать контент, в котором даже нет упоминания слова «апельсин». Модель ML будет знать, на основе связанных характеристик и атрибутов разговора, что она соответствует модели Апельсина. Это не только говорит нам, как люди говорят о субъекте или объекте, но и как они воспринимают, думают и используя это. Подумайте об этом с точки зрения контентной стратегии, пользовательского опыта и инноваций. Теперь мы можем сопоставить то, как наши клиенты говорят и позиционируют свой бренд, продукты и услуги, с тем, как каждый пользователь категории думает и использует категорию. Вот что я имею в виду под новым белым пространством. У аудитории есть ментальные модели того, как использовать объекты, которые были сформированы теми же источниками информации, о которых я упоминал ранее. Используя машинное обучение, мы можем раскрыть эти ментальные модели, чтобы выявить новые белые пространства за пределами нашей категории и зоны комфорта.
Примечание.
Это несколько основных сценариев использования машинного обучения. Его способность масштабировать огромные объемы данных по категориям и новым типам данных, включая визуальные и голосовые, открывает портфель новых сценариев использования.
Есть несколько замечательных инструментов Social Listening, которые теперь используют машинное обучение. Этот пост посвящен традиционным методам, чтобы проиллюстрировать, куда нас ведет машинное обучение.
