نحوه طراحی یک استراتژی بازاریابی هوش مصنوعی

برای تحقق پتانسیل غول پیکر هوش مصنوعی ، CMO ها باید درک خوبی از انواع مختلف برنامه های موجود و چگونگی تکامل آنها داشته باشند. این مقاله مدیران بازاریابی را از طریق وضعیت فعلی هوش مصنوعی راهنمایی می کند و چارچوبی را ارائه می دهد که به آنها کمک می کند تا پروژه های موجود خود را طبقه بندی کنند و برنامه های مؤثر در آینده را برنامه ریزی کنند. این AI را در دو بعد طبقه بندی می کند: سطح هوش و اینکه آیا تنها ایستاده است یا بخشی از یک بستر گسترده تر است. برنامه های ساده و مستقل کارآیی مکان مناسبی برای شروع کار هستند. اما برنامه های پیشرفته و یکپارچه که شامل یادگیری ماشین هستند بیشترین پتانسیل را برای ایجاد ارزش دارند ، بنابراین به عنوان شرکت ها قابلیت های خود را می سازند ، باید به سمت آن فناوری ها حرکت کنند.

ایده به طور خلاصه

چالش

در بسیاری از بنگاه ها ، عملکرد بازاریابی به سرعت در آغوش هوش مصنوعی است. اما برای درک کامل پتانسیل عظیم فناوری ، افسران اصلی بازاریابی باید انواع مختلف برنامه ها را درک کنند - و چگونه ممکن است تکامل پیدا کنند.

چارچوب

طبقه بندی هوش مصنوعی توسط سطح هوش خود (خواه اتوماسیون کار ساده باشد یا از یادگیری ماشین پیشرفته استفاده کند) و ساختار (خواه یک برنامه مستقل باشد یا در سیستم عامل های بزرگتر ادغام شده باشد) می تواند به شرکت ها کمک کند تا برنامه هایی را دنبال کنند و چه موقع.

پیاده سازی

شرکت ها باید با شروع کار با برنامه های مستقر در قانون که به کارمندان کمک می کند تا تصمیمات بهتری بگیرند و با گذشت زمان ، سیستم های هوش مصنوعی بیشتر و یکپارچه را در موقعیت های مشتری مداری مستقر کنند ، یک رویکرد قدم بردارند.

از بین تمام کارکردهای یک شرکت ، بازاریابی شاید بیشترین سود را از هوش مصنوعی داشته باشد. فعالیت های اصلی بازاریابی درک نیازهای مشتری ، مطابقت آنها با محصولات و خدمات و ترغیب مردم به خرید توانایی هایی است که AI می تواند به طرز چشمگیری افزایش دهد. جای تعجب نیست که تجزیه و تحلیل مک کینزی 2018 از بیش از 400 مورد استفاده پیشرفته نشان داد که بازاریابی دامنه ای است که AI بیشترین ارزش را به خود اختصاص می دهد.

مأمورین اصلی بازاریابی به طور فزاینده ای از این فناوری استفاده می کنند: یک بررسی آگوست 2019 توسط انجمن بازاریابی آمریکا نشان داد که اجرای AI در سال و نیم قبل از 27 درصد افزایش یافته است. و یک بررسی جهانی Deloitte در سال 2020 از پذیرندگان اولیه AI نشان داد که سه مورد از پنج هدف برتر هوش مصنوعی بازاریابی گرا بوده است: تقویت محصولات و خدمات موجود ، ایجاد محصولات و خدمات جدید و تقویت روابط با مشتریان.

بازاریابی با هوش مصنوعی: چاپ مجدد سری

در حالی که هوش مصنوعی در بازاریابی درگیر شده است ، ما انتظار داریم که این برنامه ها در سالهای آینده نقش های بزرگتر و بزرگتر را به عهده بگیرد. با توجه به پتانسیل عظیم فناوری ، برای CMO ها بسیار مهم است که انواع برنامه های کاربردی هوش مصنوعی موجود در امروز و چگونگی تکامل آنها را درک کنند. با استفاده از بیش از یک دهه تجربه در زمینه مطالعه تجزیه و تحلیل داده ها ، هوش مصنوعی و بازاریابی و مشاوره شرکت ها در صنایع در مورد آنها ، ما چارچوبی ایجاد کرده ایم که می تواند به CMO ها کمک کند تا پروژه های AI موجود را طبقه بندی کرده و برنامه های آینده را برنامه ریزی کنند. اما قبل از توصیف چارچوب ، بیایید به وضعیت فعلی بازی نگاه کنیم.

هوش مصنوعی امروز

اکنون بسیاری از بنگاه ها از هوش مصنوعی برای انجام کارهای باریک ، مانند قرار دادن تبلیغات دیجیتال (همچنین به عنوان "خرید برنامه ای" شناخته می شوند) استفاده می کنند. کمک به کارهای گسترده ، مانند افزایش دقت پیش بینی ها (فکر کنید پیش بینی های فروش). و تلاش های انسانی را در کارهای ساخت یافته مانند خدمات به مشتری تقویت کنید.(برای لیست برخی از فعالیت های مشترک که هوش مصنوعی می تواند از آن پشتیبانی کند ، به نوار کناری "برنامه های هوش مصنوعی تثبیت شده در بازاریابی" مراجعه کنید.)

برنامه های هوش مصنوعی به خوبی تثبیت شده در بازاریابی

• chatbots برای توسعه سرب ، پشتیبانی مشتری و فروش متقابل یا فروش
• تجزیه و تحلیل تماس و مسیریابی تماس ورودی ، و نظر مشتری و تجزیه و تحلیل ایمیل ، طبقه بندی و پاسخ
• اتوماسیون کمپین بازاریابی (از جمله ایمیل ، تولید صفحه فرود و تقسیم مشتری)
• تجزیه و تحلیل مخلوط بازاریابی
• کالاهای تجاری آنلاین
• قیمت گذاری
• توصیه های محصول یا خدمات و پیشنهادات بسیار شخصی
• خرید تبلیغات دیجیتال برنامه ای
• امتیاز دهی فروش
• برنامه ریزی ، خرید و اجرای رسانه های اجتماعی
• تجزیه و تحلیل احساسات رسانه های اجتماعی
• قرار دادن تبلیغات تلویزیونی (جزئی)
• نسل روایت تجزیه و تحلیل وب
• عملکرد وب سایت و بهینه سازی (از جمله آزمایش)

شرکت ها همچنین در هر مرحله از سفر مشتری از هوش مصنوعی استفاده می کنند. هنگامی که مشتریان بالقوه در مرحله "ملاحظه" قرار دارند و در مورد یک محصول تحقیق می کنند ، هوش مصنوعی تبلیغات را در آنها هدف قرار می دهد و می تواند به راهنمایی جستجوی آنها کمک کند. ما این اتفاق را در خرده فروش آنلاین مبلمان Wayfair می بینیم ، که از هوش مصنوعی استفاده می کند تا مشخص شود که مشتریان به احتمال زیاد متقاعد می شوند و بر اساس تاریخچه مرور خود ، محصولاتی را برای نشان دادن آنها انتخاب می کنند. و ربات های فعال شده AI از شرکت هایی مانند VEE24 می توانند به بازاریابان کمک کنند تا نیازهای مشتریان را درک کنند ، مشارکت خود را در یک جستجو افزایش دهند ، آنها را در یک جهت مورد نظر (مثلاً به یک صفحه وب خاص) سوق دهند و در صورت لزوم ، آنها را به یک انسان وصل کنیدنماینده فروش از طریق چت ، تلفن ، فیلم یا حتی "cobrowsing" - به یک نماینده برای کمک به مشتری در حرکت در صفحه مشترک کمک می کند.

هوش مصنوعی می تواند با استفاده از داده های بسیار دقیق در مورد افراد ، از جمله داده های جغرافیایی در زمان واقعی ، فرآیند فروش را ساده تر کند تا محصول یا خدمات بسیار شخصی را ایجاد کند. بعداً در این سفر ، هوش مصنوعی به فروش و فروش متقابل کمک می کند و می تواند احتمال اینکه مشتریان سبد خرید دیجیتالی خود را رها کنند ، کاهش یابد. به عنوان مثال ، پس از پر کردن مشتری ، ربات های AI می توانند یک توصیف انگیزه برای کمک به بستن فروش ارائه دهند - مانند "خرید عالی! جیمز از ورمونت همان تشک را خریداری کرد. "چنین ابتکاراتی می تواند نرخ تبدیل را پنج برابر یا بیشتر افزایش دهد.

پس از فروش ، نمایندگان خدمات فعال AI از شرکت هایی مانند Amelia (که قبلاً IPSoft) و تعامل 24/7 برای درخواست مشتریان تریاژ در دسترس هستند-و قادر به مقابله با حجم نوسان درخواست های خدمات بهتر از عوامل انسانی هستند. آنها می توانند در مورد ، مثلاً زمان تحویل یا برنامه ریزی قرار ملاقات ، سؤالات ساده ای را انجام دهند و می توانند مسائل پیچیده تر را به یک نماینده انسانی تشدید کنند. در بعضی موارد ، هوش مصنوعی با تجزیه و تحلیل لحن مشتریان و پیشنهاد پاسخ های دیفرانسیل ، مربیگری در مورد چگونگی بهترین نیاز به نیازهای مشتریان یا پیشنهاد مداخله توسط یک سرپرست ، به تکرارهای انسانی کمک می کند.

چارچوب

هوش مصنوعی بازاریابی را می توان با توجه به دو بعد طبقه بندی کرد: سطح هوش و اینکه آیا مستقل است یا بخشی از یک بستر گسترده تر. برخی از فناوری ها ، مانند چت بابات یا موتورهای توصیه ، می توانند در هر یک از دسته ها قرار گیرند. این نحوه اجرای آنها در یک برنامه خاص است که طبقه بندی آنها را تعیین می کند.

بیایید ابتدا به دو نوع اطلاعات نگاه کنیم.

اتوماسیون کار

این برنامه ها وظایف تکراری و ساختار یافته ای را انجام می دهند که نیاز به هوش نسبتاً پایینی دارند. آنها به گونه ای طراحی شده اند که از مجموعه ای از قوانین پیروی کنند یا یک توالی از پیش تعیین شده از عملیات را بر اساس ورودی داده شده اجرا کنند، اما نمی توانند مشکلات پیچیده ای مانند درخواست های ظریف مشتری را مدیریت کنند. یک مثال می تواند سیستمی باشد که به طور خودکار یک ایمیل خوشامدگویی برای هر مشتری جدید ارسال می کند. چت ربات های ساده تر، مانند آنهایی که از طریق مسنجر فیس بوک و سایر ارائه دهندگان رسانه های اجتماعی در دسترس هستند، نیز در این دسته قرار می گیرند. آنها می توانند در طول تعاملات اساسی به مشتریان کمک کنند، مشتریان را از درخت تصمیم تعریف شده پایین می آورند، اما نمی توانند هدف مشتریان را تشخیص دهند، پاسخ های سفارشی ارائه دهند یا از تعاملات در طول زمان بیاموزند.

فراگیری ماشین.

این الگوریتم ها با استفاده از مقادیر زیادی داده برای پیش بینی ها و تصمیم گیری های نسبتاً پیچیده آموزش داده می شوند. چنین مدل هایی می توانند تصاویر را تشخیص دهند، متن را رمزگشایی کنند، مشتریان را تقسیم بندی کنند، و پیش بینی کنند که مشتریان چگونه به ابتکارات مختلف، مانند تبلیغات، پاسخ خواهند داد. یادگیری ماشینی در حال حاضر خرید برنامه‌ریزی شده را در تبلیغات آنلاین، موتورهای توصیه تجارت الکترونیک و مدل‌های تمایل به فروش در سیستم‌های مدیریت ارتباط با مشتری (CRM) هدایت می‌کند. این و نوع پیچیده‌تر آن، یادگیری عمیق، داغ‌ترین فناوری‌های هوش مصنوعی هستند و به سرعت در حال تبدیل شدن به ابزارهای قدرتمند در بازاریابی هستند. با این اوصاف، روشن کردن این نکته مهم است که برنامه‌های یادگیری ماشینی موجود هنوز وظایف محدودی را انجام می‌دهند و باید با استفاده از حجم زیادی از داده آموزش ببینند.

حال بیایید هوش مصنوعی مستقل در مقابل یکپارچه را در نظر بگیریم.

برنامه های کاربردی مستقل

اینها بهتر است به عنوان برنامه های هوش مصنوعی به وضوح مشخص یا جدا شده درک شوند. آنها جدا از کانال های اصلی هستند که از طریق آنها مشتریان در مورد آنها اطلاعات می گیرند، خریداری می کنند یا برای استفاده از پیشنهادات شرکت پشتیبانی می شوند، یا کانال هایی که کارمندان برای بازاریابی، فروش یا ارائه خدمات از آنها استفاده می کنند. به زبان ساده، مشتریان یا کارمندان برای استفاده از هوش مصنوعی باید یک سفر ویژه فراتر از آن کانال ها انجام دهند.

اپلیکیشن کشف رنگ ایجاد شده توسط شرکت رنگ Behr را در نظر بگیرید. این برنامه با استفاده از پردازش زبان طبیعی IBM Watson و قابلیت‌های Tone Analyzer (که احساسات را در متن تشخیص می‌دهد)، چندین توصیه شخصی‌سازی شده برای رنگ‌های Behr ارائه می‌کند که بر اساس خلق و خوی مصرف‌کنندگان برای فضایشان است. مشتریان از این برنامه برای فهرست کوتاه دو یا سه رنگ برای اتاقی که قصد رنگ آمیزی دارند استفاده می کنند. سپس فروش واقعی رنگ در خارج از برنامه اجرا می شود، اگرچه امکان اتصال برای سفارش از Home Depot را فراهم می کند.

برنامه های یکپارچه

این برنامه های کاربردی هوش مصنوعی که در سیستم های موجود تعبیه شده اند، اغلب کمتر از برنامه های مستقل برای مشتریان، بازاریابان و فروشندگانی که از آنها استفاده می کنند قابل مشاهده هستند. به عنوان مثال، یادگیری ماشینی که در چند ثانیه تصمیم می‌گیرد که کدام آگهی دیجیتالی به کاربران ارائه شود، در پلتفرم‌هایی ساخته می‌شود که کل فرآیند خرید و قرار دادن تبلیغات را مدیریت می‌کنند. یادگیری ماشینی یکپارچه نتفلیکس برای بیش از یک دهه به مشتریان توصیه های ویدئویی ارائه کرده است. انتخاب های آن به سادگی در منوی پیشنهاداتی که بینندگان هنگام مراجعه به سایت می بینند ظاهر می شود. اگر موتور توصیه‌ها مستقل بود، باید به یک برنامه اختصاصی رفته و پیشنهادات را درخواست کنند.

سازندگان سیستم های CRM به طور فزاینده ای قابلیت های یادگیری ماشینی را در محصولات خود ایجاد می کنند. در Salesforce، مجموعه Sales Cloud Einstein دارای چندین قابلیت است، از جمله یک سیستم امتیازدهی مبتنی بر هوش مصنوعی که به طور خودکار سرنخ های مشتریان B2B را بر اساس احتمال خرید رتبه بندی می کند. فروشندگانی مانند Cogito که هوش مصنوعی را به فروشندگان مرکز تماس می‌فروشد، همچنین برنامه‌های خود را با سیستم CRM Salesforce یکپارچه می‌کنند.

ترکیب دو نوع هوشمندی و دو نوع ساختار چهار ربع چارچوب ما را به دست می‌دهد: برنامه‌های یادگیری ماشینی مستقل، برنامه‌های یادگیری ماشینی یکپارچه، برنامه‌های اتوماسیون وظیفه مستقل، و برنامه‌های اتوماسیون کار یکپارچه.

درک اینکه کدام یک از برنامه های کاربردی در ربع قرار می گیرند می تواند به بازاریابان کمک کند تا برای معرفی کاربردهای جدید برنامه ریزی و ترتیبی دهند.

یک رویکرد پلکانی

ما معتقدیم که بازاریابان در نهایت با پیگیری برنامه های یکپارچه یادگیری ماشین ، بیشترین ارزش را خواهند دید ، اگرچه سیستم های ساده و مبتنی بر قانون و کار می توانند فرآیندهای بسیار ساختاری را ارتقا دهند و پتانسیل معقولی را برای بازده تجاری ارائه دهند. با این حال ، توجه داشته باشید که امروزه اتوماسیون کار به طور فزاینده ای با یادگیری ماشین ترکیب می شود-برای استخراج داده های کلیدی از پیام ها ، تصمیم گیری های پیچیده تر و شخصی سازی ارتباطات-ترکیبی که چهار ضلعی است.

برنامه های مستقل همچنان جای خود را دارند که ادغام دشوار یا غیرممکن است ، اگرچه محدودیت هایی برای مزایای آنها وجود دارد. بنابراین ، ما به بازاریابان توصیه می کنیم به جای ادامه با برنامه های مستقل ، به مرور زمان به سمت ادغام هوش مصنوعی در سیستم های بازاریابی فعلی حرکت کنند. و در واقع ، بسیاری از شرکت ها در آن جهت کلی حرکت می کنند. در بررسی Deloitte در سال 2020 ، 74 ٪ از مدیران جهانی هوش مصنوعی توافق کردند که "هوش مصنوعی ظرف سه سال در کلیه برنامه های سازمانی ادغام خواهد شد."

شروع شدن

برای بنگاه هایی که تجربه AI محدود دارند ، یک راه خوب برای شروع کار با ساخت یا خرید برنامه های ساده مبتنی بر قانون است. بسیاری از بنگاه ها رویکرد "خزنده ای را اجرا می کنند" ، با شروع یک برنامه کاربردی غیر شخصی مستقل ، مانند برنامه ای که نمایندگان خدمات انسانی را که با مشتریان درگیر هستند ، شروع می کند.

هنگامی که شرکت ها مهارت های اساسی هوش مصنوعی و فراوانی از داده های مشتری و بازار را بدست می آورند ، می توانند از اتوماسیون وظیفه به یادگیری ماشین شروع کنند. نمونه خوب از دوم ، AI انتخاب لباس Stitch Fix است که به سبک های آن کمک می کند تا پیشنهادات را برای مشتریان ارائه دهد و بر اساس ترجیحات سبک خود گزارش شده ، مواردی که آنها را نگه می دارند و برمی گردند و بازخورد آنها است. این مدلها وقتی شرکت از مشتریان خواسته بود که از بین عکس های تغییر سبک استفاده کنند و یک منبع ارزشمند از داده های جدید ایجاد کنند ، حتی بیشتر موثرتر شدند.

منابع جدید داده ها-از جمله معاملات داخلی ، تأمین کنندگان خارجی و حتی تملک های احتمالی-چیزی هستند که بازاریابان باید به طور مداوم به دنبال آن باشند ، زیرا بیشتر برنامه های هوش مصنوعی ، به ویژه یادگیری ماشین ، به مقادیر زیادی از داده های باکیفیت نیاز دارند. مدل قیمت گذاری مبتنی بر ماشین را در نظر بگیرید که شرکت جت منشور XO برای افزایش EBITDA 5 ٪ از آن استفاده کرده است: کلید این بود که منابع خارجی را برای داده های مربوط به تهیه جت های خصوصی و عواملی که بر تقاضا تأثیر می گذارد ، استفاده کنید.، اقتصاد کلان ، فعالیت فصلی و آب و هوا. Data XO از آن استفاده می کند ، در دسترس عموم است ، اما ایده خوبی است که هر زمان ممکن نیز به دنبال منابع اختصاصی باشید ، زیرا مدل هایی با استفاده از داده های عمومی می توانند توسط رقبا کپی شوند.

هرچه شرکت ها در استفاده از هوش مصنوعی بازاریابی پیشرفته تر می شوند ، بسیاری از آنها انواع خاصی از تصمیمات را به طور کامل خودکار می کنند و انسان ها را کاملاً از حلقه خارج می کنند. با تصمیمات تکراری و پر سرعت ، مانند موارد مورد نیاز برای خرید تبلیغاتی (جایی که تبلیغات دیجیتالی تقریباً فوراً برای کاربران ارائه می شود) ، این رویکرد ضروری است. در حوزه های دیگر AI فقط می تواند توصیه هایی را به شخصی که با یک انتخاب روبرو است ارائه دهد - برای مثال ، یک فیلم را به یک مصرف کننده یا یک استراتژی برای یک مدیر بازاریابی پیشنهاد می دهد. تصمیم گیری انسانی به طور معمول برای بیشترین سؤالات ، مانند ادامه یک کمپین یا تصویب یک تبلیغ تلویزیونی گران قیمت ، محفوظ است.

بنگاهها باید هر زمان ممکن به تصمیمات اتم شده تر منتقل شوند. ما معتقدیم این جایی است که بیشترین بازده از بازاریابی هوش مصنوعی پیدا می شود.

چالش ها و خطرات

اجرای حتی ساده ترین برنامه های هوش مصنوعی می تواند مشکلات را ایجاد کند. AI وظیفه مستقل ، علی رغم پیچیدگی فنی پایین تر ، هنوز هم می تواند پیکربندی برای گردش های کاری خاص دشوار باشد و شرکت ها را ملزم به کسب مهارت های AI مناسب می کند. آوردن هر نوع هوش مصنوعی به یک گردش کار ، مستلزم ادغام دقیق وظایف انسانی و ماشین است تا هوش مصنوعی مهارت های افراد را تقویت کند و به روش هایی ایجاد نمی شود که مشکلاتی ایجاد می کند. به عنوان مثال ، در حالی که بسیاری از سازمان ها برای خودکارسازی خدمات به مشتری از چت بابات مبتنی بر قانون استفاده می کنند ، ربات های کمتری می توانند باعث تحریک مشتری شوند. شاید بهتر باشد که چنین رباتها به جای تعامل با مشتریان ، به مأمورین یا مشاوران انسانی کمک کنند.

از آنجا که شرکت ها برنامه های بیشتر و یکپارچه را اتخاذ می کنند ، سایر ملاحظات بوجود می آیند. ترکیب هوش مصنوعی در سیستم عامل های شخص ثالث ، به ویژه ، می تواند مشکل باشد. موردی که توسط مشاور پوستی Olay Procter & Gamble ارائه شده است ، که از یادگیری عمیق برای تجزیه و تحلیل سلفی هایی که مشتریان گرفته اند ، سن و نوع پوست خود را ارزیابی می کند و محصولات مناسب را توصیه می کند. این در یک سیستم عامل الکترونیکی و وفاداری ، OLAY. com ادغام شده است و نرخ تبدیل ، نرخ گزاف گویی و متوسط اندازه سبد را در برخی از جغرافیاها بهبود بخشیده است. با این حال ، ادغام آن با فروشگاه های خرده فروشی و آمازون ، اشخاص ثالث که درصد بالایی از فروش Olay را تشکیل می دهند ، سخت تر بوده است. مشاور پوستی در سایت گسترده فروشگاه Olay در آمازون در دسترس نیست و مانع از توانایی این برند در ارائه یک تجربه مشتری بدون یکپارچه و AI در آنجا می شود.

سرانجام ، شرکت ها باید علایق مشتریان را از ذهن خود نگه دارند. برنامه های هوش مصنوعی باهوش و یکپارچه تر ، نگرانی های بیشتری در مورد حریم خصوصی ، امنیت و مالکیت داده ها وجود دارد. ممکن است مشتریان در مورد برنامه هایی که داده های مکان را بدون اطلاع خود یا در مورد بلندگوهای هوشمند که ممکن است در حال استراق سمع در آنها باشد ، ضبط و به اشتراک بگذارند. به طور کلی ، مصرف کنندگان تمایل (حتی اشتیاق) را برای تعویض برخی از داده های شخصی و حفظ حریم خصوصی در ازای ارزشی که برنامه های نوآورانه می توانند ارائه دهند ، نشان داده اند. به نظر می رسد نگرانی در مورد برنامه های هوش مصنوعی مانند الکسا با قدردانی از مزایای آنها کوتوله شده است. بنابراین مهمترین بازاریابان در هنگام گسترش اطلاعات و دستیابی به هوش مصنوعی خود ، اطمینان از شفافیت حریم خصوصی و امنیت آن شفاف است ، که مشتریان برخی از آنها را در مورد نحوه جمع آوری و استفاده از داده های خود می گویند و ارزش عادلانه ای از شرکت دارنددر عوض. برای تضمین این حمایت ها و حفظ اعتماد مشتریان ، CMO ها باید تابلوهای اخلاق و حریم خصوصی - هم با کارشناسان بازاریابی و هم با کارشناسان حقوقی - ایجاد کنند تا پروژه های هوش مصنوعی ، به ویژه آنهایی که شامل داده های مشتری یا الگوریتم هایی هستند که ممکن است مستعد تعصب باشند ، مانند امتیاز دهی اعتبار ،واد

در حالی که بازاریابی هوش مصنوعی وعده های عظیمی دارد ، ما از CMO می خواهیم که در مورد قابلیت های فعلی آن واقع بینانه باشند. با وجود اعتیاد به مواد مخدره ، هوش مصنوعی هنوز هم می تواند فقط کارهای باریک را انجام دهد ، نه یک عملکرد کل بازاریابی یا فرآیند. با این وجود ، در حال حاضر مزایای قابل توجهی را برای بازاریابان ارائه می دهد - و در واقع در برخی از فعالیت های بازاریابی ضروری است - و قابلیت های آن به سرعت در حال رشد است. ما معتقدیم که هوش مصنوعی در نهایت بازاریابی را تغییر خواهد داد ، اما این سفری است که ده ها سال طول خواهد کشید. عملکرد بازاریابی و سازمانهایی که از آن پشتیبانی می کنند ، به ویژه ، باید توجه طولانی مدت به ایجاد قابلیت های هوش مصنوعی و پرداختن به هرگونه خطرات احتمالی داشته باشند. ما از بازاریابان می خواهیم که امروز یک استراتژی را شروع کنند تا از عملکرد فعلی AI و آینده احتمالی آن استفاده کنند.