Se om markedsføringen din fungerer med kunstig intelligens

Internett renner over av lettbeinte råd om hvordan du bør markedsføre deg og din bedrift i forskjellige kanaler. Ofte er de basert på store datasett som godt kan stemme på gruppenivå, men hvordan vet du om de også stemmer for din merkevare?

Med maskinlæring kan vi finne ut av hvilke farger og komposisjoner som fungerer best for din merkevare (Bilde: Lensa AI).

I de fleste digitale annonseverktøy er det enkelt å se hvilke annonser som har prestert best opp mot utvalgte måltall (så er det en annen diskusjon hvilke måltall som er verdt å følge med på).

Har du et litt større analysebudsjett kan du gjøre en salgsmodellering som ser på datasett flere år tilbake i tid og gir deg et ganske godt svar på hva som faktisk har påvirket salg både fra digitale og fysiske tiltak det siste året. Det ingen av disse øvelsene forteller deg, er hva var det som gjorde at de virket.

Hva gjør A bedre enn B?

I samarbeid med analysebyrået CPM Analytics har vi i Fullstakk utforsket bruk av maskinlæring og kunstig intelligens for bedre å forstå hva det er som får en annonse til å gi det resultatet det gir.

At annonse A gjorde det bedre enn annonse B har vi holdt på med i mange år, det nye er at vi kan finne ut hva det var som gjorde at annonse A gjorde det bedre enn annonse B. Vi kaller det en ML-audit (maskinlæringsaudit), og vi kan gjøre det på annonser, e-poster og nettsteder. 

Måten det fungerer på, er at vi henter ut alle annonser kjørt fra en kanal siste 1-2 år (tekst og bilde), med tilhørende tall som klikk, visninger og mediebudsjett, og så definerer vi de to viktigste KPIene for annonsene (for eksempel rekkevidde og konverteringer). 

Dette mates så inn i systemet, hvor kunstig intelligens leser alle bildene, kategoriserer hva som er avbildet, blant annet farger, objekter og stemning. Den leser også alle tekstene, forstår de, oppsummerer de og tematiserer. 

Deretter vil maskinlæringen se etter mønstre, og gruppere innhold som har likhetstrekk. Dette er spennende, for her vil en maskin se sammenhenger vi mennesker ikke nødvendigvis selv ville ha sett. Og med et større datasett kunne identifisere, dersom et bilde av en hund har gjort det bra, om det er hunden som ga effekt, eller om det er andre egenskaper ved bildet som er viktigere.

Hva gjorde at bildet ga effekt? Kanskje var det hunden, kanskje naturen, kanskje et hvilket som helst dyr ville gitt samme effekt, eller kanskje var det hvordan forgrunnsfargen harmonerer med bakgrunnsfargen uavhengig av motiv? Maskinlæringens gruppering hjelper deg finne svarene i datasett du selv ikke vil kunne lese. (Foto: Unsplash/Jamie Street og Dall E)
Hva gjorde at bildet ga effekt? (Foto: Unsplash/Jamie Street og Dall E)

Hvilke funn gjorde vi?

For en av våre kunder hentet vi ut 5 039 annonser fra Facebook, og så i all hovedsak etter hva som genererte høyest rekkevidde. Noen av funnene bekreftet ting vi allerede trodde, men strengt tatt kunne vi ikke vite at de tingene virket før denne analysen var gjort. Andre funn var mer overraskende, og gjorde at kunden har lagt om kursen på noe av annonseringen.

Bildebruk

For denne kunden ga glade ansikter høyere rekkevidde per krone.

For denne kunden var det tydelige positive utslag på bruk av mennesker.

Menneskene burde være blide, i en troverdig situasjon (ikke portretter) og aldersmessig noenlunde samme som målgruppen (med 30-40 år som den generelt mest anvendelige aldersgruppen).

I tillegg burde personene ha på seg klær som indikerer noe (uniform, refleksvest, hijab e.l.), kvinner ga best effekt selv innen mer mannsdominerte temaer, og fargemessig vil hvit/lys forgrunn mot grønn eller blå bakgrunn gi høyest rekkevidde. 

Disse funnene startet for denne kunden gode diskusjoner rundt bildestil og retning. Ikke minst ga den fakta bak tanker en markeds- og kommunikasjonsavdeling selv har hatt, men som har manglet empiri spesielt i møte med en stor organisasjon med mange ulike ønsker. Dataene bidro derfor også til å parkere diskusjoner. 

Budskap og variasjon

Når det kom til budskapsutvikling viste analysen at poste-teksten hadde langt større effekt enn overskriften (teksten under bildet) i en Facebook-annonse.

Lesbarhet var viktig, og til tross for et komplekst produkt rettet mot et akademisk publikum, ga en lesbarhetsindeks (LIKS) under 30 best resultater (LIKS er en skala som definerer lesbarhet fra 0-100, hvor under 25 kan leses og forstås av et barn, over 60 er tunge faglige tekster. Med en LIKS-kalkulator kan du tilpasse budskap til en lesbarhet som passer din målgruppe). 

For denne kunden ga bilder med kvinner i høyest rekkevidde, også innen typisk mannsdominerte tema.

At teksten i annonsene har variert form og budskap påvirket også resultatet, og tiden mellom annonsene. Det vil si at høyest rekkevidde per krone så vi om en person ble eksponert for et nytt budskap, som hadde språklig og visuell variasjon, innen 3-5 dager etter det forrige.

Vi avdekket også hvilke temaer som engasjerte, hvilke ord som ga negativ effekt på synlighet og mye mer.

Å bruke dette i markedsmiksen

Denne analysen kan gjøres gjentatte ganger for å se om endring i tone of voice og innhold gir den forventede effekten. Analysen gir grunnlag for hypoteser som igjen kan testes i flere kanaler.

For denne kunden ga den noen tydelige føringer for budskap og form, som nå er tatt ut i flere kanaler. Disse uttakene har gitt rekordhøye bevegelser i søkeandel (Share of Search), som indikerer at riktig innhold basert på riktig data gir god effekt.

Vi kan også gjennomføre analysen på epost-løp, for å avdekke nytt potensiale i nyhetsbrev og markedsautomatisering. Den kan også gjøres på landingssider for å se hva som løfter eller forhindrer konverteringer på din nettside.

Ta kontakt med meg dersom du er nysgjerrig på å høre mer om maskinlæringsanalyser og kunstig intelligens.

Vil du høre mer?