När AI används för marknadsföring handlar det oftast om smarta analyser av data. Men det finns fler användningar av AI.
Det portugisiska företaget OutSystems är en global jätte inom området low-code. Med OutSystems plattform går det att bygga applikationer och webbtjänster genom att skriva mindre programkod än på traditionella plattformar som till exempel Java. Poängen är främst att systemutveckling ska gå mycket snabbare med low-code-metoden, än med traditionell systemutveckling. Ett av de områden OutSystems satsar hårt på är AI. Sedan ett halvår tillbaka avsätts 30 procent av budgeten för forskning och utveckling på AI. Varför och vad har det med marknadsföring att göra?
AI är modeordet för dagen inom IT och det gäller inte minst för digital marknadsföring av olika slag. Men för den oinitierade kan det vara svårt att få grepp om vad det handlar om. Det beror inte minst på två saker:
* Det är svårt att få grepp om vad AI egentligen är.
* AI kan bidra till bättre marknadsföring på flera olika sätt
Vi lämnar definitionen av AI därhän, förutom att konstatera att det för det mesta handlar om underkategorin maskininlärning i AI-lösningar för att förbättra träffsäkerhet och andra aspekter av marknadsföring. Maskininlärning kan beskrivas som en samling metoder, eller tekniker, för att dra nytta av stora och förvirrande datamängder.
Hur kan då AI, och i synnerhet maskininlärning, bidra till bättre marknadsföring? Här är några sätt:
* Genom att vaska fram insikter från data, som redan nämnts. I det här sammanhanget är AI i stort sett synonymt med begrepp som dataanalys, data science, big data, prognostisering och statistisk analys. AI, och i synnerhet maskininlärning, blir en teknik för att bygga bättre analyslösningar.
* Genom att bidra till snabbare byggande, med kortare iterationer, av digitala lösningar. Det gäller även för digitala lösningar för marknadsföring. De snabbare och kortare iterationerna ger snabbare ”time to market” och gör det lättare för utvecklare och affärsfolk att samarbeta, med följden att lösningarna blir mer ändamålsenliga.
* Genom att få bättre ordning på data. Det blir inga bra analyser om man inte har ordning på data. De företag som inte lyckas med digitala lösningar för marknadsföring gör bäst i att försöka få ordning på sina data.
Dynamisk prissättning är ett exempel från den första kategorin, dataanalys. Dynamisk prissättning kan till exempel göras med hänsyn till efterfrågan, tillgång och kundprofiler.
Men med maskininlärning går det att det ett, eller flera, steg till. Med en typ av maskininlärning som kallas oövervakad (unsupervised) går det att hitta mönster i data som inte är kategoriserade. Med andra ord att ta reda på om det finns gemensamma egenskaper som inte går att hitta med hjälp den kunskap som människor har om data.
På så vis kan kundprofilerna som används för dynamisk prissättning förfinas. Det här resonemanget gäller naturligtvis även för tillämpningar som riktade annonser, med flera.
Låt oss nu ta en närmare titt på den andra kategorin: snabbare byggande av digitala lösningar, från OutSystems perspektiv. På företagets konferens NextStep i Amsterdam nyligen förklarade Ruud Hochstenbach, affärsutvecklingschef för Norden på OutSystems, att snabbare utveckling i analysprojekt ger flera fördelar:
̶ Snabbare utveckling gör att man snabbare kan anpassa sig till förändringar och att man kan genomföra förändringar gradvis i stället för i riskabla jätteprojekt, säger Ruud Hochstenbach.
Det medför att det blir enklare att anpassa sig till marknader som förändras och kunder som förändrar sina beteenden. Rent tekniskt jobbar OutSystems med det här i ett av de 39 initiativ som ingår i företagets AI-satsning. Det kallas Assisted Flow Development och innebär att företagets utvecklingsverktyg ger förslag på hur affärslogiken som en utvecklare bygger ska utformas. Förslagen har utformats efter analyser av tolv miljoner olika typer av flöden för affärslogik. I en test av funktionen uppgav de utvecklare som deltog att de arbetade 25 procent snabbare. Det berodde bland annat på att de gjorde färre misstag, oftare gjorde rätt på första försöket och upplevde att de tänkte klarare än vanligt. Assisted Flow Development finns tillgänglig på OutSystems plattform i en tidig testversion. Kanske ännu intressantare vad gäller marknadsföring och dataanalys är ett initiativ som heter Assisted Data Model Design. Det är en AI-funktion som hjälper till med att göra datamodeller och hör alltså hemma i den tredje kategorin ovan: hantering av data.
En datamodell är helt enkelt en beskrivning av hur en databas, eller flera, organiseras. Att datamodeller lätt, och ofta, blir otroligt komplicerade är kanske den främsta anledningen till att det är svårt att hantera data. Det i sin tur ger sämre dataanalyser och i slutändan sämre resultat för digital marknadsföring. I en undersökning som gjorts av OutSystems kom man fram till att det är vanligt med datamodeller som innehåller 5000 tabeller, med ett extremt stort antal kopplingar mellan tabellerna. Det säger sig självt att sådana datamodeller är svåra att hantera.Det har dessutom visat sig att 70 procent av de ändringar som görs i datamodeller är tillägg. Datamodeller tenderar alltså att bli ännu krångligare och svårare att hantera med tiden. Om en AI-funktion kan bidra till att förenkla och förbättra datamodeller så blir analyserna av data bättre.
OutSystems är ett privatägt företag med huvudkontor i Lissabon och flera kontor i till exempel USA. Omsättningen var över hundra miljoner dollar, drygt 900 miljoner kronor, under 2017. Antalet anställda är närmare 1 100 och OutSystems har över 1 000 kunder i kategorin stora företag.
I Sverige har man precis etablerat sig:
̶ Men läget nu är ett annat än när vi inledde en satsning i Beneluxländerna för åtta år sedan. Då var vi okända internationellt, nu rankas vi som det mest framstående low-code-företaget av Gartner, säger Ruud Hochstenbach.
Skriven av: Lars Danielsson