NLP inom marknadsföring: Kraften i sammanhangskluster

Under det senaste året har jag träffat yrkesverksamma inom marknadsföring, reklam, konsultverksamhet och PR för att diskutera värdet av data för deras verksamhet. Den överväldigande uppfattningen har varit att data är avgörande för en stark kundcentrerad strategi, men att större delen av dessa ”data” oftast fokuserar på demografiska uppgifter och e-postadresser. Ibland har jag stött på några framåtblickande företag som antingen utforskar eller redan har implementerat någon form av sentimentanalys i sin datainsamling, men dessa är få och långt mellan.

Merparten av den data som samlas in idag är statisk. Med andra ord handlar det om information som sällan eller aldrig förändras, såsom kön, adress, åldersgrupp, etnicitet osv. Mycket lite verklig insikt kan utvinnas ur denna information när man försöker förstå konsumentbeteende, eller hur konsumentgrupper faktiskt tänker om produkter, tjänster, varumärken eller kampanjer. Kort sagt, för att verkligen förstå vad konsumenterna bryr sig om måste vi förstå varför, när och hur de tänker och kommunicerar om saker. Detta kräver en djup kontextuell förståelse som inte ens sentimentanalys kan ge.

En teknik som kan ha en enorm inverkan på att bättre förstå kontextuell relevans är Natural Language Processing, eller NLP. För dem som inte är bekanta med begreppet är det en maskinbaserad datavetenskaplig teknik som kan ta in enorma mängder textbaserade data och tolka dem. Det är förstås en löjligt förenklad beskrivning, men eftersom den här artikeln är avsedd att fokusera på praktiska tillämpningar av NLP inom marknadsföring kommer jag att inkludera länkar till ett par mer fördjupande artiklar i slutet.

NLP är fascinerande genom sin förmåga att utläsa sammanhang ur enorma datamängder som annars skulle vara omöjliga att gå igenom manuellt. Låt oss till exempel säga att du är en marknadsföringsbyrå med en ny kund inom detaljhandeln som vill få bättre insikter om sina kunder inför en ny global kampanj. Deras typiska demografiska data och beteendedata i butik ger dem inte mycket insikt i vad deras kunder verkligen värdesätter. De har en enorm lista med kundinformation som gör det möjligt för dem att kommunicera med sina kunder, men nästan inga data som de kan använda för att veta vad de bör kommunicera.

Efter att ha pratat med din kund om deras kärnvärden och affärsutmaningar upptäcker du att de inte riktigt förstår vad som får deras kunder att besöka deras fysiska butiker istället för att handla online. Detta är ett stort problem för dem eftersom onlineförsäljningen har höga returkvoter. Dessutom grumlar driftskostnaderna för att hålla en fysisk butik öppen för en krympande kundkrets i butiken avkastningen på investeringen, även om företaget är stolt över sin personliga shoppingupplevelse.

Du har nu ett ämnesområde att undersöka. Genom att begränsa din analys till konsumenternas samtal kring ”värde”, ”personlig shopping” och ”detaljhandeln” kan du börja förstå bättre varför, hur och vad olika konsumentgrupper kommunicerar. Enorma datamängder som extraherats från valfri digital källa kan matas in i NLP-motorn, som sedan utför en ”klusteranalys”. Det finns flera olika typer av klusteranalyser, vilka var och en genomförs i ett antal komplexa steg. Om du vill veta mer om dessa kan du klicka på länkarna längst ner för mer information. För tillfället antar vi att du har en handfull duktiga dataforskare och en NLP-plattform som kan sköta det tunga arbetet.

Resultatet av en lyckad klusteranalys blir (vanligtvis) färgkodade grupper av datapunkter som är sammanlänkade i sitt sammanhang. Det handlar inte bara om ämnesmässiga eller kategoriska kopplingar – dessa klustrade konversationer ger konkreta insikter genom att belysa varför och hur konsumenterna talar om de begrepp som undersöks. Dessa kluster är ännu mer användbara än enkel sentimentanalys och kan börja avslöja djupt rotade övertygelser som annars inte skulle komma fram.

Låt oss återgå till vårt exempel: Anta att din NLP-analys avslöjar ett särskilt relevant kluster som är stort (många konsumenter talar om det) och har god densitet (nära sammanhängande sammanhang). Du döper detta kluster till ”Digitalt frånkopplad” för att sammanfatta det i ett mer lättbegripligt format för kunden. En närmare undersökning av detta kluster visar att de flesta upplever att deras e-handelsupplevelse och butiksupplevelse i stor utsträckning är isolerade från varandra. Kunderna vill ha en starkare koppling mellan de två. En mer sammanhängande och smidig helhetsupplevelse vid shopping skulle kunna ha en enorm inverkan på konsumentbeteendet.

Förhoppningsvis tar din kund denna insikt till sig. Att låta kunderna handla online och sedan hämta och prova varorna i butiken skulle kunna vara ett kreativt sätt att koppla samman de två upplevelserna med en ”Köp och prova”-kampanj. Att anlita modestylister som kan interagera med kunderna online och erbjuda sina kurateringstjänster i butiken skulle kunna vara en annan metod för att skapa en personlig koppling. Kort sagt: när du väl har identifierat den ”verkliga” utmaningen behöver du inte längre pröva dig fram i blindo med kampanjidéer. Du vet redan vad kunderna värdesätter och kan anpassa dina föreslagna kampanjidéer så att de bygger på dina datadrivna insikter.

Även om NLP fortfarande utvecklas bör det stå högst upp på allas lista över tekniker att undersöka just nu. För marknadsföringsändamål kan redan grundläggande konversationsklusteranalys avslöja mycket djupare insikter än de statiska data som vanligtvis samlas in idag. En NLP-lösning kan vara ett kraftfullt verktyg i varje marknadsforskares verktygslåda som kan användas för att i stor utsträckning eliminera gissningarna kring vad konsumentgrupper verkligen bryr sig om och varför. Här är ett par intressanta artiklar från towardsdatascience.com med ytterligare information om NLP och kontextklusteranalys.

https://towardsdatascience.com/your-guide-to-natural-language-processing-nlp-48ea2511f6e1

https://towardsdatascience.com/a-friendly-introduction-to-text-clustering-fa996bcefd04