چرا کسب‌وکارها باید بینش بهتری از عکس‌ها، ویدیوها و صدای مشتریان کسب کنند – اخبار و بینش

مطالعه جدیدی که توسط Shasha Lu از دانشکده کسب و کار قاضی کمبریج انجام شده است، می گوید که بازاریابان به اندازه کافی از داده های صوتی و تصویری (AV) ارسال شده در TikTok، فیس بوک و سایر پلتفرم ها استفاده نمی کنند که می تواند آشکارتر از نظرات یا رتبه بندی ها باشد.

بازاریابان کسب و کار توجه زیادی به نظرات خوب و بد ارسال شده توسط مشتریان از خریداران کتاب (“خواننده عالی”) تا تماشاگران فیلم (“عملیات پراکنده”) و مسافران (“از این تله توریستی اجتناب کنید” بسیار توجه می کنند. با این حال، یک مطالعه جدید می گوید، با این حال، کسب و کارها به اندازه کافی موج عظیم داده های صوتی و بصری تولید شده توسط مصرف کنندگان را تجزیه و تحلیل نمی کنند که می تواند حتی آشکارتر از بررسی ها یا رتبه بندی ها باشد.

با قابلیت عکس گرفتن یا رکورد زدن بر روی تلفن همراه و محبوبیت پلتفرم های دیجیتالی مانند TikTok، Facebook و YouTube، هر روز تصاویر، ویدئو و صداهای بیشتری ساخته می شود. اما عدم هماهنگی در روش‌هایی که کسب‌وکارها از این داده‌های AV استفاده می‌کنند وجود دارد، بنابراین مطالعه جدید روش‌هایی را توصیه می‌کند که تحلیل‌های صوتی و بصری می‌توانند بهتر توسط بازاریابان برای بهبود شیوه‌های تجاری در ارتباطات، تصمیم‌گیری، استخدام کارمند و سایر زمینه‌ها استفاده شوند.

در تحقیق منتشر شده در این مجله آمده است: «کسب و کارها فرصت های استفاده از این اطلاعات را برای به دست آوردن بینش بهتر مشتری، درک ترجیحات مشتری، بهبود تجربه مشتری، کشف نیازهای برآورده نشده و بهینه سازی اثربخشی بازاریابی از دست می دهند». مبانی و روند در بازاریابی.

در یک دقیقه، 700000 ساعت ویدیو تماشا شده و 500 ساعت ویدیو در یوتیوب آپلود شده است، 243000 عکس در فیس بوک آپلود شده و 1 میلیون سوایپ و 400000 ساعت موسیقی در Spotify گوش داده می شود.

فرصت های ارائه شده توسط تجزیه و تحلیل داده های AV

پردازش این حجم از اطلاعات برای انسان تقریبا غیرممکن است. با افزایش استفاده از کانال های آنلاین در بخش کسب و کار، تعاملات بیشتر و بیشتری با مشتری در محیطی اتفاق می افتد که شرکت ها کنترل کمتری دارند. Shashu Lu، یکی از نویسندگان این مطالعه، می گوید: دسترسی به داده های AV و ابزارهای تحلیلی نه تنها به شرکت ها “چشم ها” و “گوش ها” بلکه “کلیدهایی” می دهد تا مزایای تصمیم گیری مبتنی بر تجزیه و تحلیل را باز کنند.” مدرسه بازرگانی قاضی کمبریج.

هدف اصلی تجزیه و تحلیل داده های AV تبدیل داده های صوتی یا بصری به یک فرم ساختار یافته برای استخراج اطلاعات مفید است. سیگنال‌های صوتی و تصویری دیجیتالی می‌توانند شامل طرح‌های آمیخته بازاریابی شرکت‌ها مانند طراحی محصول، بسته‌بندی و تصاویر برند، طراحی محتوای تبلیغاتی و رسانه‌های اجتماعی و طراحی چیدمان فروشگاه باشند. مصرف کنندگانی که پروفایل ها، تجربیات و افکار خود را در قالب تصاویر و ویدیوها در پلتفرم های رسانه های اجتماعی مانند اینستاگرام، یوتیوب، لینکدین، تامبلر و فلیکر به اشتراک می گذارند نیز بسیار ارزشمند هستند. به عنوان مثال، تصاویر یا ویدیوهای ارسال شده توسط یک مشتری در مورد تجربه خود در یک هتل می تواند بیشتر از یک سیستم رتبه بندی در مورد ترجیحات آنها آشکار شود.

تجزیه و تحلیل داده ها با استفاده از همدلی مصنوعی

یک چارچوب برای تجزیه و تحلیل داده های AV، همدلی مصنوعی (AE) است. همدلی برای سیستم‌های خودکار چالش‌برانگیز است زیرا یکی از ویژگی‌های کلیدی درک حالات درونی دیگران بدون هیچ توضیح صریحی از سوی آنها است. انسان ها از حالات چهره، زبان بدن، صدا و کلماتی که دیگران ساطع می کنند برای ارزیابی عواطف، احساسات و افکار دیگران بر اساس مشاهده، حافظه، دانش و استدلال استفاده می کنند. در تعاملات تجاری، توانایی انجام این استنباط های بین فردی بسیار مهم است، به خصوص که مشخص شده است که درک مشتری از حالات عاطفی فروشندگان یا ارائه دهندگان خدمات می تواند تأثیر قابل توجهی بر قصد خرید و سطح رضایت مشتری داشته باشد.

نحوه عملکرد همدلی مصنوعی

در مرکز چارچوب همدلی مصنوعی (AE) مغز انسان قرار دارد که سیگنال‌های ورودی (پردازش اطلاعات از پایین به بالا) را پردازش می‌کند و پاسخ‌های شناختی، احساسی و رفتاری (سیگنال‌های خروجی) را بر اساس اطلاعات استنباط‌شده از سیگنال‌ها تنظیم می‌کند. پردازش اطلاعات پایین)»، این تحقیق توضیح می دهد. هدف مدل‌های AE پیش‌بینی یا استنتاج حالات داخلی واقعی یک فرد بر اساس سیگنال‌های ورودی است.پیش بینی قبلیدریافت شده توسط فرد یا بر اساس سیگنال های خروجی (استنتاج قبلی) منتشر شده توسط فرد.”

این پیش بینی قبلی بر پردازش اطلاعات از بالا به پایین تمرکز می کند و هدف آن پیش بینی چگونگی واکنش یک فرد به سیگنال های مختلف است، مانند اینکه مصرف کننده چگونه به صدای تبلیغات پاسخ می دهد. این استنباط قبلی بر پردازش اطلاعات از پایین به بالا تمرکز می کند و هدف آن استنباط وضعیت درونی فرد کانونی از سیگنال های ساطع شده توسط آنها است، مانند رمزگشایی اینکه آیا یک مصرف کننده خوشحال است یا نه از صدای او در تلفن.

تمایز بین حالت های داخلی استاتیک و پویا نیز در زمینه AE مهم است زیرا منابع داده و اعتبار خارجی مدل های AE را تعیین می کند. “نمونه ای از همدلی پویا این مطالعه می‌گوید زمانی است که یک شخص یا مدل کامپیوتری سعی می‌کند حالات عاطفی مصرف‌کننده را از صدای گذرا یا حالات چهره‌اش استنتاج کند. “نمونه ای از همدلی ایستا زمانی است که یک شخص یا مدل کامپیوتری سعی می کند از ظاهر غیر گذرا چهره یک شخص استنباط کند که چقدر قابل اعتماد است.

چگونه تجزیه و تحلیل AV می تواند برای کسب و کار مفید باشد

این مطالعه نشان می دهد که استفاده از تجزیه و تحلیل AV حداقل از چهار راه برای کسب و کارها سودمند است:

1. بهبود اثربخشی ارتباطات. شرکت ها می توانند توسعه پیدا کنند قبلی مدل‌های همدلی مصنوعی برای پیش‌بینی و بهینه‌سازی پاسخ‌های مشتریان به محتوای بازاریابی. با اطلاعات صوتی و تصویری پاسخ های مشتریان، شرکت ها می توانند توسعه پیدا کنند ارسال سابق مدل های همدلی مصنوعی برای استنباط حالات درونی مشتری به عنوان مثال، با استفاده از تکنیک‌های تحلیل گفتار و بینایی کامپیوتری، Affectiva به برندها کمک می‌کند تا با استنباط حالات احساسی بیننده هنگام تماشای فیلم یا تریلر فیلم، محتوای ویدیویی را بهینه کنند. بیش از 1400 برند از جمله Kellogg از آن استفاده کرده اند.
2. استخراج اطلاعات مفید به صورت کارآمدتر و موثرتر برای حمایت از تصمیم گیری تجاری. این امر به ویژه برای مشاغل آنلاین و آفلاین در بحبوحه افزایش هزینه های نیروی کار و افزایش حجم داده مهم است. به عنوان مثال، یک ترکیب گفتاری به نام WinkTalk سبک‌های صدای مصنوعی را با توجه به حالات چهره شنونده تطبیق می‌دهد، که می‌تواند به طور بالقوه برای خدمات مشتری به کمک رایانه مفید باشد.
3. بهبود کارایی و اثربخشی جذب و تخصیص کارکنان. به عنوان مثال، Hirevue مدل‌های یادگیری ماشینی را برای ارزیابی مهارت‌های متقاضیان و تطبیق آنها با موقعیت‌های شغلی با تجزیه و تحلیل اطلاعات صوتی و تصویری از مصاحبه‌های آنها توسعه داد.
4. ارائه ابزارهای جدید برای ایجاد ارزش های جدید مشتری. در صنعت مد و زیبایی، از تجزیه و تحلیل چهره و ویدئو برای ساخت اپلیکیشن های واقعیت افزوده استفاده می شود که به مشتریان امکان می دهد محصولات زیبایی را به صورت مجازی امتحان کنند. اپلیکیشنی به نام «Makeup Genius» که توسط L'Oreal راه اندازی شد، 20 میلیون کاربر اپلیکیشن و 60 میلیون محصول مجازی را در یک سال برای این برند به ارمغان آورد.

تجزیه و تحلیل حرکت دست و زبان بدن می تواند مورد بعدی باشد

درک اینکه افراد ممکن است محرک های صوتی و بصری یکسان را به طور متفاوت تفسیر کنند، بینش مهمی را نیز به شرکت ها می دهد تا عناصر را در فعالیت های بازاریابی یا ارائه خدمات خود سفارشی کنند. حوزه‌های مطالعات آینده شامل استنباط حالات درونی از انواع جدید نشانه‌های صوتی و بصری مانند حرکت دست، زبان بدن و نگاه، و بررسی اینکه چگونه طراحی عناصر صوتی و بصری ارتباطات بازاریابی یا فرآیند ارائه خدمات در انواع مختلف محصولات متفاوت است. یا تصاویر برند