All’inizio di questo mese, Mailchimp ha rilasciato Content Optimizer, un nuovo prodotto che utilizza l’intelligenza artificiale per migliorare le prestazioni delle campagne di email marketing.

Grazie alla sua vasta raccolta di dati, Mailchimp è in una posizione unica per scoprire modelli comuni di campagne di marketing di successo. Content Optimizer attinge a tali dati e utilizza modelli di machine learning e regole aziendali per prevedere la qualità delle campagne e-mail e fornire suggerimenti su come migliorare contenuti, layout e immagini.

 
“Dai dati alla conoscenza”. In che modo l’organizzazione dei dati mediante LC:NC può ridurre drasticamente la complessità tecnica della derivazione della conoscenza dai dati._
  

Questa non è la prima incursione di Mailchimp nell’uso dell’intelligenza artificiale per il content marketing, ma potrebbe essere il suo sforzo più incisivo nel campo. A guidare lo sforzo per sviluppare Content Optimizer è John Wolf, product manager di contenuti intelligenti presso Mailchimp. Wolf è stato il fondatore di Inspector 6, una startup acquisita da Mailchimp nel 2020. La tecnologia e l’esperienza che Inspector 6 ha portato a Mailchimp hanno svolto un ruolo importante nello sviluppo di Content Optimizer.

 
In un’intervista con TechTalks, Wolf ha fornito alcuni dettagli dietro le quinte sulla visione e il processo di sviluppo di Content Optimizer e ha condiviso approfondimenti su come l’IA sta cambiando il futuro del content marketing.

La visione per il content marketing basato sull’intelligenza artificiale
Come molti prodotti, l’idea di Content Optimizer è iniziata con qualcuno che sentiva il dolore. Wolf ha individuato la necessità di un content marketing basato sull’intelligenza artificiale prima di fondare Inspector 6, quando era chief marketing officer di Intradiem, una società di sviluppo software.

Come tutte le aziende, Intradiem aveva bisogno di ottimi contenuti di marketing. Ma il processo era difficile e misurare la qualità e il successo era molto soggettivo.

“Il processo creativo è stato completamente dominato da opinioni con pochi dati. È stato molto manuale, molto laborioso, molti cicli per ottenere la giusta creatività, e stavo pensando che doveva esserci un altro modo”, ha detto Wolf.

A quel tempo, l’apprendimento automatico stava iniziando a trovare applicazioni aziendali reali in molti settori. Quindi, Wolf ha iniziato a pensare all’utilizzo del machine learning per ottimizzare il processo creativo per il content marketing.

“L’idea era: e se potessimo utilizzare l’apprendimento automatico per comprendere i contenuti di marketing? Se un software è in grado di capire quale storia sta raccontando il contenuto di marketing e come lo sta raccontando, può quindi correlare le caratteristiche con i risultati di marketing e iniziare a standardizzare e aggiungere dati a gran parte del processo creativo e sostituire quelle opinioni con i dati “, ha affermato Wolf.

 
Nel 2017, Wolf ha fondato Inspector 6 con l’obiettivo di sviluppare un content marketing basato sull’intelligenza artificiale. Inspector 6 è diventato una piattaforma di intelligenza artificiale che analizza i contenuti di marketing per fornire approfondimenti e raccomandazioni per il miglioramento.

Affrontare le sfide dei dati
Come tutte le applicazioni di machine learning applicate, l’ottimizzazione dei contenuti di marketing dipende dalla disponibilità di grandi quantità di dati di qualità . Di conseguenza, la piattaforma di Inspector 6 ha avuto successo in alcune aree e ha incontrato sfide in altre.

“Il nostro cliente più grande era una grande multinazionale di beni di consumo confezionati con 500 marchi in 200 paesi e pensavo che avrebbero avuto molti dati per alimentare i miei modelli predittivi. E ho scoperto che non era necessariamente vero”, ha detto Wolf. Fornire valore alle piccole imprese è stato più difficile poiché disponevano di dati ancora più limitati per l’addestramento dei modelli di apprendimento automatico.

Prima che Mailchimp acquisisse Inspector 6, le due società hanno stretto una partnership. Mailchimp consegna centinaia di miliardi di e-mail all’anno e, attraverso la partnership, il team di Inspector 6 ha potuto sperimentare il vantaggio di addestrare i propri modelli sull’enorme volume di dati di marketing di cui dispone Mailchimp.

“La quantità di dati e l’ampiezza dei dati, tutto, dai contenuti di marketing che vendono prodotti e servizi al content marketing e alle newsletter e tutto il resto, alcuni ad alte prestazioni e altri altrettanto importanti a basso rendimento – avere quella profondità e l’ampiezza dei dati diventa la componente chiave per fornire una soluzione come questa”, ha affermato Wolf.

 
Le raccomandazioni richiedono anche un contesto. Un analista dovrebbe conoscere l’obiettivo, il verticale di business, il pubblico e altre informazioni su una campagna di marketing prima di fornire un feedback sulla sua efficienza. Allo stesso modo, i modelli di apprendimento automatico richiedono un contesto. Fortunatamente per Mailchimp, la varietà e il numero di clienti ha fornito ampi dati per addestrare modelli di apprendimento automatico che possono funzionare bene in diversi contesti.

“Prendi i dati di Mailchimp con 360 miliardi di e-mail all’anno che diventano il nostro set di formazione per questo, ma poi dovresti suddividerli in base al contesto per essere davvero in grado di risolvere questo problema”, ha affermato Wolf. “Quindi, in pratica, i 360 miliardi di e-mail iniziano a diventare una raccolta di molti set di formazione individuali che sono specifici del contesto”.

Passaggio a Mailchimp
La partnership tra Mailchimp e Inspector 6 alla fine si è trasformata in una proposta di acquisizione, che è diventata una situazione vantaggiosa per entrambe le società.

I dati e l’infrastruttura di Mailchimp hanno offerto al team di Inspector 6 l’opportunità di espandere la propria applicazione a una base più ampia di clienti.

“Dopo aver vissuto l’esperienza di sapere quanti dati avrebbero richiesto i miei modelli predittivi e quanti dati aveva Mailchimp, ho pensato che potesse essere davvero interessante risolvere ora questo problema che sto risolvendo principalmente per una manciata di grandi multinazionali per milioni o decine di milioni di piccole imprese, che è più in linea con le mie passioni”, ha affermato Wolf.

D’altra parte, Mailchimp ha potuto potenziare i suoi sforzi di intelligenza artificiale acquisendo uno stack tecnologico di backend collaudato per prevedere i risultati delle campagne di marketing e un team di ingegneri che si sono concentrati sull’intersezione tra marketing, informatica e scienza dei dati.

“Mailchimp ha esperienza in tutte queste aree, ma concentrarsi sulla risoluzione di questo problema in quell’incrocio è ciò che Mailchimp era più interessato ad acquisire dal punto di vista del talento”, ha affermato Wolf.
L’Inspector 6 aveva progettato la sua tecnologia come microservizi individuali su Amazon Web Services. Il sistema acquisisce una risorsa di marketing e i singoli microservizi svolgono autonomamente il proprio lavoro per analizzarla.

Mailchimp, invece, utilizza la Google Cloud Platform. Quindi, i servizi dovevano essere trasferiti da una piattaforma cloud a un’altra. Fortunatamente, prima dell’acquisizione, Mailchimp aveva intrapreso un enorme progetto per trasferire tutti i propri dati in Google BigQuery, un data warehouse basato su cloud che semplifica la gestione di grandi archivi di informazioni e il loro utilizzo nell’analisi dei dati e nelle pipeline di apprendimento automatico. Mailchimp utilizza anche altri prodotti GCP come Dataflow, un servizio di analisi in streaming che crea visualizzazioni dinamiche dei dati in tempo reale e archiviati in modi molto efficienti.

Ciò ha reso molto più semplice l’integrazione dei servizi di Inspector 6 nell’infrastruttura cloud di Mailchimp.

“Dal punto di vista tecnologico, siamo passati da una raccolta di microservizi a un’altra e ha funzionato abbastanza bene”, ha affermato Wolf.

I microservizi di Inspector 6 sono una tecnologia abilitante. Sono integrati nel backend del sistema di Mailchimp e offerti tramite prodotti frontend. I servizi sono iniziati fornendo servizi di reportistica a Mailchimp, ma gradualmente si sono sviluppati fino a diventare un generatore di approfondimenti sui contenuti attraverso gruppi di prodotti frontend. E la visione di Wolf dell’ottimizzazione delle campagne di marketing basata sull’intelligenza artificiale, che ha dato il via a Inspector 6, alla fine è diventata Content Optimizer di Mailchimp.

Apprendimento automatico e regole aziendali
Content Optimizer fornisce scorecard che riflettono la qualità complessiva dei contenuti delle e -mail di marketing e il numero di best practice in ciascuna categoria di analisi, come la scremabilità e il layout. Tutti gli utenti possono accedere alla scorecard dei contenuti. Gli utenti Premium ricevono anche consigli utili per migliorare i propri contenuti.

 
“La nostra stella polare nel risolvere questo problema sta migliorando le prestazioni della campagna. Se miglioriamo le prestazioni della campagna in tutta la nostra base di utenti solo del 10%, ciò creerà 190 milioni di visite online incrementali alle attività dei nostri clienti”, ha affermato Wolf.

Naturalmente, l’apprendimento automatico è un componente chiave di Content Optimizer. Dietro le quinte, una pipeline di modelli ML va al lavoro per analizzare e analizzare diverse parti dell’e-mail di marketing e prevederne l’esito.

Il primo lotto di modelli estrae le caratteristiche di diversi elementi del contenuto come il tono della scrittura, la messaggistica, il layout del contenuto di marketing e le immagini utilizzate per raccontare la storia.

Queste funzionalità diventano l’input della prossima serie di modelli di machine learning, che cercano di prevedere l’esito e la qualità della campagna di marketing. In alcune aree, Content Optimizer combina le previsioni ML con l’intelligenza artificiale simbolica per fornire consigli più solidi e comprensibili.

“Oltre all’apprendimento automatico, a volte utilizziamo un ibrido di modelli di apprendimento automatico e regole aziendali per rilevare le cose”, ha affermato Wolf. “A volte abbiamo scoperto che le regole aziendali sono in realtà più facili da mantenere, più facili da sviluppare e in alcuni casi più accurate dell’apprendimento automatico”.

Ad esempio, un “invito all’azione” è un componente chiave di qualsiasi risorsa di marketing. Le frasi di invito all’azione di maggior successo iniziano con un verbo di una certa forma. Questa regola aziendale funziona molto bene, ha scoperto il team di Content Optimizer. Quindi, in questo caso, utilizzano le librerie ML per rilevare parti del discorso nel testo CTA e inviare i dati analizzati a un sistema basato su regole che ne valuta la qualità in base a regole statiche.

supervisione umana
Sebbene i modelli di apprendimento automatico forniscano informazioni preziose, non possono ancora funzionare in modo autonomo. Per il momento, Mailchimp utilizza operatori umani per assicurarsi che l’output fornito da Content Optimizer abbia senso e sia in linea con le raccomandazioni che farebbe un direttore creativo.


“Eseguiamo un esercizio di modellazione predittiva tradizionale, ma poi c’è un processo di controllo manuale”, ha detto Wolf. “Ciò crea inefficienza nel processo, ma riteniamo che sia necessario a questo punto”.

C’è qualche controversia sul mettere operatori umani dietro i sistemi di intelligenza artificiale. A volte, viene chiamata la “tecnica del mago di Oz” o pseudo-IA. Ma durante la nostra conversazione, Wolf è stato molto trasparente al riguardo e crede che sarà un fattore importante per il successo del prodotto. L’azienda, inoltre, non esternalizza il compito e lo svolge interamente tramite risorse interne.

“Nei primi giorni dell’IA applicata, penso che il rischio di perdere credibilità con i nostri utenti facendo una raccomandazione che è appena fuori dai limiti e senza senso sia troppo grande per voler essere incredibilmente attenti e sensibili”, Wolf disse.

Man mano che Content Optimizer raccoglie più dati e feedback, il team perfezionerà gradualmente i modelli di apprendimento automatico e scoprirà come renderli meno dipendenti dall’assistenza umana.

“Richiede tempo. Aggiunge un elemento ad alta intensità di lavoro. Ma è un’area contro cui siamo disposti a mettere le persone contro”, ha detto Wolf.

Non è garantito che l’attività sarà completamente automatizzata. Ma alla fine, un prodotto di machine learning è, come tutti i prodotti, uno strumento per risolvere i problemi con risultati migliori, a velocità maggiori e a costi inferiori. Se Content Optimizer aiuta Mailchimp a migliorare le prestazioni della campagna dei suoi clienti in modo statisticamente significativo ed efficiente in termini di costi, allora è un prodotto di successo indipendentemente dallo sforzo umano richiesto. Un esempio notevole a questo proposito è AdWords, la piattaforma pubblicitaria online di Google e la sua più grande fonte di entrate. AdWords utilizza una combinazione di intelligenza artificiale e valutazione umana per assicurarsi che gli annunci siano pertinenti e conformi alle norme dell’azienda.

Imparare dagli utenti
Una delle parti fondamentali del processo di gestione del prodotto è l’apprendimento dagli utenti. Dopo aver lanciato un prodotto, le tue ipotesi verranno messe alla prova. Di solito troverai punti dolenti che avevi sopravvalutato o trascurato e casi d’uso interessanti a cui non avevi pensato.


Ad esempio, il Content Optimizer ha mostrato che, in generale, gli utenti di Mailchimp hanno svolto un lavoro migliore nella tipografia rispetto a quanto inizialmente stimato dal team del prodotto. Hanno anche scoperto che molti esperti di marketing hanno difficoltà a scrivere un linguaggio semplice e conciso.

“È quasi come se il sistema collettivo fosse il direttore creativo per 14 milioni di utenti attivi e tu dovessi essere il direttore creativo per loro”, ha detto Wolf. “A volte ti sorprenderanno con ciò in cui sono bravi e con cosa stanno ancora lottando.”

Uno dei risultati positivi del Content Optimizer, secondo Wolf, è che i professionisti del marketing si sono già abituati all’utilizzo del prodotto.

“Quando immetti un nuovo prodotto sul mercato, ti aspetti molte domande su ‘Cos’è questo?’ e ‘Come si fa?’” ha detto. Ma quando le persone utilizzano Content Optimizer, le loro conversazioni riguardano più il marketing e meno il prodotto, afferma, il che è stata una bella sorpresa.

“Se vanno direttamente alla conversazione di marketing ea cosa faranno diversamente in futuro, questo è l’obiettivo esatto. Hanno preso il prodotto e l’hanno capito molto bene”, ha detto Wolf.

Il futuro del content marketing basato sull’intelligenza artificiale
Secondo Wolf, il suo team continuerà ad espandere Content Optimizer per fornire una più ampia varietà di consigli in termini di tono, messaggistica, coerenza del marchio, immagini e altre aree. Il prodotto si espanderà anche dall’email marketing ad altri canali come pagine web e social media. I touchpoint aumenteranno anche in futuro. Per il momento, Content Optimizer è uno strumento di reporting, ma il team prevede di renderlo disponibile anche come sistema di raccomandazione in tempo reale che funziona mentre gli utenti modificano i propri contenuti.


Wolf è anche interessato a entrare in contenuti generati dal computer in futuro.

“Anche i professionisti del marketing più sofisticati del mondo vorrebbero dedicare meno tempo alla creazione di contenuti”, afferma. “Tutti hanno familiarità con modelli generativi di copywriting all’avanguardia come GPT-3. Sono fantastici. Ma come si fa ad assicurarsi che siano in linea con il marchio, in linea con il messaggio e che siano ottimizzati nello stesso modo in cui ottimizziamo i contenuti generati dall’uomo”.

I modelli generativi lottano con coerenza e coerenza se usati isolatamente. Ma Wolf ritiene che la combinazione della pipeline di Content Optimizer e di modelli generativi come GPT-3 possa creare un valore immenso per i marketer.

“I nostri clienti trascorrono 28 milioni di ore all’anno solo a scrivere testi, senza nemmeno progettare e procurarsi immagini. Pensiamo che con alcune tecnologie nello spazio generativo, possiamo ridurlo dell’80%. Sono 22 milioni di ore che possiamo risparmiare ai nostri clienti”, ha affermato. “Questo per me è semplicemente sbalorditivo ed è una delle cose che ho trovato più convincenti nel vendere la mia attività a Mailchimp, solo per essere in grado di creare valore su quella scala. Siamo davvero entusiasti di ciò che riserva il futuro e stiamo davvero solo andando avanti. ”

Di ihal