Algoritmer gir varemerkene konkurranse

Vil matematiske algoritmer kunne redusere varemerkenes verdi? Blir det mindre viktig hvilken logo som står på emballasjen, så lenge vi er fornøyd med faktaene vi har samlet inn?
– Jeg tror absolutt at det kan være med og påvirke, sier Nils Svangård, grunnlegger av analyseselskapet Tajitsu.

PostNord_Stralfors-Nils_Svangard-875x580.jpg

Bli mer datadrevet i markedsføringen. Test og eksperimenter mer, og mål hva som gir best respons, tipser Nils Svangård.

Alle dataene som omgir oss, gjør det stadig enklere å søke opp de egenskapene vi ønsker i et produkt. Økologisk. Produsert under rettferdige arbeidsvilkår. Energibesparende. Beste pris og utseende.

– Som forbrukere får vi stadig sterkere preferanser, og vi søker oss frem for å finne det som er viktig for oss. Mange ganger er det den måten vi finner frem til produktet på, i stedet for å gå via varemerket, sier Nils Svangård.

Det foregår i sanntid

Han tror at arbeidet rundt varemerker og markedsføring i løpet av kort tid vil måtte legges om.

– Varemerkebygging er jo tradisjonelt noe som tar tid. Nå som alt foregår i sanntid, må vi reagere raskere på konkurrentenes aktiviteter og om det skjer noe som ikke er positivt for bedriften. God kundebehandling og overvåking av omverdenen er de beste tiltakene for å bevare varemerkets verdi. En av de vanligste grunnene til at kjøp ikke blir gjennomført, er dårlige kundeopplevelser. Det er svært viktig å kunne lytte og reagere direkte på kundene i alle kanaler og gi dem en enhetlig opplevelse. Det er også svært viktig å vite hva forbrukerne skriver og mener om produktene: omtaler, karaktergivning og så videre. Det er klart at varemerket er viktig, men jeg tror enkelte målgrupper vil bli stadig mer flyktige og hovedsakelig søke etter pris og kvalitet.

Hvordan skal da bedriften kunne skille seg ut fra støyen og få kundene til å finne nettopp den?

Kanskje gjelder det å bli flinkere til å forstå hvordan datamaskinen fungerer og foretar sine utvelgelser, og utvide kompetansen om hvordan vi mennesker søker. Hvordan kan varemerket bli synlig ved hjelp av søkeord? Hva og hvilke søkeord søker folk mest etter?

– Det kommer stadig flere verktøy for å overvåke og forstå sosiale medier og trender. Man kan for eksempel se på hva som driver trafikk til ens eget varemerke, hva som blir sagt om konkurrentene, og hva slags eget innhold som får best gjennomslag i mediene. Ett tips er å la markedsføringen bli mer datadrevet. Test og eksperimenter mer, og mål hva som gir best respons og fører til nye kunder. Dette er veldig enkelt for eksempel på Facebook, sier Nils Svangård.

Algoritmer

Utviklingen av algoritmer går raskt fremover.

– Store bedrifter sitter i dag på enorme datamengder, og det er de som driver forskningen fremover. Under panseret på alle de sosiale nettverkene som omgir oss, finner vi algoritmer. Hos Facebook og Google styrer algoritmer det de tror du vil se, bygd på tidligere valg du har gjort. Noen ganger publiserer Facebook annonser for en liten testgruppe. De viser kanskje ti budskap for å se hvilke som får gjennomslag, og velger så målgruppe ut fra resultatet.

Det har gått så langt at problemet og utfordringen kan bli at man velger for snevert. Algoritmen stenger for det vi kanskje ønsker tilgang til, og vi går glipp av noe av det vi vil se, sier Nils Svangård.

Svangård mener at en datamaskin på visse områder kan gjøre bedre vurderinger enn et menneske.

– Fordelen er at maskinen er konsekvent og ikke gjør menneskelige feil. Det spiller ingen rolle om det er mandag morgen eller fredag ettermiddag, resultatet blir det samme. Maskinen kan reagere lynraskt på aktiviteten til tusenvis av kunder samtidig.

Den kan simulere tiltak: Hva skal skje ved dette scenariet? Hvilke kunder reagerer positivt på en annonse, hvem reagerer negativt? I hvilken grad tror vi at denne annonsen vil øke salget? Hvor godt kan den forventes å nå frem på Twitter eller Facebook? Datamaskinen lærer etter hvert. Det er en sterk trend med autonome system. Stadig mer blir automatisert overalt, og det blir flere og flere algoritmer. Det kommer i alle bransjer. Selvkjørende biler er allerede her.

 

Dyp læring

  • Dyp læring kan beskrives som at maskiner og datamaskiner kategoriserer mønstre, basert på algoritmer.
  • Ved hjelp av store mengder bakgrunnsdata kan systemet trekke konklusjoner og lære seg å kjenne igjen språk, bilder og gjenstander. Hvis systemet skal reagere på barnesko, blir det matet med bilder av barnesko. Ved å merke bildene kan maskinen finne mønstre og utforme regler for hva som kjennetegner en sko. Med algoritmer kan datamaskiner for eksempel kategorisere bilder atskillig raskere enn vi mennesker kan.
  • I 2012 oppdaget et nettverk satt opp til å søke gjennom YouTube-filmer, at mange av filmene handlet om katter – uten å vite hva en katt er, men ved å finne og lage et mønster.