Khoa học mạng, bắt nguồn từ vật lý thống kê và lý thuyết đồ thị, đã nổi cộm trong những năm gần đây để giúp chúng ta hiểu các mạng phức tạp như internet hình thành và phát triển theo thời gian như thế nào.
Các mạng như Internet hình thành dựa trên một quy trình được gọi là “Preferential Attachment”. “Preferential Attachment” thường được gọi là hiện tượng “người giàu ngày càng giàu có” – tức là, một yếu tố trong mạng càng phổ biến (ví dụ: tên miền, trang web, người có ảnh hưởng xã hội) thì càng có nhiều người mới tham gia mạng liên kết đến nó.
Theo thời gian,“Preferential Attachment” dẫn đến việc phân cụm giữa các trang web liên quan và điều này dẫn đến sự xuất hiện của các công cụ tìm kiếm như ngày nay. Các Marketers định hướng dữ liệu nhìn nhận các cụm này là hệ sinh thái cực kỳ cạnh tranh. Có thể thấy rằng lý do Google thành công, khi mà các công cụ tìm kiếm trước đó đã thất bại, là do sự hiểu biết thấu đáo của họ về cấu trúc liên kết của các mạng không có quy mô.
Sự hiểu biết toàn diện về hệ sinh thái Marketing mang lại vô số lợi ích cho các Marketers và trên thực tế, sẽ thay đổi quá trình Marketing vô thời hạn. Điều này đem đến một cơ hội quan trọng cho các Marketers để tách ra khỏi những mô hình tương tác cuối cùng và các mô hình đơn giản khác. Ngày nay, các Marketers có thể xác định các yếu tố (tên miền, trang web,Kols) ảnh hưởng đến lưu lượng truy cập và doanh thu – những yếu tố tác động trước khi khách hàng tiếp cận các tên miền của họ hoặc đối thủ cạnh tranh của họ.
Các phương pháp lý thuyết đồ thị cho phép các Marketers khéo léo không chỉ xác định chính xác về thị trường của họ mà còn theo dõi các đối thủ cạnh tranh, xác định chính xác nơi xảy ra lợi nhuận và mất mát và dự đoán nơi có thể nắm bắt cơ hội doanh thu lớn nhất.
Khi kết hợp với các kỹ thuật trí tuệ nhân tạo như học tập tăng cường, các phương pháp này giúp các chiến lược được tối ưu hóa phân bổ ngân sách và cuối cùng là thúc đẩy doanh thu.
Khai thác sức mạnh của mạng: Giá trị lan truyền
Mặc dù có thể thu được những Insights đáng kể từ chế độ xem kết nối tĩnh của mạng, nhưng những Insights này có thể trở nên mang tính dự đoán cao hơn nếu chúng ta có thể hiểu cách các mô hình kết nối trong các hệ sinh thái cạnh tranh tồn tại trong tương lai.
Sử dụng các kỹ thuật toán học nâng cao (bao gồm lý thuyết Chuỗi Markov và cấu trúc liên kết đại số), có thể xác định cả những lưu lượng truy cập trực tiếp của một miền web cụ thể và lưu lượng truy cập gián tiếp của nó trong mạng mà Marketers hoặc thương hiệu đang kiểm soát.
Các Marketer giỏi sẽ tìm cách hiểu sự đóng góp về lưu lượng truy cập trực tiếp của từng nguồn – cũng như giá trị lan truyền gián tiếp của các nguồn giống nhau – để khám phá ra các nguồn lưu lượng truy cập và tạo doanh thu lớn nhất.
Marketer có khả năng nhìn thấy các nguồn trực tiếp và gián tiếp tốt nhất để có thể dự đoán sự thay đổi, giành thị phần và giành chiến thắng trong việc thu hút lưu lượng truy cập và doanh thu.
Bằng cách ưu tiên các cơ hội trong hệ sinh thái có giá trị lan truyền cao hơn đối với họ và các đối thủ cạnh tranh, các Marketers sẽ thấy lưu lượng truy cập trên nhiều trang web trong hệ sinh thái của họ tăng lên nhiều hơn so với cách lựa chọn chỉ được thúc đẩy bởi lưu lượng truy cập trực tiếp hoặc mô hình tương tác cuối cùng “Last-click attribution model”.
Tối ưu hóa phân bổ ngân sách với AI.
Sự gia tăng của các kênh Marketing đã dẫn đến vô số cơ hội đầu tư vào truyền thông và tiếp thị, cùng với lượng dữ liệu dồi dào. Cùng với sự thay đổi liên tục về sở thích, xu hướng, mùa vụ và các yếu tố khác trong hệ sinh thái, các Marketers không thể không có các công cụ AI tinh vi để phát hiện, dự đoán hoặc phản ứng trong thời gian thực với các cơ hội hoặc mối đe dọa.
Trong Marketing, việc triển khai AI có tác động với một mục tiêu duy nhất – kết quả theo thời gian thực, có tính khả thi cao.
Trong khi AI được giới truyền thông coi như là một thứ công nghệ mạnh mẽ đến đáng sợ, thực tế là có rất nhiều thuật toán học máy khác nhau và mỗi thuật toán phù hợp với các công việc cụ thể.
Trên thực tế, nghệ thuật của AI không chỉ nằm trong việc tự xây dựng các thuật toán. Đúng hơn, đó là khả năng xác định vấn đề theo cách mà thuật toán có thể xác định các mẫu và “học” được giải pháp tốt nhất, dựa trên dữ liệu và tài nguyên tính toán có sẵn.
Cũng giống như cách xe ô tô tự động lái có các thuật toán bên trong để xác định làn đường và các phương tiện khác, các mô hình Internet tạm thời có thể hình thành bối cảnh để xác định phần lớn các vấn đề Marketing và tối ưu hóa kết quả dự đoán trên một loạt các hành động Marketing có thể có .
Trong khi các Marketers chắc chắn có thể được hưởng lợi từ các loại trí tuệ nhân tạo khác – chẳng hạn như những loại dành cho xử lý ngôn ngữ tự nhiên hoặc phân loại hình ảnh – tương lai của AI trong Marketing sẽ tập trung vào các phương pháp tối ưu hóa như học tăng cường (reinforcement learning) từ lịch sử dữ liệu cũng như hiệu suất thời gian thực.
Học tăng cường (RL) là một kỹ thuật trí tuệ nhân tạo hiện đại có thể giải quyết các vấn đề không thể xác định được bằng các phương pháp tối ưu hóa truyền thống. RL có thể tự điều chỉnh liên tục dựa trên thông tin mới, làm cho nó trở nên lý tưởng nhất trong việc tối ưu hóa các hoạt động trên mạng như phân bổ ngân sách và nhắm các mục tiêu cụ thể.
Hướng về tương lai
Các Marketers có nhiều điều để mong đợi từ AI trong những năm tới. Lý thuyết đồ thị và lý thuyết đại số không phải là trí tuệ nhân tạo. Chúng là nền tảng để xây dựng các hệ thống thông minh cho thị trường trực tuyến. Môi trường là một mục tiêu đầy thách thức, và nhiều đối thủ cạnh tranh, các xu hướng, đa quy mô, cùng với bộ dữ liệu chắp vá, làm cho những vấn đề này trở nên đặc biệt khó khăn.
Trong vài năm tới, chúng ta có thể sẽ thấy nhiều hệ thống tương đồng hơn. Dần dần, khi các nhà khoa học học cách xây dựng các mô hình tốt hơn để nắm bắt thị trường, các hệ thống này sẽ tiếp quản nhiều công việc hơn của các Marketers, để họ có thời gian tập trung vào khía cạnh chiến lược và sáng tạo hơn trong công việc của họ.
Bài viết gốc: A brief introduction to network science math in marketing – Chief Marketing Technologist (chiefmartec.com)
Người dịch: Hoàng Bách
