Sådan bruger du big data og kunstig intelligens, når du arbejder med kommunikation

Sådan bruger du big data og kunstig intelligens, når du arbejder med kommunikation

5. juli 2018

Artificial Intelligence, Big Data, Machine Learning. Tillykke, du fik fuld plade i buzzword bingo! Det er nok de færreste der helt kan sige sig fri for at have namedroppet de her ord til en fed workshop med fuld forplejning. For jungletrommerne har lydt, og vi har alle hørt, hvordan teknologien kommer til at disrupte vores måde at arbejde på, hvorefter robotterne fluks sender os ned i køen til a-kassen.

Alligevel lignede i går til forveksling i dag, som sikkert også kommer til at ligne i morgen. For var der egentlig nogen der fik eksekveret på den fede idé til workshoppen? Var der ikke noget med, at man skulle have styr på datastrukturen? Pludselig landede AI-idéen i bunken af krøllede post-its ved siden af VR, AR, QR, og hvad man ellers kan forkorte med to bogstaver.

Når analyseinstituttet Gartner oven i købet vurderer, at 85% af alle Big Data projekter fejler, så er det nok fordi, der er langt fra tanke til handling.

Brug kunstig intelligens i din kommunikation

Hvis du leder efter den forkromede big data-strategi, der kan tranformere din organisation direkte ind i 2084, så er du endt det forkerte sted. Til gengæld vil jeg give dig et pragmatisk eksempel på, hvordan du kan bruge kunstig intelligens til at analysere store mængder data.

Sidste år skrev jeg et speciale om, hvordan følelser på sociale medier engagerer brugere. Her brugte jeg IBM’s kunstige intelligens, Watson (ja, den der vandt Jeopardy for år tilbage), til at analysere brandkommunikation på sociale medier. Watson har kort fortalt et Natural Language Processing redskab, der bruger kunstig intelligens til at forstå sprog. Arbejder du med kommunikation og marketing får du nedenfor et konkret eksempel på, hvordan du kan bruge kunstig intelligens til at analysere din kommunikation. Hvis du ikke gør, så læs med alligevel og find ud af, at der ikke behøver være en stor barriere for at arbejde med AI og Big Data.

Sad shares

I tiden før Cambridge Analytica-skandalen var data noget vi gav til hinanden. Eller i hvert fald noget Facebook gerne delte ud af via deres API, som, sammen med Twitters ditto, gladelig spyttede 5000 posts fra sociale medier ud, komplet med tilhørende likes, delinger og kommentarer for hver enkel post. Det drejer sig om 13 millioner interaktioner for Facebook alene.

At kalde det big data er måske en overdrivelse, men det er skalerbart og kan i teorien skaleres op til 5 millioner posts. Samtidig er det et eksempel på, at der ligger tilgængeligt data på nettet, som let kan downloades og sættes i relation til din organisation. Eksempelvis bliver der månedligt kommenteret mere end 2.500.000.000 gange på brandsider på Facebook alene. Det er data om 2.5 milliarder interaktioner mellem forbrugere og brands, der ligger frit tilgængeligt.

De 5000 posts med tilhørende interaktioner røg en tur forbi Watson. Hver enkelt post blev analyseret for, om der kunne aflæses en sur, glad, vred eller trist tone.

Og hvad kan du så få ud af det?

Godt spørgsmål, som jeg belejligt nok har et smaddergodt svar på: Du kan finde ud af, hvilken indflydelse de følelser du ligger i dine SoMe-posts, har på, hvor meget og hvilken type engagement du får.

Mere specifikt viste det sig, at hvis du skriver en post der indeholder det Watson identificerer som joy, så vil du sandsynligvis få flere likes, end hvis den ikke indeholder denne følelse. Vil du gerne have nogle flere shares på Facebook, så skal dele nogle triste posts. Det viste sig nemlig, at der var en positiv sammenhæng mellem sadness og antal delinger på Facebook.

Fear og anger var, måske ikke overraskende, ikke særlig udbredt i brandposts på sociale medier blandt de samplede virksomheder (44 store internationale brands). Inden for politisk kommunikation ser billedet måske lidt anderledes ud.

 


Men.

Der er selvfølgelig altid et men, for inden du går i gang med at gøre sociale medier til et tristere sted for at få flere delinger, må jeg hellere nævne, at Watson og kunstig forståelse af sprog stadig har sine udfordringer. Sprog kan eksempelvis være fyldt med ironi og sarkasme, som vi danskere jo har en notorisk forkærlighed for, og lige så svært det er at forklare japanske krydstogtgæster, at vi faktisk mener det modsatte af hvad vi siger - lige så svært er det at få en computer til at forstå det.

I et lille uvidenskabeligt forsøg på at validere Watsons forståelse af følelser købte jeg et par hundrede besvarelser på Amazon Mechanical Turk. Jeg bad mennesker om at kategorisere et udsnit af de posts, som Watson mente indeholdte joy eller sadness. Her viste det sig, at der var 95% enighed mellem Watson og mennesker af kød og blod, når det kom til at identificere joy, mens det stod mere skidt til med sadness, hvor der kun var 20% enighed.

Nå, men tilbage til sammenhængen mellem joy og sadness og likes og delinger:

Ceteris paribus! (Den dovne akademikers foretrukne rygdækning, som betyder ”alt andet lige”).

For der er selvfølgelig en masse variabler, som kan have indflydelse på effekten. Forhold som industri og type af socialt medie, for eksempel. Og så er der naturligvis hele diskussionen om, hvorvidt kunstig intelligens kan identificere følelser. Kan en robot forstå sprog, og kan man overhovedet kvantificere sprog på denne måde, vil den kvikke læser nok spørge. Det har jeg brugt 80 sider på at diskutere, men jeg kan godt afsløre, at det er en temmelig teoretisk diskussion, som jeg vil springe let henover her.

Hurra! Du kan nu sætte flueben ved AI, men hvad kan vi bruge det til?

Lad os tage udgangspunkt i overstående eksempel. Resultaterne og effekten af følelser vil være forskellig fra organisation og til organisation. Først og fremmest handler det om at finde ud af, hvad der får din målgruppe til at engagere sig.

Har du fundet ud af, at muntre Facebook-posts går rent ind i din branche og hos din målgruppe på Facebook, så kunne du jo integrere Watson i din content produktion. Inden du publicerer, tjekker Watson, om du lyder munter nok til at få likes blandt dine følgere.

Helt lavpraktisk kan du også få Watson til at sikre, at din e-mail lyder vred nok, inden du sender den til chefen med en klage over, at shorts åbenbart ikke passende office wear, når det er 28 grader udenfor.

Men potentialet for Watson og Natural Language Processing i kommunikation begrænser sig ikke kun til vrede mails og glade Facebook posts. Du kan også bruge det som et redskab til at strømline kommunikation på tværs af kanaler og sikre en ensartet tone of voice.

Men det kan jo ikke være fryd og gammen det hele, så jeg må hellere lige binde en sløjfe på det robotskrækscenarium, jeg malede i indledningen.

Hvis vi baserer vores kommunikation på, hvad en algoritme forudser vil få flest likes, så er vi pludselig meget tættere på, at kunstig intelligens kommer til at styre vores fremtid. Nok kan man tage manden ud af universitetet, men man kan ikke tage universitetet – og dets forkærlighed for Foucaults diskursanalyse – ud af manden. Så følg med mig på en lille omvej til diskurserne: Hvis virkeligheden skabes gennem sociale interaktioner og sprog, og hvis robotterne styrer, hvordan vi kommunikerer, er det så ikke robotterne, der styrer vores virkelighed?!

Okay, du tabte mig ved Foucault… Stik mig nu bare 3 gode råd

Okay, det var et long shot, så lad mig nøjes med at sige dette:

Jeg håber, du har fået et nyt perspektiv på, hvordan du kan tænke kunstig intelligens og big data ind i din kommunikation. Det er ikke den hellige gral, jeg har serveret for dig, men pointen er, at du ikke behøver overkomplicere projektet.

Så.

Nu får du tre gode råd til at bruge data og kunstig intelligens i din kommunikation:

  1. Identificér relevante datakilder. Det kan være data du selv samler op, men det kan også sagtens være data som er tilgængelig på internettet. Offentligt tilgængeligt data er der masser af, specielt i Danmark, så undersøg, hvad der kan være relevant for jeres virksomhed.
  2. Hvis I ikke har en aspirerende Alan Turing ansat til selv at skrive AI algoritmer, så undersøg hvilke cloud-baserede AI-løsninger, du kan bruge. IBM Watson har en række forskellige redskaber til klassificering af sprog, som du kan overveje, hvis du vil slippe AI løs på din kommunikation.
  3. Lad være med at gå ind i projektet med en præmis om, at hvis ikke det revolutionerer jeres marketingarbejde, så er det ikke indsatsen værd. Start i det små, test det af og bliv klogere. På den måde lærer I nye ting om jer selv og jeres kunder, og I optimerer løbende. Og mange optimeringer små gør som bekendt en stor… ja, forskel.

Hvis det har kriblet i dig efter at få nallerne i den teori jeg teasede for tidligere, så kan du læse hele mit speciale her. Ifølge Watson er der tale om 80 siders følelseskold analyse, men bedøm selv.