Slik bruker du big data og kunstig intelligens når du jobber med kommunikasjon

Slik bruker du big data og kunstig intelligens når du jobber med kommunikasjon

mandag 20. august 2018

Artificial Intelligence, Big Data, Machine Learning. Gratulerer! Du fikk full pott i buzzword bingoen. De færreste kan nok si seg uskyldig i å ha namedroppet minst ett av disse begrepene i en fet workshop, med minst like fet catering og full pakke de siste årene. For ja, ordet på gaten har lenge vært at teknologien vil forstyrre måten vi jobber på. Mer spesifikt vil robotene komme og ta deg – og det snart.

 

Utrolig nok er likevel gårsdagen forvekslingsvis lik dagen i dag, og i dag kommer sikkert til å likne i morgen. For var det egentlig noen som fikk eksekvert den fete ideen fra workshopen? Var det ikke noe med at man skulle holde styr på datastrukturen, eller noe sånt, først? Og plutselig havnet AI-ideen i bunken av sammenkrøllede post-its ved siden av VR, AR, QR og det man ellers kan forkorte med to bokstaver.

Når analyseinstituttet Gartner anslår at 85% av alle Big Data prosjekter feiler, så er det nok fordi det nettopp er langt fra tanke til handling.

 

Bruk kunstig intelligens i kommunikasjonen din

Hvis du leter etter en grandios big data-strategi som kan transportere organisasjonen din rett inn i året 2084, så har du havnet feil sted. Til gjengjeld vil jeg gi deg et pragmatisk eksempel på hvordan du kan bruke kunstig intelligens til å analysere store mengder data.

I fjor skrev jeg en oppgave på studiene mine om hvordan følelser på sosiale medier engasjerer brukere. Jeg brukte IBM’s kunstige intelligens, Watson (ja, den som vant Jeopardy for noen år siden), for å analysere merkevarekommunikasjon på sosiale medier. Watson har kort fortalt et Natural Language Processing redskap som bruker kunstig intelligens for å forstå språk. Jobber du med kommunikasjon og markedsføring, får du nedenfor et konkret eksempel på hvordan du nettopp kan bruke kunstig intelligens til å analysere kommunkikasjonen din. Hvis du ikke jobber med overnevnte fagfelt, les likevel! Du vil forstå at det ikke ligger en så stor barriere foran det å jobbe med AI og big data som du kanskje tror.

 

Sad shares

Før Cambridge Analytica-skandalen var data noe vi ga til hverandre. Eller, i hvert fall noe Facebook gjerne delte ut via deres API, som sammen med Twitters Ditto gladelig spyttet ut 5000 poster fra sosiale medier, komplett med tilhørende likes, delinger og kommentarer for hver enkelte post. Vi snakker 13 millioner interaksjoner for Facebook alene.

Å kalle det big data er kanskje en overdrivelse, men det er skalerbart, og kan i teorien skaleres helt opp til 5 millioner posts. Samtidig finnes det eksempler på at det ligger tilgjengelig data på nettet som enkelt kan nedlastes og relateres til organisasjonen din. Eksempelvis blir det månedlig kommentert mer enn 2 500 000 000 ganger på business-sider på Facebook alene. Dette er altså data fra 2,5 milliarder interaksjoner mellom forbrukere og merkevarer, som ligger fritt tilgjengelig for hvermansen.

De 5000 postene med tilhørende interaksjoner nevnt over svingte innom Watson. Hver enkelt post ble analysert utifra om den kunne avleses av en sur, glad, sint eller trist tone.

 

Og hva kan du da få ut av dette?

Godt spørsmål, som jeg beleilig nok har et rågodt svar på: du kan finne ut av hvilken innflytelse følelsene du legger i dine So-Me posts har, og hvor mye og hvilken type engasjement du får av det.

Det viste seg i Watson analysen at hvis du skriver en post som inneholder det Watson klarer å identifisere som «joy» (glede), så vil du sannsynligvis få flere likes enn hvis den ikke inneholder denne følelsen. Vil du ha litt flere delinger på Facebook, skal du dele litt tristere posts. Det er med andre ord en positiv sammenheng mellom «sadness» (tristhet), og antall delinger på Facebook. 

«Fear» (frykt) og «anger» (sinne) var, kanskje ikke overraskende, ikke særlig utbredt blant merkevarers posts i sosiale medier blant samtlige stikkprøve virksomheter (44 store internasjonale merkevarer). Innenfor politisk kommunikasjon ser bildet kanskje litt annerledes ut.

 

 

Men.

Det er selvfølgelig alltid et men, for før du går i gang med å gjøre sosiale medier til et tristere sted for å få flere delinger, må jeg nevne at Watson og kunstig forståelse av språk fortsatt har sine utfordringer. Språk kan eksempelvis være fylt med ironi og sarkasme, som vi skandinavere jo har en notorisk forkjærlighet for. Det er innmari vanskelig å forklare japanske gjester at vi faktisk mener det motsatte av hva vi sier, og like vanskelig er det å få en datamaskin til å forstå det.

I et lite uvitenskapelig forsøk på å validere Watsons forståelse av følelser kjøpte jeg et par hundre besvarelser på Amazon Mechanical Turk. Jeg ba ulike mennesker om å kategorisere et utvalg av de postene Watson hadde kategorisert som å inneholde «joy» eller «sadness». Her viste det seg at det var 95% enighet mellom Watson og mennesker av kjøtt og blod når det kom til å skulle identifisere «joy». Det stod dårligere til med «sadness». Der var det kun 20% enighet.

Men la oss komme oss tilbake til sammenhengen mellem «joy» og «sadness» og likes og delinger:

Ceteris paribus! (Den late akademikers foretrukne cover-up, som betyr ”alt annet likt”).

For det er selvfølgelig mange variabler som kan ha innflytelse på effekten. Forhold som industri og typen sosiale medium, for eksempel. Og så er det naturligvis hele diskusjonen om hvorvidt kunstig intelligens kan identifisere følelser eller ei. Kan en robot forstå språk, og kan man overhodet kvantifisere språk på denne måten, vil nok den kjappe leser spørre seg. Det har jeg brukt 80 sider på at diskutere, men jeg kan godt avsløre at det er en temmelig teoretisk diskusjon – som jeg vil gå kjapt igjennom her.

 

Hurra! Nå kan du sette en «check!» ved AI, men hva kan vi bruke det til?

La oss ta utgangspunkt i overstående eksempel. Resultatene og effekten av følelser vil være forskjellig fra organisasjon til organisasjon. Først og fremst handler det om å finne ut av hva som får din målgruppe til å engasjere seg.

Har du funnet ut at muntre Facebook-posts er en selvfølgelighet i din bransje og blant målgruppen din på Facebook, så kunne du jo ha integrert Watson i innholdsproduksjonen din. Før du publiserer sjekker da bare Watson om du høres munter nok ut til at du vil få likes blant følgerne dine.

Helt lavpraktisk kan du også få Watson til å sikre at e-mailen din høres hissig nok ut før du sender den til sjefen med en klage over at shorts åpenbart ikke er «passende kontorantrekk» når det er 28 grader utendørs.

Men, potensialet for Watson og Natural Language Processing i kommunikasjon begrenser seg ikke til kun sinte mails og happy-go-lucky Facebook posts. Du kan også bruke denne teknologien som et verktøy til å strømlinjeforme kommunikasjon på tvers av kanaler, og dermed sikre en ensartet tone of voice.

Så kan det jo ikke bare være fryd og gammen det her, så jeg må kjapt trekke fram det robot skrekkscenarioet jeg så smått malte for deg innledningsvis.

Hvis vi baserer kommunikasjonen vår på hva en algoritme forutsier at vil få flest likes, så er vi plutselig ganske mye nærmere det at kunstig intelligens kommer til å styre fremtiden vår. Joda, man kan ta mannen ut av universitetet, men man kan ikke ta universitetet – og dets forkjærlighet for Foucaults diskursanalyse – ut av mannen. Så bli med nå på en liten omvei til diskursene: Hvis virkeligheten blir skapt gjennom sosiale interaksjoner og språk, og hvis robotene styrer hvordan vi kommuniserer, er det ikke da robotene som styrer virkeligheten vår?!

 

Eh, okei, du mistet meg ved Foucault… Bare gi meg tre gode råd

Greit, det var en long shot, så la meg bare nøye meg med å si dette:

Jeg håper du har fått et nytt perspektiv på hvordan du kan inkorporere kunstig intelligens og big data inn i kommunikasjonen din. Det er ikke akkurat den hellige gral jeg har gitt deg her, men poenget er at du ikke trenger å overkomplisere dette prosjektet (dersom du skulle ha det).

Så.

Nå får du tre gode råd til å bruke data og kunstig intelligens i din kommunikasjon:

  1. Identifiser relevante datakilder. Det kan være data du samler opp selv, men det kan like gjerne være data som er tilgjengelig på nettet også. Offentlig tilgjengelig data er det masse av der ute, så undersøk hva som kan være relevant for din virksomhet.
  2. Hvis dere ikke har en aspirerende Alan Turing ansatt til å selv bruke dagen på å skrive AI algoritmer, undersøk hvilke cloud-baserte AI-løsninger du kan bruke. IBM Watson har en rekke forskjellige redskaper til å klassifisere språk du kan vurdere dersom du ønsker (og tør) å slippe AI løs på kommunikasjonen din.
  3. Unngå å gå inn i prosjektet med et premiss om at hvis ikke dette revolusjonerer markedsføringen deres, så er det ikke prosjektet innsatsen verdt. Start i det små, test og prøv deg frem, og bli klokere. På den måten lærer dere nye ting om både dere selv og deres kunder, samtidig som dere optimerer løpende. Og mange optimeringer små gjør som kjent en stor… ja, forskjell.

Hvis det kribler i hele deg etter å lese den oppgaven jeg teaset om tidligere, så kan du lese hele her. Ifølge Watson er det snakk om 80 siders følelseskald analyse, men det må du nesten bedømme selv.

 

Skribent av denne meningen, Mads Jørgensen, jobber i Creuna Danmark som Insights & Analytics Consultant, og gjør all den deilige dataen som kommer inn på kontoret der borte til noe forståelig for oss vanlige dødelige. Om denne artikkelen ga deg flere spørsmål enn svar, send han gjerne en mail  her.