Los datos propios han estado durante mucho tiempo en el conjunto de herramientas de los especialistas en marketing como una herramienta importante para personalizar la experiencia del cliente en todos los puntos de contacto con los medios. Pero aún no ha afectado la forma en que la mayoría de las empresas utilizan la tecnología de IA generativa.

Sin embargo, los conjuntos de datos patentados tienen el potencial de desempeñar un papel importante en muchas de las principales aplicaciones de marketing de la IA generativa actual. Esto incluye producir contenido a escala, generar información sobre campañas y servicio al cliente.

La tecnología y el proceso ya existen para aprovechar grandes conjuntos de datos estructurados y no estructurados en forma de canales de generación aumentada de recuperación (RAG). RAG es un proceso desarrollado recientemente para ingerir, segmentar, encapsular, almacenar, recuperar y alimentar datos propios en modelos subyacentes como los proporcionados por OpenAI, Google y Meta.

A continuación, le mostramos cómo utilizar estas herramientas para incorporar datos propios a su próxima campaña impulsada por IA.

Todo es cuestión de contexto

Ya sea que utilice GPT, Dall-E, Imagen, Gemini o Llama, cada vez que solicita a una aplicación de productividad de IA que produzca texto o imágenes, está proporcionando instrucciones (principalmente basadas en texto). Estas instrucciones se envían al modelo para generar la respuesta deseada (las llamadas heurísticas). El resultado es información, texto publicitario o diseño creativo.

Todos los especialistas en marketing y agencias pueden aprovechar la gran cantidad de datos de capacitación proporcionados por Google y OpenAI para hacer su trabajo de manera más efectiva. Pero hay un truco. Los modelos básicos no se actualizan con mucha frecuencia (tal vez cada dos años). Esto significa que no siempre están actualizados. Aunque estos modelos pueden parecer sabelotodo, en realidad ignoran la información sobre su marca y sus clientes.

¿Por qué? Porque esta información no está disponible públicamente.

Si le pidiera a Dall-E o Imagen que modificaran una creatividad clave para que se adaptara a cada uno de sus cinco grupos de audiencia principales, es casi seguro que fallarían y probablemente alucinarían, porque no tienen idea de quién es su audiencia y qué podría interesarles.

La capacidad de crear un contexto guiado con datos y conocimientos propios es crucial, no sólo para diferenciarse de los demás, sino también para ayudar a que los modelos generativos de IA produzcan resultados útiles. Si agrega datos rápidos sobre su audiencia (como datos demográficos y preferencias), obtendrá creatividad de marca personalizada a una fracción del costo.

Del mismo modo, pedirle a Gemini o GPT que escriba una descripción de producto de Amazon de entre 500 y 800 caracteres para un producto nuevo no dará grandes resultados, a menos que agregue ejemplos de textos existentes de alto rendimiento para otros productos en su catálogo. Este proceso se conoce como reclamo de tiro bajo.

tiempo de trapo

La capacidad de identificar y extraer conocimientos y datos propietarios es clave para crear contenido exitoso. Pero, ¿qué se debe hacer para introducir datos propios en un modelo de lenguaje grande (LLM)?

Para la IA generativa, la gestión de datos implica técnicas y canales diferentes a los utilizados con otras aplicaciones tecnológicas, como las plataformas de datos de clientes. Esto se debe a la naturaleza más amplia de los datos propios y a cómo los consumen los LLM.

En la técnica MAR tradicional, cuando desea dirigirse al segmento de clientes «Mamás conscientes de la salud», selecciona todas las filas de su base de datos que muestran los atributos «Mamás» y «Conscientes de la salud». Puede exportar la lista resultante de correos electrónicos segmentados a su plataforma de medios de destino.

Pero en la era de la IA generativa, los especialistas en marketing necesitan un canal RAG para asimilar, agregar e incorporar información valiosa sobre el segmento de «madres preocupadas por su salud». Estos datos incluyen escucha social, paneles cualitativos y reseñas de clientes, así como qué características creativas históricamente han tenido un buen desempeño frente a ese grupo.

Es posible que los anunciantes no conozcan los términos segmentación e incrustación. Estos conceptos representan la división de archivos de texto largos no estructurados e imágenes multicapa en partes homogéneas más pequeñas (segmentación) y la traducción de estas partes en una representación matemática multidimensional (incrustación). Estos procesos permiten la interoperabilidad de datos con LLM.

Cuando se utiliza una aplicación de IA generativa, el vector enviado al modelo base para crear una variante creativa optimizada para madres preocupadas por su salud se enriquecerá a través del proceso RAG. Los conocimientos más relevantes extraídos del universo de datos propios de una marca y la creatividad resultante se adaptarán a este grupo de audiencia con puntos de datos específicos de la marca.

Este nuevo modelo presenta una oportunidad para las marcas que tradicionalmente han sido consideradas pobres en datos porque no tenían el intercambio de valor necesario con los usuarios para recopilar grandes cantidades de datos estructurados a nivel del consumidor.

Uso más inteligente de datos propios

Al implementar procesos sólidos de gestión de datos y canales RAG, las empresas de sectores verticales como CPG y automotriz pueden examinar la gran cantidad de conocimientos de audiencia no estructurados e informes de desempeño creativos que han acumulado a lo largo del tiempo. Estos conocimientos se pueden utilizar para crear un nuevo tipo de ventaja competitiva basada en datos propios.

No importa cuán poderosos sean los nuevos modelos de IA, siempre serán mejores cuando estén equipados con datos relevantes. Cuanto antes los especialistas en marketing reconozcan la oportunidad, mejor.

«Pensamiento basado en datos“Escrito por miembros de la comunidad de medios y que contiene nuevas ideas sobre la revolución digital en los medios.

Él sigue Grupo Brandtek Y AdExchanger En Linkedin.

Para obtener más artículos sobre Hugo Loriot, haga clic aquí.