Boost jouw digital marketing met computer vision

Een case-study voor organisaties die (nog) niet net zo groot als google zijn.

Computer vision is een vakgebied waarbij we de computer in staat stellen sneller, op grotere schaal en soms zelfs beter beeldmateriaal te verwerken en interpreteren. Dit vakgebied staat symbool voor het succes en kansrijkheid van machine learning, maar juist hier liggen veel onbenutte kansen. Vooral als je organisatie niet dezelfde schaal als Google heeft, is het soms lastig beoordelen of computer vision ook voor jouw organisatie een schot in de roos is.

"De voornaamste kansen liggen in branding, slimme aanbevelingen, tailor made advertising, GAN content creation en het automatisch indexeren van video-content."

Voor deze case study hebben we breed gekeken naar kansen en uitdagingen bij het toepassen van computer vision binnen de marketing. We putten hierbij uit onze eigen project- en productervaring, literatuur en succesvolle toepassingen internationaal. Het doel is waarde toevoegen, het middel: computer vision.

Interesse? Vraag nu uw Quickscan aan!

  • Uw naam
  • Uw telefoonnummer (of e-mailadres)

1. Branding

brand-recognition.jpg

Een eerste concrete kans is het herkennen van merken en logo’s op beeldmateriaal. Dit is een toepassing waar we zelf ook veelvuldig mee bezig zijn en stelt klanten in staat om de computer automatisch merklogo’s in films en foto’s te laten herkennen. Dit is een voorbeeld waarbij de computer een taak niet per se beter (accurater) uitvoert dan een persoon, maar juist het schaalvoordeel speelt hier een rol. In theorie kun je oneindig veel requests gelijktijdig verwerken. Met andere woorden; foto’s op social media, reclame-uitingen en beeldarchief worden geïndexeerd met een snelheid waar geen 1000 medewerkers tegenop kunnen. Op basis van wat wij momenteel zelf doen in dit vakgebied en wat anderen doen, zijn dit de meest interessantste toepassingen hiervan.

‘’Als ik weet welke merken er op een foto of video te zien zijn kan ik:.......’’

  • exact bepalen hoe vaak, wanneer en hoe ‘dominant’ gesponsorde items in beeld zijn (on screen time).
  • beter de customer/influencer interaction met het merk via social media monitoren. Dit stelt ons in staat automatisch populariteit te monitoren van merken: “measure brand awareness”
  • De vindbaarheid van mijn merk vergroten (SEO).

2. Aanbevelingen

keagan-henman-xPJYL0l5Ii8-unsplash.jpg

De tweede (beproefde) toepassing die kansrijk is, ongeacht grootte van de organisaties, gaat over het automatisch aanbevelen van producten. Deze recommender systems worden al jaren toegepast, maar zijn dan hoofdzakelijk ontwikkeld op gestructureerde data, denk hierbij aan (Excel-)tabellen in een database. Uit deze data, en in dit geval ons gezonde verstand, kunnen we afleiden dat wanneer je babyvoeding en babypoeder koopt, luiers een logisch item zijn voor je persoonlijke bonus. Op beeldmateriaal kan dit echter ook. Met behulp van ‘visual similarity’ kunnen we afbeeldingen en video’s groeperen. Dit kan op basis van dominante kleuren (sfeer), objecten, personen en ga zo maar door. Er zijn namelijk vele technische mogelijkheden om visuele content met elkaar te vergelijken. Een aantal voorbeelden van hoe dit waarde kan toevoegen volgen hieronder.

”Als ik de computer beeldmateriaal laat indexeren, kan ik:.....”

  • Door middel van visual search een broek vinden die lijkt op een voorbeeldafbeelding. Zodoende vind ik een gelijksoortige betaalbare broek.
  • Mijn productdatabase automatisch taggen en groeperen. Wanneer een deel van de productdatabase handmatig gelabeld/getagd is kan visual similarity helpen om automatisch het overige deel te taggen (en/of te ondersteunen hierbij).

3. Tailor made advertising

Photo_by_Austin_Chan_on_Unsplash.jpg

Gepersonaliseerde reclame-uitingen, het ultieme voorbeeld van hoe AI kan helpen om conversie te verhogen. Laten we als voorbeeld uitgaan van een reclame-uiting voorafgaand aan een filmpje. De eerste stap is om zo goed mogelijk een advertentie aan te bieden op basis van reeds beschikbare (gestructureerde) data over de gebruiker; zoals leeftijdsgroep, geslacht, etc. Vervolgens willen we ook iets met de content van het filmpje waaraan de advertentie voorafgaat. Hierover is vaak beperkt informatie beschikbaar, hoogstens wat handmatig meegegeven ‘tags’. Maar juist deze informatie hebben we nodig. Dit noemen we metadata; data over data. Meer metadata betekent dat je meer weet over de inhoud van het filmpje. En als je meer weet over de inhoud van het filmpje, kun je nog beter een advertentie inpassen. Een voorbeeld: Je kunt een advertentie qua kleur en sfeer laten aansluiten bij het filmpje, of juist laten contrasteren. Dit stelt je ook in staat om bij een video waar een bepaald item, merk of bepaalde kleur wordt gedragen toepasselijk te adverteren (volgens hetzelfde principe als we net zagen bij “aanbevelingen”).

De contextuele informatie die beeldmateriaal bevat is dus alleen vastgelegd in de afbeelding/video zelf. De uitdaging is om door gebruik te maken van AI deze informatie tastbaar te maken en te gebruiken. In het kort;

“als ik meer weet over de inhoud van video/afbeeldingen, kan ik:.....”

  • De meest relevante advertenties aanbieden, die perfect aansluiten op de content.

4. Toekomstmuziek: GAN content creation

aaron-sebastian-XWl8Pu3HrgY-unsplash.jpg

Maar we gaan nog een stapje verder. Het vorige voorbeeld ging uit van het optimaal matchen van reclame-uitingen aan content. Maar wat nou als we met behulp van AI een advertentie zodanig (from scratch) genereren dat die optimaal aansluit op de content en doelgroep. Door middel van Generative Adversarial Networks (GAN’s) is dit mogelijk. We zien namelijk dat het vakgebied waarbij we een AI een ‘soort van’ creativiteit aanleren steeds groter wordt. Een AI die artikelen schrijft, schilderijen maakt of muziek componeert, het bestaat. Content creation met AI is een beetje een vreemde eend in de bijt ten opzichte van de andere meer concrete voorbeelden, maar weet dat ook dit fenomeen eraan gaat komen.

Interesse? Vraag nu uw Quickscan aan!

  • Uw naam
  • Uw telefoonnummer (of e-mailadres)

5. Indexering van (audio)visuele content

sam-mcghee-KieCLNzKoBo-unsplash.jpg

De oplettende lezer heeft mogelijk al opgemerkt dat technisch gezien (bijna) al de bovengenoemde toepassingen afhankelijk zijn van de kwaliteit van de metadata: de door een AI (automatisch) afgeleide informatie over video content. Dit is een onderwerp waar wij zelf in specialiseren. Stel je eens voor dat je al je audiovisuele content tastbaar kunt maken. Wat zou je daarmee kunnen doen? Of sterker nog, als je dit morgen beschikbaar zou hebben, wat zou dan het eerste zijn wat je gaat doen? Daarom staat 'Indexering van audiovisuele content' in de lijst als vijfde manier om impact te maken, want hier liggen wat ons betreft nog ontzettend veel mogelijkheden.

In deze case study is een aantal kansrijke computer vision-richtingen behandeld. Hierbij is gebruik gemaakt van onze eigen project- en productervaring, literatuur en succesvolle toepassingen internationaal. We hebben zoveel mogelijk rekening gehouden met onderwerpen als haalbaarheid, impact en privacy implicaties wanneer je een dergelijk project zou starten. Een solide back-end (data opslag e.d.) is bij dit soort projecten ook vereist. Ook hier denken wij graag over mee.

Is jouw organisatie klaar voor de volgende of eerste stap? Neem dan contact met ons op. Wij helpen je graag verder om kansen voor AI in marketing te verkennen, uit te voeren en te implementeren.

Let's get in touch