AI-Driven Client Acquisition in Social Media: Optimizing Engagement through Convolutional and Recurrent Neural Networks
Cette étude démontre qu'un cadre d'IA hybride combinant des réseaux de neurones convolutifs et récurrents avec l'augmentation de données et la génération de contenu basées sur les LLM peut optimiser de manière significative l'acquisition de clients sur les réseaux sociaux, en atteignant une grande précision dans la classification des groupes cibles et des publications promotionnelles au sein des communautés VKontakte.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez l'internet comme une ville numérique immense et bouillonnante où des milliards de personnes discutent, partagent des photos et publient des choses sur leur vie en permanence. Dans cette ville, les entreprises sont comme des commerçants essayant de trouver les clients parfaits pour leurs produits. Pendant longtemps, trouver ces clients revenait à crier dans un stade bondé en espérant que quelqu'un vous entende. Mais récemment, des scientifiques ont commencé à construire des « assistants intelligents » appelés Intelligence Artificielle (IA) pour faire le travail de cri à leur place.
Pour comprendre comment ces assistants fonctionnent, imaginez deux principaux types de capacités cérébrales. Premièrement, il y a les Réseaux de Neurones Convolutifs (CNN). Vous pouvez les imaginer comme des scanners super rapides qui regardent un morceau de texte et repèrent instantanément des motifs minuscules et importants, comme un détective remarquant une empreinte digitale spécifique ou une phrase unique. Ils sont excellents pour examiner de courts instantanés d'informations. Deuxièmement, il y a les Réseaux de Neurones Récurrents (RNN). Considérez-les comme des conteurs qui se souviennent de l'ordre des choses. Ils lisent une phrase du début à la fin, en suivant comment un mot mène au suivant, ce qui les aide à comprendre le flux d'une conversation. La grande question pour les spécialistes du marketing est : pouvons-nous combiner ces outils intelligents pour trouver automatiquement les bonnes personnes, déterminer quel type de messages elles aiment et même écrire ces messages pour nous ?
Ce document, écrit par une équipe de chercheurs, plonge directement dans cette question. Ils ont construit un système numérique conçu pour aider les entreprises à trouver de nouveaux clients sur une plateforme de médias sociaux populaire appelée VKontakte (VK), qui est très similaire à Facebook mais immense en Russie. Leur objectif était de créer une machine capable de faire trois choses : trouver les bons groupes de personnes à cibler, déterminer quels types de publications attirent le plus l'attention et, enfin, rédiger automatiquement de nouvelles publications accrocheuses.
Les chercheurs ont mis en place une machine en trois étapes pour tester leurs idées. D'abord, ils ont appris à leur IA à agir comme un éclaireur. Ils l'ont nourrie avec des milliers de descriptions de différents groupes sur VK. L'IA devait décider : « S'agit-il d'un groupe sur la livraison de nourriture, ou s'agit-il de quelque chose d'autre, comme des recettes de cuisine ou de la musique ? » Ils ont testé différents types de cerveaux d'IA pour cette tâche. Ils ont découvert que le cerveau « scanner » (le CNN) était absolument le meilleur pour cette tâche. Il identifiait correctement les groupes de livraison de nourriture avec une précision incroyable de 98,8 %. Cela signifie qu'il faisait très peu d'erreurs, même lorsque les groupes semblaient un peu complexes. Les cerveaux « conteurs » (les RNN) étaient bons, mais pas tout à fait aussi affûtés que le scanner pour ce travail spécifique.
Ensuite, l'équipe voulait que l'IA agisse comme un éditeur de contenu. Ils ont collecté des milliers de publications réelles provenant de ces groupes de nourriture et ont demandé à l'IA de les classer par catégories. Ces publications essayaient-elles simplement d'être amicales ? Offraient-elles une réduction ? Un cadeau gratuit ? Un cashback ? Ou une promesse de livraison rapide ? C'était plus difficile car certaines publications se ressemblaient beaucoup. Pour que la tâche soit équitable, les chercheurs ont utilisé un tour spécial : ils ont demandé à une IA de langage puissante d'inventer des exemples supplémentaires pour les catégories rares (comme le « cashback ») afin que l'IA ne soit pas confuse par le manque de données. Avec cette aide, le scanner CNN a de nouveau remporté la course, classant correctement les publications 90,6 % du temps. Il a appris que les publications courtes et percutantes avec des mots-clés spécifiques étaient la clé pour inciter les gens à cliquer et à partager.
Enfin, les chercheurs voulaient voir si la machine pouvait être un écrivain. Ils ont pris les modèles que l'IA avait appris des publications réussies et ont demandé à un modèle de langage (plus précisément un appelé YaGPT) de rédiger de nouvelles publications publicitaires de toutes pièces. Ils ont donné à l'IA une instruction simple, comme « Écris une publication offrant une réduction », et ont observé ce qui se passait. Les résultats étaient impressionnants. L'IA a écrit des publications qui ressemblaient aux vraies, utilisant les bons emojis, l'enthousiasme et les appels à l'action. Bien que d'autres modèles d'IA se soient parfois trompés ou aient écrit des choses qui ne correspondaient pas à la demande, YaGPT est resté sur la bonne voie, créant des publicités qui semblaient naturelles et prêtes à l'emploi.
L'équipe a conclu que leur système fonctionne. Ils ont montré qu'il est possible d'automatiser tout le processus de recherche de clients : de l'identification des bons groupes à la rédaction des publicités. Ils ont découvert que pour les textes courts des réseaux sociaux, le style d'IA « scanner » (CNN) est généralement meilleur que le style « conteur » (RNN). Ils ont également prouvé que l'utilisation de l'IA pour créer des données d'entraînement supplémentaires aide à résoudre le problème du manque d'exemples pour les types de publications rares. Bien que ce système ait été construit spécifiquement pour VK, les chercheurs suggèrent que les mêmes idées pourraient fonctionner sur d'autres plateformes de médias sociaux, à condition que les outils puissent s'y connecter. C'est un pas vers un avenir où les entreprises ne se contentent pas de deviner ce que leurs clients veulent, mais utilisent des outils intelligents pour les trouver et leur parler d'une manière qui fonctionne réellement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.