Anastasia Leng, grundlægger & CEO af CreativeX – Intervjuerække

Anastasia Leng er grundlægger og CEO af CreativeX, et selskab, der driver kreativ eksellence for verdens mest elskede mærker. Ved at analysere kreativitet i stor skala sigter teknologien mod at fremme kreativ udtryk gennem dataklarhed.

I lærte marketing på Google og var der i 6 år. Hvad var dine nøgleindtryk fra denne oplevelse?

Marketing på Google er langt fra traditionel marketing. Arbejdet, jeg udførte under min tid der fra 2007-2012, var en blanding af marketing, produkt og forretningsudvikling. Alt mit arbejde fokuserede på at lancere, positionere og overbevise folk om at bruge eller købe en ny teknologi eller produkt for første gang. Her er de tre vigtigste lærdomme, jeg stadig bærer med mig i dag (og generer vores marketingshold med):

1. Sæt altid brugerne først: Det synes simpelt nok, men det er forbavsende, hvor mange markedsførere behandler dette som en platitude. Antag ikke, at det, du vil, er det, dine brugere vil (en fejl, jeg ser gentaget igen og igen). Faktisk fandt en 2016 Thinkbox-undersøgelse og en 2018 Reach Solutions-undersøgelse, at markedsførere og den generelle offentlighed havde forskellige holdninger, og at vi fejlagtigt tilskriver mange af vores egne overbevisninger til vores kunder. Forskerne beskrev dette som en “empati-illusion” og det satte virkelig nogle data bag det faktum, at vi skal gøre en bedre job med at forstå vores brugere.

2. Undgå altid jargon: Google gjorde en fremragende job med at indpode os værdien af klar og simpel kommunikation. Selv deres vilkår og betingelser var skrevet på en måde, så nogen uden en juridisk uddannelse havde en chance for at forstå. Som resultat har jeg en pavlovsk krampeløsning til termer som “thought leadership” eller “omnichannel” og jeg gør mit bedste for at presse vores team og mig selv til at formulere vores synspunkter i koncise, menneskelige og tilgængelige sprog.

3. Mål alt: Tidligt i min Google-karriere gjorde jeg den rookie-fejl at begrundende min begrundelse for en beslutning med at sige, at “vi gjorde det på denne måde tidligere, så vi skal gøre det på samme måde igen her”. Jeg valgte komfort og bekendtskab over virkelig at forstå, hvad situationen foran mig faktisk krævede, og reaktionen fra mine modparter var nok til, at jeg undgår at gentage denne fejl igen. Det er åbenlyst, men sjældent praktiseret: brug data til at underbygge dine beslutninger.

CreativeX er faktisk dit andet startup, kunne du dele genesis-historien bag det?

Jeg forlod Google i 2012 for at starte Hatch, et e-handelsfirma, der solgte tilpassede livsstilsprodukter. Vores teses var, at den typiske online-shoppingsoplevelse var udmattende, med forbrugere, der skulle rulle igennem sider og sider af produkter, der ikke var helt rigtige. Små til mellemstore virksomheder påtog sig byrden af at forudsige forbrugerkrav og blev efterladt med overskydende lager, der ikke solgte. Vores løsning var at skabe en tilpasset retail-oplevelse, et sted, hvor hvert produkt kunne tilpasses for at møde kundens specifikationer, samtidig med at reducere lager-risikoen, der blev båret af producenten.

Det er en idé, jeg dybt tror på, men e-handelsvirksomheder er svære at få af jorden uden betydelig kapitalinvestering. Da vi byggede Hatch, tilbragte vi naturligvis meget tid på at tænke over, hvordan vi kunne få forbrugere over på vores side, og vi blev tvunget til at konkurrere med forbrugeropmærksomhed med alle de sædvanlige mistænkte (Google, Facebook osv.), men med en brøkdel af de finansielle ressourcer. Givet, at vi ikke kunne overbudde de store e-handels-spillere, begyndte vi at undre os over, hvordan vi kunne overliste dem. Vi tog data-baserede beslutninger om alt: vores publikum, den tid af dagen, vi annoncerede, nøgleord osv. Alt andet end den kreative selv. Vi indså, at kreative aktiver var den vigtigste del af vores marketing, men den del, vi forstod mindst.

Vi begyndte at bygge teknologi for at løse dette problem, og det var den teknologi, der oprindeligt var tiltænkt vores egen interne analyse, der førte til fødslen af CreativeX. I dag tilbyder CreativeX teknologi til at hjælpe mærker med at nå kreativ eksellence ved at måle, spore og forbedre kreativ kvalitet, mærke-konsistens og indhold-repræsentation.

Kunne du diskutere de forskellige maskinlærings-teknologier, der bruges i CreativeX til at bryde billeder og videoer ned i tusindvis af attributter?

CreativeX behandler hver enkelt kreativ aktiver, der trækkes ind i vores system (billeder, videoer og GIF’er), og bruger en række teknologier til at indsamle og oprette en omfattende samling af metadata, der giver os mulighed for at korrekt kategorisere disse aktiver på en tilpasset måde.

Vi analyserer fire elementer af hver kreativ aktiver.

1. Billede- og video-filen: Vi udtrækker almindelige egenskaber fra hver fil, herunder aktiver-længde-dimensioner, filtype osv.

2. Billede- og video-indhold: Vi bruger to typer teknologier til at forstå indholdet inde i hvert billede og video.

• Computer Vision: Dette giver os mulighed for at forstå indholdet af ethvert visuelt på skala og data returneres tilbage som dusinvis, undertiden hundredvis af tags for hver kreativ aktiver.
• Optical-Character Recognition: Dette giver os mulighed for at opfange ethvert ord, der bruges inde i den kreative aktiver. Teknologien bestemmer ikke kun mængden af tekst, der bruges, men også eventuelle tekst-specifikke mærke-krav (f.eks. slogans, positionering, sprog osv.)

3. Den tekst, der følger med hver visuel: Hvis den kreative aktiver er live, trækker vi også ind den tilhørende tekstbeskrivelse.

4. Lyd-filen for video: Hver lyd-fil oversættes til parsebart tekst, der giver mulighed for at konfigurere lyd-regler for hvert mærke.

Vi har bygget værktøjer til at kombinere alle disse data på smarte måder til at skalabelt og nøjagtigt analysere og indhold for både tilstedeværelse af objekter og koncepter, som markedsførere vil måle.

Hvor vigtigt er det at tilpasse de visuelle signaler og elementer, der måles?

Evnen til at tilpasse, hvad vi sporer for hvert mærke, er kritisk. Data er kun så kraftfuld, som dens evne til at give klarhed på noget, der er aktuelt for din organisation, hvilket er hvorfor en-mål-til-alles computer vision-genkendelse kan være svær for markedsførere at bruge ud af æsken. Dette er problemet, vi kæmpede med i de tidlige dage af Hatch: Vi kunne måske opdage tilstedeværelsen af kjoler og forstå, hvor ofte vi bruger dem, men hvis du er et bilfirma, er den indsigt irrelevant. Det er derfor, vi har investeret en enorm mængde tid i at kunne tilpasse detektionen, så vi kan kortlægge den til, hvad der er unikt for det mærke, dens industri og dens udfordringer. Det inkluderer ofte bygning af detektion, der afspejler det mærkes retningslinjer eller stemme, hvordan det er positioneret på markedet, hvordan det adskiller sig fra konkurrenterne og det kommer til sidst til hjertet af de store kreative spørgsmål, markedsførerne på det hold debatterer.

Hvad slags handlebare indsighter kan opnås fra denne ansøgning?

CreativeX-teknologi kan hjælpe dig med at få indsighter om den kreative kvalitet, mærke-konsistens, overholdelse og repræsentation af alle dine billede- og video-indhold. Med denne information kan markedsførere bestemme, hvor meget af deres indhold opfylder deres minimumsstandard for kvalitet og er klar til succes baseret på de unikke parametre, der kræves på hver platform, og hvor meget penge de (og deres agenturer) bruger på at fremme og producere indhold, der gør (og ikke gør) overholdelse af disse standarder. De kan måle, hvor konsekvent deres mærkehold er i kommunikation om mærket (er de marcherende til samme tromme? Bruger de konsekvent de samme distinkte mærke-aktiver?) og hvor repræsentative deres casting-beslutninger har været. Alt dette kan hjælpe markedsførere med at tage kontrol over deres kreative indhold og virkelig forstå og måle, på skala, sundheden og alignmentet af deres kreative beslutninger.

CreativeX har udført både en racemæssig og kønsanalyse af tusindvis af annoncer, hvad var nogle af resultaterne fra denne analyse?

Vi analyserede 2.378 FMCG-annoncer (fast moving consumer goods) i USA og fandt, at trods megen opmærksomhed på emnet om repræsentation, kræver den faktiske inklusive repræsentation stadig meget arbejde. Vores analyse af racemæssig diversitet, for eksempel, viste, at sorte mennesker er mere sandsynlige for at blive castet i annoncer, hvor sport eller motion er et tema, og mindre sandsynlige for at blive castet i ledelsesroller. Når vi så på kønsrepræsentation, fandt vi, at mærker stadig fastholder negative kønsstereotyper: Mænd dominerer professionelle roller, og kvinder er mere sandsynlige for at være med i bestemte hjemlige aktiviteter som rengøring. Selv med færre skærmbilleder er mænd med i flere tale-roller, men vi ser noget fremgang med øget portrættering af kvinder i ledelsesroller.

Hvad er nogle andre måder, du kan se maskinlæring forbedre annoncelandskabet i de næste 5 år?

En af vores investorer sagde engang, at mange brancher, der påstår at bruge maskinlæring, har maskiner, og de har læring, men det er ikke altid klart, at det er maskinerne, der lærer.

Min holdning er, at vi vil se en dybere (eller i nogle tilfælde, faktisk) anvendelse af maskinlæring i annoncering for at fortsætte med at forbedre de grundlæggende ting, som branchen allerede gør: forudsige forbrugerens tilbøjelighed til at klikke og købe (targeting), generere kreative variationer baseret på forbrugerdata (dynamisk annonce-kreativitet), parse igennem mere data for at generere indsighter (rapportering).

Maskinlæring er sandsynligvis blevet sat på sagen med at finde ud af, hvilke andre signaler kan erstatte tabet af tredjeparts-cookies på Chrome og IDFA på iOS og hvordan vi kan fortsætte med at tilpasse annoncering, på trods af tabet af denne information.

Er der noget andet, du gerne vil dele om CreativeX?

Lidt frækt, men… vi søger! Hvis du har nået bunden af denne artikel og er interesseret i, hvordan du kan bedre forene data og kreativ udtryk, så vil vi gerne tale!

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge CreativeX.