Anastasia Leng, grunnlegger og CEO av CreativeX – Intervju-serie

Anastasia Leng er grunnlegger og CEO av CreativeX, et selskap som driver kreativ eksellense for verdens mest elskede merker. Ved å analysere kreativitet i stor skala, har teknologien som mål å fremme kreativ uttrykk gjennom dataklarhet.

Du lærte markedsføring på Google (GOOGL ) og var der i 6 år. Hva var dine viktigste erfaringer fra denne perioden?

Markedsføring på Google er langt fra tradisjonell markedsføring. Arbeidet jeg gjorde under min tid der fra 2007 – 2012 var en blanding av markedsføring, produkt og forretningsutvikling. All min arbeid fokuserte på å lansere, posisjonere og overbevise folk om å bruke eller kjøpe en ny teknologi eller produkt for første gang. Her er de tre viktigste lærdommene som jeg fortsatt bærer med meg i dag (og irritere vårt markedsføringslag med):

1. Alltid sett brukerne først: Det ser enkelt ut, men det er forbløffende hvor mange markedsførere behandler dette som en platitude. Ikke anta at det du ønsker er det samme som dine brukere ønsker (en feil jeg ser gjentatt). Faktisk viste en studie fra Thinkbox i 2016 og en studie fra Reach Solutions i 2018 at markedsførere feilaktig tilskriver mange av sine egne overbevisninger til sine kunder. Forskerne beskrev dette som en “empati-illusjon” og det satte noen data bak det faktum at vi må gjøre en bedre jobb med å forstå våre brukere.

2. Alltid unngå jargon: Google gjorde en flott jobb med å innstille i oss verdien av klar og enkel kommunikasjon. Selv deres vilkår og betingelser var skrevet på en måte som gjorde at noen uten en juridisk grad hadde en sjanse til å forstå. Som resultat har jeg en pavlovsk krampelignende reaksjon på termer som “thought leadership” eller “omnichannel” og jeg gjør mitt beste for å presse vårt lag, og meg selv, til å formulere våre synspunkter på en konsis, menneskelig og tilgjengelig måte.

3. Mål alle ting: Tidlig i min Google-karriere gjorde jeg feilen å rettferdiggjøre min beslutning ved å si at “vi gjorde det på denne måten tidligere, så vi burde gjøre det på samme måte her”. Jeg valgte komfort og kjennskap over å virkelig forstå hva situasjonen foran meg faktisk krevde, og svaret fra mine motparter var nok til at jeg unngikk å gjøre denne feilen igjen. Det er åpenbart, men sjelden praktisert: bruk data for å informere dine beslutninger.

CreativeX er faktisk ditt andre start-up, kan du dele historien bak det?

Jeg forlot Google i 2012 for å starte Hatch, et e-handelselskap som solgte tilpassede livsstilsprodukter. Vårt tes var at den typiske nettbutikk-opplevelsen var utmattende, med forbrukere som måtte bla gjennom side etter side av produkter som ikke var helt riktige. Små til mellomstore bedrifter tok på seg byrden av å forutsi forbruker-etterfrage og ble sittende med overskuddsproduksjon som ikke solgte. Vårt løsning var å skape en tilpasset detaljhandelsopplevelse, et sted hvor hvert produkt kunne tilpasses for å møte kundens spesifikasjoner samtidig som det reduserte lager-risikoen som produsenten bar.

Det er fortsatt en idé jeg dypt tror på, men e-handelsbedrifter er tøffe å få i gang uten betydelig kapital-investering. Mens vi bygde Hatch, tilbrakte vi naturlig mye tid på å tenke på hvordan vi kunne få forbrukerne over til vår side, og vi ble tvunget til å konkurrere om forbruker-oppmerksomhet med alle de vanlige mistankene (Google, Facebook (META ) osv.) med en brøkdel av de finansielle ressursene. Gitt at vi ikke kunne overby Google og de andre store e-handels-spillerne, begynte vi å undre oss på hvordan vi kunne overliste dem. Vi tok datadrevne beslutninger om alt: vårt publikum, tidspunktet for annonsering, nøkkelord osv. Alt unntatt den kreative delen selv. Vi innsett at kreative ressurser var den viktigste delen av vår markedsføring, men også den delen vi forstod minst.

Vi begynte å bygge teknologi for å løse dette problemet, og det var denne teknologien, opprinnelig ment for vår egen interne analyse, som ledet til fødselen av CreativeX. I dag tilbyr CreativeX teknologi for å hjelpe merker nå kreativ eksellense ved å måle, spore og forbedre kreativ kvalitet, merke-konsistens og innhold-representasjon.

Kan du diskutere de ulike maskinlærings-teknologiene som brukes i CreativeX for å bryte ned bilder og videoer i tusenvis av attributter?

CreativeX prosesserer hver enkelt kreativ ressurs som trekkes inn i vårt system (bilder, videoer og GIF-er) og bruker en rekke teknologier for å samle og lage en omfattende sett med metadata som gjør det mulig for oss å korrekt kategorisere disse ressursene på en tilpasset måte.

Vi analyserer fire elementer av hver kreativ ressurs.

1. Bildet og video-filen: Vi trekker ut vanlige egenskaper fra hver fil, inkludert ressurs-lengde, dimensjoner, fil-type osv.

2. Bildet og video-innholdet: Vi bruker to typer teknologier for å forstå innholdet i hver bilde og video.

• Datamaskin-syn: Dette gjør det mulig for oss å forstå innholdet i hver visuell på en skala og data returneres tilbake som dusinvis, noen ganger hundredvis av tagger for hver kreativ ressurs.
• Optisk tegn-gjenkjenning: Dette gjør det mulig for oss å plukke opp noen ord som brukes i den kreative ressursen. Teknologien bestemmer ikke bare mengden tekst som brukes, men også noen tekst-spesifikke merkevare-krav (f.eks. slagord, posisjonering, språk osv.)

3. Teksten som følger med hver visuell: Hvis den kreative ressursen er live, trekker vi også inn noen tilhørende tekst-beskrivelse.

4. Lyd-filen for video: Hver lyd-fil blir oversatt til parsebar tekst som gjør det mulig å sette opp lyd-regler for hver merkevare.

Vi har bygget verktøy for å kombinere all denne dataen på smarte måter for å skalabelt og nøyaktig analysere innhold for både nærvær av objekter og konsepter som markedsførere ønsker å måle.

Hvor viktig er det å tilpasse de visuelle signalene og elementene som måles?

Evnen til å tilpasse hva vi sporer for hver merkevare er kritisk. Data er bare like kraftfulle som deres evne til å gi klarhet på noe som er aktuelt for din organisasjon, som er hvorfor en-size-fits-all datamaskin-gjenkjenning kan være tøff for markedsførere å bruke utenfor boksen. Dette er problemet vi kjempet med i de tidlige dagene av Hatch: vi kunne detektere nærvær av kjoler og forstå hvor ofte vi brukte dem, men hvis du er et bil-selskap, er denne innsikten irrelevant. Det er hvorfor vi har investert en enorm mengde tid i å kunne tilpasse typen av deteksjon som vi tilbyr, så vi kan kartlegge det til hva som er unikt for den merkevaren, dens industri og dens utfordringer. Det inkluderer ofte å bygge deteksjon som reflekterer merkevarens retningslinjer eller stemme, hvordan det er posisjonert på markedet, hvordan det differensierer seg fra sine konkurrenter, og det kommer til hjertet av de store kreative spørsmålene markedsførerne på det laget debatterer.

Hva type handlebare innsikter kan bli gjort fra denne applikasjonen?

CreativeX-teknologi kan hjelpe deg å få innsikter om kreativ kvalitet, merke-konsistens, overholdelse og representasjon av all din bilde- og video-innhold. Med denne informasjonen kan markedsførere bestemme hvor mye av deres innhold møter deres minimums-standard for kvalitet og er satt opp for suksess basert på de unike parameterne som kreves på hver plattform og hvor mye penger de (& deres byråer) bruker på å promotere og produsere innhold som gjør (og ikke gjør) overholdelse av disse standardene. De kan måle hvor konsekvent deres merkevare-team kommuniserer om merkevaren (er de marsjerer til samme tromme? Konsekvent bruker de samme distinkte merkevare-ressursene?) og hvor representativ deres casting-beslutninger har vært. Alt dette kan hjelpe markedsførere å ta tilbake kontroll over deres kreative innhold for å virkelig forstå og måle, på en skala, helsen og utigningen av deres kreative beslutninger.

CreativeX har utført både en rasistisk og kjønns-analyse av tusenvis av annonser, hva var noen av resultater fra denne analysen?

Vi analyserte 2 378 FMCG-annonser (fast-moving consumer goods) i USA og har funnet at til tross for mye oppmerksomhet gitt til emnet representasjon, er virkeligheten av inklusiv representasjon fortsatt mye arbeid. Vår analyse av rasistisk mangfold, for eksempel, viste at svarte mennesker er mer sannsynlig å bli valgt i annonser der idrett eller trening er et tema og mindre sannsynlig å bli valgt i ledelsesroller. Når vi så på kjønns-representasjon, fant vi at merker fortsatt fremmer negative kjønns-stereotyper: Menn dominerer profesjonelle roller og kvinner er mer sannsynlig å bli vist i bestemte hjemlige aktiviteter som rengjøring. Selv med færre skjerm-opptredener, er menn mer sannsynlig å bli vist i tale-roller, men vi ser noen fremgang med økt portrettering av kvinner i ledelsesroller.

Hva er noen andre måter du kan se maskinlæring forbedre annonselandskapet de neste 5 årene?

En av våre investorer sa en gang at mange industrier som hevder å bruke maskinlæring har maskiner, og de har læring, men det er ikke alltid klart at det er maskinene som lærer.

Min mening er at vi vil se en dypere (eller i noen tilfeller, faktisk) anvendelse av maskinlæring i annonsering for å forbedre de grunnleggende tingene industrien allerede gjør: forutsi forbruker-tilbøyelighet til å klikke og kjøpe (målretting), generere kreative variasjoner basert på forbruker-data (dynamisk annonse-creativ), parse gjennom mer data for å generere innsikter (rapportering).

Maskinlæring er sannsynlig å bli satt på saken av å finne ut hva andre signaler kan erstatte tapet av tredjeparts-cookies på Chrome og IDFA på iOS og hvordan vi kan fortsette å personalisere annonsering til tross for tapet av denne informasjonen.

Er det noe annet du ønsker å dele om CreativeX?

En bitte latterlig, men… vi rekrutterer! Hvis du har kommet til bunnen av denne artikkelen og er interessert i hvordan du kan bedre forene data og kreativ uttrykk, ville vi elske å snakke!

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke CreativeX.