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 kreativt innhold i stor skala, har teknologien som mål å fremme kreativ uttrykk gjennom klarhet i data.

Du lærte markedsføring på Google og var der i 6 år. Hva var dine viktigste takeaways fra denne erfaringen?

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 mennesker 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 vil er det dine brukere vil (en feil jeg ser over og over igjen). 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 kundene sine. Forskerne beskrev dette som en “empati-illusjon” og det satte virkelig noen data bak faktumet at vi må gjøre en bedre jobb med å forstå våre brukere.

2. Alltid unngå jargon: Google gjorde en flott jobb med å innstile 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 krampeløsning til termer som “tankeledelse” eller “omnikanal” og jeg gjør mitt beste for å pushe vårt lag, og meg selv, til å formulere våre synspunkter på en konsis, menneskelig og tilgjengelig språk.

3. Mål alt: Tidlig i min Google-karriere gjorde jeg feilen å rasjonalisere min begrunnelse for en beslutning ved å si at “vi gjorde det på denne måten i fortiden, 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 responsen 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, kunne du dele genesis-historien bak det?

Jeg forlot Google i 2012 for å starte Hatch, et e-handelselskap som solgte tilpassede livsstilsprodukter. Vår tese 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-etterspørsel og ble sittende igjen med ubrukte varer som ikke solgte. Vår løsning var å skape en tilpasset nettbutikk-opplevelse, et sted hvor hvert produkt kunne tilpasses for å møte kundens spesifikasjoner samtidig som vi reduserte lager-risikoen som produsenten bar.

Det er 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 forbrukere over til vår side, og vi ble tvunget til å konkurrere om forbruker-oppmerksomhet med alle de vanlige mistankene (Google, Facebook osv.) men med en brøkdel av de finansielle ressursene. Gitt at vi ikke kunne overby Google og de store e-handels-spillerne, begynte vi å undre oss på hvordan vi kunne overliste dem. Vi tok data-informerte beslutninger om alt: vårt publikum, tidspunktet for dagen vi annonserer, nøkkelord osv. Alt unntatt det kreative selv. Vi innsett at kreative ressurser var den viktigste delen av vår markedsføring, men 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.

Kunne du diskutere de forskjellige 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. Bildefilen og video-filen: Vi trekker ut vanlige egenskaper fra hver fil, inkludert ressurs-lengde-dimensjoner, filtype osv.

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

• Computer Vision: Dette lar oss forstå innholdet i hver visuell på en skala og data returneres tilbake som dusinvis, noen ganger hundrevis av tags for hver kreativ ressurs.
• Optical-Character Recognition: Dette lar oss plukke opp noen ord som brukes inne i det kreative. Teknologien bestemmer ikke bare mengden tekst som brukes, men også noen tekst-spesifikke merke-krav (dvs. slagord, posisjonering, språk osv.)

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

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

Vi har bygget verktøy for å kombinere all denne dataen på smarte måter for å skalerbart og nøyaktig analysere og 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 merke er kritisk. Data er bare så kraftig som dens evne til å gi klarhet på noe som er aktuelt for din organisasjon, som er hvorfor en-size-fits-all computer-vision-gjenkjenning kan være tøff for markedsførere å bruke av hyllen. Dette er problemet vi kjempet med i de tidlige dagene av Hatch: vi kunne gjenkjenne nærvær av kjoler og forstå hvor ofte vi brukte dem, men hvis du er et bil-selskap, er denne innsikten irrelevant. Som er hvorfor vi har investert en enorm mengde tid i å kunne tilpasse typen gjenkjenning som vi gir, så vi kan kartlegge det til hva som er unikt om den merken, dens industri og dens utfordringer. Det inkluderer ofte å bygge gjenkjenning som reflekterer merke-veiledninger eller stemme, hvordan det er posisjonert i markedet, hvordan det differensieres fra konkurrentene, 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 med 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 (og deres byråer) bruker på å promotere og produsere innhold som gjør (og ikke gjør) overholdelse av disse standardene. De kan måle hvor konsekvent deres merke-team kommuniserer om merket (er de marsjerer til samme tromme? Konsekvent bruker de samme distinkte merke-ressursene?) og hvor representativ deres valg av rollebesetting har vært. Alt dette kan hjelpe markedsførere med å ta tilbake kontroll over sitt kreative innhold og virkelig forstå og måle, på en skala, helsen og aligneringen av deres kreative beslutninger.

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

Vi analyserte 2 378 FMCG-annonser i USA og har funnet at til tross for mye oppmerksomhet gitt til temaet representasjon, krever virkeligheten av inklusiv representasjon fortsatt mye arbeid. Vår analyse av rasial mangfold, for eksempel, viste at svarte mennesker er mer sannsynlig å bli valgt i annonser hvor 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 fremheve gjennomføring av visse hjemlige aktiviteter som rengjøring. Selv med færre skjermbesøk, fremhever menn i flere tale-roller, men vi ser noen fremgang med økt portrettering av kvinner i ledelsesroller.

Hva er noen andre måter som du kan se maskinlæring forbedre annonse-landskapet i 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 kommer til å se en dypere (eller i noen tilfeller, faktisk) anvendelse av maskinlæring i annonsering for å fortsette å forbedre de grunnleggende tingene som industrien allerede gjør: forutsi forbruker-tilbøyelighet til å klikke og kjøpe (målretting), generere kreative variasjoner basert på forbruker-data (dynamisk annonse-kreativitet), parsere gjennom mer data for å generere innsikter (rapportering).

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

Er det noe annet du ønsker å dele om CreativeX?

En litt frekk, 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, vil vi gjerne snakke!

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