Laczkó Gábor: – Sziasztok, üdvözlök mindenkit, én Laczkó Gábor vagyok, a Braining Hub, a Stylers és a Protechtor egyik alapítója. A mai videónkban arról fogunk beszélgetni, hogy milyen AI megoldások állnak a rendelkezésünkre, amelyek manapság támogatják a marketingtevékenységet. A beszélgetésben ki fogunk térni arra, hogy milyen eszközöket használnak már a gyakorlatban, egyrészt itt a magyar piacon, másrészt a nagyok játszóterére is rátekintünk. A mai beszélgetésben szeretném üdvözölni két beszélgetőpartneremet, Bonyhádi Gábort, az eOptika marketingvezetőjét, és a Magyar Marketing Szövetség elnökségi tagját, valamint Szertics Gergőt, aki AI oktató és tanácsadó. Sziasztok!

Szertics Gergely: – Sziasztok!

Bonyhádi Gábor: – Sziasztok!

Laczkó Gábor: – A napokban azon gondolkoztam, miközben erre a beszélgetésre készültem, hogy melyik is volt az a film, ahol perszonalizált reklámokkal bombázták a főhőst. És aztán be is ugrott, hogy ez a Különvélemény volt Tom Cruise-zal. Végigsétál a bevásárlóközpontban, mennek a reklámok, mindenféle reklám, autóreklám, sörreklám, majd a végén a GAP-től kap egy testreszabott ajánlatot, hogy pontosan mit kéne viselnie és hogyan.

Bonyhádi Gábor: – Rég láttam ezt a filmet, de az a technológia, ami benne van, ez a személyre szabott ajánlás, hogy besétál, és azt mondja, hogy kér egy ugyanolyan atlétát – azt hiszem –, mint amit legutoljára vásárolt, és ezt hologramban megjelenítik. Amúgy ezt meg lehetne csinálni, tehát nem teljesen utópisztikus már.

Laczkó Gábor: – Eszközeink megvannak rá. 2002-es a film, azóta azért 20 év eltelt. Meséljetek egy picit, hol állunk most, hol tartunk most? Eszközben nagyjából megvagyunk, ha úgy mondod Gábor.

Bonyhádi Gábor: – Attól függ, hogy nézzük. Mert ott az egy teljesen offline megoldás, amivel még nagyon kevesen kezdenek el foglalkozni. De online azért már a mesterséges intelligencia a személyre szabást nagyon jól tudja kezelni. Alapvetően ebben segít leginkább a marketingben a mesterséges intelligencia. Méghozzá abban, hogy kihasználjuk azt, hogy személyre szabott ügyfélélményt tudjunk nyújtani. Van másik pár olyan terület, amiben tud segíteni a mesterséges intelligencia, de alapvetően ezt úgy kell elképzelni, hogy van ez az account based marketing –ez a marketingnek leginkább a B2B-ben használt területe –, amikor arról van szó, hogy egy-egy ügyfelet, accountot a lehető legjobban, legperszonizáltabban szolgáljuk ki. Onnan elkezdődött a középkorban, hogy a szabó egyesével felírta a kis könyvébe, hogy kinek mikor mit csinált, felírta a méreteket, és ha kellett, levelet írt. Ez volt az ő marketing lehetősége, hogy írt egy levelet az uraknak, hogy ideje lenne új inget, zakót, bármit csináltatni. Ezt már jól meg lehet csinálni digitálisan. A mesterséges intelligencia abban segít, hogy kilépjünk abból, hogy a B2B szektorban lehet ezt használni. A B2C szektorban is teljesen nagy számokkal, személyre lehet szabni csomó mindenkinek a kommunikációt a korábbi viselkedése alapján, sőt meg lehet jósolni azt, hogy hogyan fog viselkedni.

Szertics Gergely: – Igen, ezt a marketingben mi úgy hívjuk, hogy tömeges testreszabás. Bár nagyon-nagyon sok embernek kell különböző leveleket küldözgetni, mégis mindenkinek lehet testreszabni. Korábban ezeket úgy csináltuk, hogy fogtunk 10 perszónát. Az már nagyon nagy szám volt, ha 10 perszónát kezelek, akiknek különböző jellemzői vannak. Az egyik fiatalabb, másik öregebb, férfi, nő, hol lakik mindenféle dolgokat kitaláltak. Kézzel, adatok alapján találják ki a marketingesek, hogy akkor mik azok a legjobban menő perszónák, amik izgalmasak lehetnek, és akkor nekik személyre szabottan ilyen vagy olyan üzenetet küldök. A mesterséges intelligenciával ezeket fel lehet robbantani, tehát nagyon sok perszónát lehet egyszerre kezelni. Egyrészt ezt a fajta klaszterezést, amit korábban csináltak a szakik, hogy perszónákat képeznek, ezt is lehet sokkal gazdagabban, hogy sokkal több klasztert lehet csinálni. Mivel le tudom kezelni a komplexitást, sokaknak tudok küldeni dolgokat automatikusan, emiatt ez menedzselhetővé is válik.

Bonyhádi Gábor: – Itt még két dolog fontos, amit érdemes megemlíteni. Az egyik az, hogy ez ugye fantasztikus lehetőségeket rejt magában, hogy mindenkinek személyre szabjuk a kommunikációt, de ez a lehetőség, ez mellette rengeteg problémát hoz magával, például azt, hogy hogyan kezeljük ezt a rengeteg adatot. A Facebook minden egyes felhasználóról több mint 30.000 adatpontot tárol, a szokásairól, ismérveiről. Ennyi adat alapján testre szabni többmillió, többmilliárd embernek a kommunikációt, az üzeneteket, ez lehetetlen. Pontosan ezért a Facebook meg is változtatta pár éve a hirdetési algoritmusát, mert régen úgy volt, hogy mi, mint hirdetők kitaláltuk azt, hogy milyen célcsoportra szeretnénk lőni, a Facebook pedig megkereste, hogy ki tartozik abba a célcsoportba, és akkor nekik megjelenítette a hirdetést. Most viszont fordítva van. Most a Facebook minden egyes személyről kialakított egy saját perszónát, és minden egyes személynél eldönti, hogy mit jelenítsen meg neki, és ahhoz keresi a hirdetők által feladott reklámokat, hogy mi az, ami neki tetszhet vagy nem tetszhet. Ez az egyik legnagyobb paradigmaváltás, amit a mesterséges intelligencia használata el tudott hozni nekünk a marketingben.

Laczkó Gábor: – Mondtátok, hogy van nagyon sok rendszer. Sokan ódzkodnának attól, és én is azt mondanám nekik, ha javasolni tudnék valamit, hogy nehogy elkezdjenek fejleszteni nulláról bármit is, és saját rendszert kitalálni, ami majd megoldja az ő problémájukat, mert elképzelhető, sőt a piacon biztosan vannak már olyan kész megoldások, amik egyébként jól tudják segíteni a munkát. A Facebook hirdetéskezelőjét már említettétek, ami egy nagy segítség, és jó célzást biztosít. Mik azok a rendszerek, amik az általános marketing jellegű tevékenységet támogatják, segítik, és bátran hozzá lehet nyúlni?

Bonyhádi Gábor: – Nagyon sok marketinges a tudtán kívül használ olyan eszközöket, amikbe van már mesterséges intelligencia beépítve. Hogy a teljesség igénye nélkül említsek párat, a Facebook hirdetéskezelő rendszere, a Canva, képalkotó grafikai szoftver, ebben is van mesterséges intelligencia beépítve. Például a háttéreltávolítást a Canva mesterséges intelligenciával végzi. Ugyanilyen háttéreltávolítással ott van a Remove Backgrund, a remove.bg, ami abban különbözik a korábbi photoshopos Magic Wand Tool-tól, hogy az kijelöli, hogy mi lehet a háttér, és azt a pixelek színe alapján állapította meg. Itt pedig a mesterséges intelligencia felismeri, hogy mi van a képen, még hogyha a háttér nagyon hasonló színű is, akkor is tudja, hogyha ez itt egy autó, akkor az autónak a körvonala, az nagyjából itt van. Ha felismeri, hogy milyen autó, akkor akár más képek alapján meg tudja tanulni, hogy egy adott szögből hol kell elvágni, még akkor is, hogyha ugyanolyan a háttér. Tudja, hogy hol kell neki árnyékot adni, stb. Van ugyanilyen rendszer, ami a hátteret távolítja el videószoftverben is. Tehát, hogy videó mögül is le tudja szedni a hátteret. Ha már a videónál tartunk, vannak olyan rendszerek, amik deep fake technológia segítségével, színészek szájának mozgatásával kvázi felmondanak nekünk szövegeket, és úgy néz ki mintha élő személy lenne az, aki felmondja ezeket a szövegeket. Érdekes mondjuk, jópofa az, hogyha például szeretnénk modelleken bemutatni terméket, akkor azt is meg lehet oldani, hogy ne stock photokat vegyünk, hanem mesterséges intelligencia által generált embereknek az arcképét vegyük meg, akik igazából nem élő emberek, és nem tudnak minket perelni, hogy akkor az én vagyok, vagy nem én vagyok. Tehát ilyet is lehet. Vannak kifejezetten a különböző hirdetési eszközöket segítő és optimalizáló eszközök, ilyen például a Magics, ami hogyha nagyon sok Facebook hirdetést kezelünk, Facebook Adset kezelünk egyszerre, akkor az megmutatja különböző grafikonokon például roles alapján, hogy melyik az, amelyik jól teljesít, melyik az, amelyik rosszul teljesít. Nem kell feltétlenül végigmenni az összes kampányon. Ez többszáz kampány esetében rengeteg időt tud nekünk spórolni. Van számos olyan szoftver, amelyek segítenek a szövegírásban, tehát mesterséges intelligencia ír nekünk szöveget. Ilyen lehet például a Jarvis, ami talán a legismertebb, vagy a copy.ai és vannak még olyan szoftverek, amik keresőoptimalizálásban segítenek. Keresőoptimalizálásban kutatja le nekünk azt, hogy ahhoz, hogy egy adott kulcsszóra jobban rankeljünk, ahhoz a tartalmunk az oldalon milyen más kulcsszavakat kell, hogy tartalmazzon, a Surfer SEO tud ilyet csinálni. Engem nagyon érdekel az OpenAI-nak a DALL· E kezdeményezése, ami képeket generál szöveg alapján. Például azt mondom, hogy én szeretném látni Picasso stílusában az Eiffel tornyot képeslapon, akkor azt leábrázolja nekem. Ebből tud a valósághűtől a grafikai vonalakig mindenfélét csinálni, ami azért nagyon jópofa, mert mindenféle blogillusztrációkhoz vagy e-mail-, hírlevél-illusztrációkhoz marketingesek rengeteg időt tudnak eltölteni azzal, hogy megtalálják pont azt a megfelelő képet, ami stock photoból előáll. A teljesség igénye nélkül mondtam párat, de van még.

Szertics Gergely: – Mondok én is egy párat még, amik így érdekesek. A tartalomtesztelésre is vannak toolok, tehát akár a weboldalt, akár egy hirdetést csinálunk, azoknak is a tesztelésére, vagy hogy milyen reakciókat várhatunk az ügyfelektől mondjuk egy videóra, erre van a Realeyes nevű cég, akik körbe küldik a videót embereknek, akik megnézik webkamerával bekapcsolva. És amikor valaki megnézi, az alatt figyeli, hogy milyen érzelmeket lehet felismerni az arcán, és közben hova nézett. Kiderül, hogy a bácsi a meztelen nénit nézte, nem pedig a tusfürdőt, úgyhogy ez nem sokat segített. Egy csomó ilyen apróság van. Ugyanez van weboldal optimalizálásra, hogy mekkora, milyen színű auto action gombot rakjuk hova, ahhoz hogy ténylegesen minél inkább rákattintsanak. Sok ilyen izgalmas történet van. Talán magyar kontextusban érdemes megemlíteni a Neticle-t is, akik azzal foglalkoznak, hogy a brandünknek a megjelenését hogyan tudják folyamatosan scannelni a weben, mennyire pozitív vagy negatív hangulatú az általános megítéltsége a brandünknek. Tud segíteni egy csomó kommentnek a kezelésében, hogy abból hogyan lehet visszajelzéseket kapni a termékekre.

Bonyhádi Gábor: – Van a Google-nek egy érdekes projektje, Google WaveNet a neve, amikor emberi hangokat imitálva ad elő szöveget a mesterséges intelligencia. Nemcsak arról van szó, hogy felolvas egy szöveget, amit beadtunk neki, hanem gondolkozik, válaszol. Például volt ez a híres videó, amikor pizzériába foglalt időpontot a mesterséges intelligencia. Nemcsak az volt, hogy feldolgozta a szöveget, értelmezte amit kapott és választott, hanem közben még imitálta a gondokozásnak a hangját is, belehümmögött, hogy „hmm, ha nincsen 2-re, akkor legye inkább 4 óra”. Tehát teljesen emberszerűen adta már elő magát a Google-nek ez a szoftvere. Egyszerű, felolvasószoftverek, amik viszonylag jól imitálják az emberi hangot, már magyar nyelven is ingyenesen elérhetőek. Itt tartunk. A hangerőállítás, ami még előáll, hogy nincs mögötte az a másik mesterséges intelligencia algoritmus, ami gondolkozik és válaszol. De ha összekötjük hálózatokkal a különböző algoritmusokat, akkor ezeket össze lehet pakolni, össze lehet rakni.

Laczkó Gábor: – Ahogy beszélgetünk, az ugrik fel, hogy Gergő, nekünk tavaly volt egy közös képzésünk, ahol te AI stratégiai képzést tartottál. Azóta nekem mindig a szemem előtt lebeg, hogy volt egy elosztási elv, hogy egyébként itt a különböző tudományágak között mit nevezünk data science-nek, mit nevezünk machine learningnek, amiket ide sorolunk. Ezek a területű marketingeszközök, ezek egyébként nem úgymond „csak data science”-eszközök? Tehát ha rásütjük az AI bélyeget, ez jogos, és rájuk lehet sütni? Vagy hol lehet elválasztani fogalmilag, hogy ne mondjunk hülyeséget annyira?

Szertics Gergely: – Hát az biztos, hogy van egy over selling ebben az irányban. Mindenki, aki valamiféle intelligenciát vagy adatelemzést csinál a szoftverével, az azt mondja, hogy AI. Ugyanakkor hivatalosan vagy tudományosan nagyon nehéz megmondani, hogy mi az, ami AI-nak számít, mert mostanában leginkább a gépi tanulással azonosítják, azon belül a mélytanulási lehetőségekkel. De nagyon sok mindenben tényleg van kis területre alkalmazott mélytanulás – mondjuk egy háttéreltávolításhoz is fel kell ismernem azt, hogy mi van a képen –, amihez általában mélytanuló hálókat csinálunk. Ez nem tűnik túl látványosnak. Miközben egy nagyon fontos ügyfélszegmentációs képesség, hogy például leellenőrzöm azt, hogy kik azok az ügyfeleim, akikkel alulkommunikálok, tehát az átlagnál kevesebbet kommunikálok, pedig alaptalan, és hogy mi az, amivel lehetne őket szólítani. Ez azért egy data science toolkit, mert jó eséllyel meg lehet találni, hogy mik azok a fő paraméterek, amik alapján meg lehet őket szólítani. De mégis ezzel 30 %-kal lehet növelni a leadeknek a számát, és felére lehet csökkenteni a bugging hívások számát. Onnantól szokott felrobbanni a mesterséges intelligencia használatának szükségessége, amikor túl sok paramétert kell kezelni. Azt mondom, Gábor is mondta, hogy 30.000 adatpontot tárol rólunk a Facebook, egy bankban is már rengeteg fajta információt tudok valakiről. És akkor, amikor egy data science nekiáll klasszikus eszközökkel, hogy ezeket a dolgok  ezek jellemzően összefüggenek, akkor ebből tudok következtetni, hogy ez neki valószínűleg érdekes lehet. Ezeket a fajta összefüggéseket – ezer dimenzióm van valakiről – tök nehéz kézzel megtalálni. És akkor itt jönnek be ezek a mesterséges intelligencia alapú technológiák, hogy azokat jobban meg tudja találni. Érdemes egy kicsit mindig beletúrni, hogy mi is ebben a mesterséges intelligencia, és hogyan működik. Én már sokszor elengedtem ezt, hogy ezt ne ilyen leleplezősen mondani, amikor egy ügyfelet képviselek, hogy „figyelj barátom, ez nem is AI”. Mert ha nagyon tágan értelmezzük, akkor az is az. Inkább az a lényeg, hogy mire képes, meg az, hogy milyen adatokból tanul. Szerinem az fontos, hogy végül is a szállító adatain tanulja meg az okosságot, vagy az én adataimon tanulja meg az okosságot. Nagyon nagy különbség. Ez adatszinten hogyan kezelődik, és hogy hogyan teljesít. Igazából az a fontos, hogy milyen teljesítménymutatókat lehet hozzájuk csatolni. Nem az, hogy AI vagy nem AI.

Bonyhádi Gábor: – Egyszer azt hallottam, már nem emlékszem, hogy ki mondta, de hogy valahol ott érdemes meghúzni a határt, hogyha betanítottad az adott mesterséges intelligencia algoritmust, és adsz neki egy új adatot, akkor ő képes megfelelő választ adni. Nem meglévő adat alapján kiköp neked valami választ, mert az egyszerűen data science. Hanem új adat alapján az algoritmus képes választ adni relevánsan a kérdésedre.

Szertics Gergely: – Ezt egy statisztikai függvény is tudja, hogyha egy egyszerű korrelációs számítást csinálsz, adsz neki egy új pontot, megadod az összes emberről, hogy milyen magas és hogy hány kg, és megmondod, hogy kosárlabdáznak vagy szumóbirkózók. Ha adsz két új adatpontot valakiről, akkor megmondja, hogy inkább kosárlabdázó vagy inkább szumóbirkózó, és ez viszonylag helyes lesz. Ehhez nem kell őrült nagy gépi tanulás. Meg lehet adni gépi tanulással is, de az, hogy jövőbemutató képessége van, ez a legtöbb data science eszköztől elvárt. Sőt, a szabályalapú eszközöktől is elvárt. Az a nagy különbség, hogy le tudja vezetni, hogy honnan tudja, vagy nem tudja levezetni, hogy honnan tudja. Ez egy nagyon fontos különbség, főleg egy hitelelbírálásnál, vagy főleg akkor, amikor ilyen üzemkritikus tevékenységeket végzünk.

Bonyhádi Gábor: – Akkor inkább magamat revidiálom gyorsan, a Facebook nem 30.000, hanem 52.000 adatpontot tárol, megnéztem.

Laczkó Gábor: – Egy menüt már azért felvillantottunk arról, hogy mik vannak. De hogy valóban konkrét példákon élve, Gábor, ti az eOptikánál mit csináltok? Ha kicsit ránézünk a nagyokra, ők mit csinálnak? Akár egy Google-t, Netflixet, Amazont figyelembe véve.

Bonyhádi Gábor: – Kezdem akkor a nemzetközi cégeknek a példáival. Netflix például nagyon jó példája annak, hogy ők nem kifejezetten a reklámozásra, nem az oldalra terelő reklámozásra vagy célcsoport felfedezésre használják a mesterséges intelligenciát, hanem ha már ott vagy, akkor az ügyfélmegtartást próbálják növelni a saját AI alapú ajánlórendszerükön keresztül. Ami azt jelenti, hogy amikor végeztél egy filmmel, vagy belépsz, akkor ajánl neked különböző sorozatokat vagy filmeket, dokumentumfilmeket, bármit. Tehát te minél relevánsabbnak érzed, annál kevésbé valószínű, hogy lemorzsolódsz. És erre használ ő mesterséges intelligenciát. Az Amazon, ők igazából a fogyasztói viselkedés megjósolásával tudnak nagyon jó eredményeket elérni. Konkrétan olyan prediktív analitikus rendszereket használnak, amivel már azelőtt elindítják feléd az árut, mielőtt te megrendelnéd, mert tudják, hogy te ezt meg fogod rendelni. Vagyis nem feltétlenül hozzád adják fel, hanem a hozzád legközelebbi Amazon raktárba indítják el, és onnantól kezdve rövidebb határidővel tudják vállalni feléd a szállítást, amikor majd leadod a megrendelést.

Szertics Gergely: – Nem azt tudja, hogy személyesen te, hanem azt, hogy valószínűséggel azok az emberek, akik ezen a környéken vannak, és ebbe jó eséllyel te is beleesel. Nem ennyire perszonalizált, hogy te személyesen.

Bonyhádi Gábor: – De ehhez össze kell szedni az adatokat, amiben te is benne vagy. Ha az elmúlt egy évben minden hónapban rendeltél pelenkát, akkor te is belekerülsz abba a kalapba, akik nagy valószínűséggel még az elkövetkezendő másfél évben fognak havonta pelenkát rendelni.

Szertics Gergely: – Így van. Rám is igazak azok az analitikák, amiket mondanak.

Bonyhádi Gábor: – A Hilton szállodalánc az ügyfelek értékeléseit, és különböző blogbejegyzéseket, Facebook bejegyzéseket néz, és abból ilyen szentiment analitika alapján próbálja megállapítani az elégedettségből, hogy vajon annak milyen hatása lesz a jövőbeni foglalásokra. Ez alapján tudja a jövőbeni foglalásokhoz rendelt marketing büdzséjét már jó előre fölcsavarni. Hogyha egy hónapra előre látjuk, hogy nincs tele a szálloda, akkor már el vagyunk késve. Ezt ilyen jó fél évvel, 9 hónappal előre már tudni kell. Ők erre használnak mesterséges intelligenciát. A Udacity, ami egy oktatóplatform, kurzusplatform, ők a legjobb B2B saleseseiket elemezték ki mesterséges intelligenciával. A mesterséges intelligencia ad javaslatokat a többi értékesítőnek, hogy hogyan kell jobban értékesítni. Ez is egy érdekes dolog.

Szertics Gergely: – A nagyok közül a Google-t érdemes még említeni, mint aki egy ilyen nagyon-nagyon széles háttérből jövő dolog, ott különösen az adatkörök tekintetében. Az egy különösen érdekes dolog, hogy hány adatkörből próbál összevarázsolni neked egy profilt. Az egész üzleti modellje erre van felépítve, amiről egyébként érdemes sokat tanulni, hogy más startupok hogyan tudják ezt használni, hogy hányféle lábat lehet felépíteni csak azért, hogy adatokat gyűjts valakiről. Itt a Google Maps, a Google Docs, az e-mail, mindenkinek van saját üzleti modellje, de szépen becsatornáztatjuk őket a központi rendszerekbe is. Ilyen szempontból fontos talán kiemelni, hogy itt Európában mi jobban védve vagyunk, mert a GDPR a célhoz kötöttséget előírja. De ettől még itt is szürkének egy elég széles spektruma van, hogy mi számít házon belüli felhasználásnak, és mi az adatoknak az újra felhasználásának. Ez Amerikában sokkal bonyolultabb. Akik nemcsak európai piacra dolgoznak, azoknak nagyon érdemes körülnézni, hogy adatpiacokon mi mindent lehet elérni. Szerintem az, hogy milyen adatból hogyan tanulunk, és ez egyre inkább Magyarországon is domináns témává kezd válni, hogy az adatvagyont kezdik felismerni a cégek. Ennyi adat van nálam, ennyit lehetne használni, kiktől tudnánk még venni, hogy ezt gazdagítsam, tisztább profilokat tudjak adni. Nagyon izgalmas, nemrég hallottam ezt, hogy háromszor annyi lead, fele annyi buggingból. Ez azt jelenti, hogy sokkal-sokkal hatékonyabban lehet csinálni azt, hogy valakit megszólítsak azzal, ami őt érdekli, és ne szólítsak meg olyan embereket, akiket nem érdekel. Igazából ezért utáljuk a reklámokat, mert baromságokat tolnak az arcunkba, amik nem érdekesek számunkra.

Bonyhádi Gábor: – Ezt miben szokták cégek leginkább kezelni? Customer Data Platformban? Vagy oda húzzák be kívülről az adatokat?

Szertics Gergely: – Hát, van erre mindenféle megoldás. Nagyon attól függ, ha megvehető az adat, akkor a saját CRM rendszerükben megpróbálják gazdagítani különböző dimenziókkal, de mivel ezeknek egy része szenzitív, akkor data cleanroomban összegyúrják ezeket, anonim módon. Vannak federált tanulási módok, hogy nem is kérem az adatot, csak átküldöm az algoritmust, hogy valamit tanulhassak róla, és emiatt biztonságban marad az adat. Van egy csomó, amikor maga a keretrendszer legjellemzőbben használt. Ez egy nagyon érdekes terület, programmatic, hogy azt mondom, hogy end-to-end szoftverekkel van lefedve a hirdetés. Azt mondom, hogy onnantól kezdve, hogy nekem ilyen adataim vannak, odáig, hogy milyen bannert választok, hogy kinek jelenítsem meg. A kettő közötti teljes technológiai hátteret különböző szolgáltatások kínálják. Azt, hogy akkor én hova mondom azt, hogy hello, én itt valakinek megjelennék, és kik azok, akik engem érdekelnek. A másik oldalról pedig, hogy hello, valakinek a bannerét megjeleníteném, és akkor a kettő közötti bidding process, hogy kik azok, milyen területre szeretnének megjelenni.

Bonyhádi Gábor: – Ez tipikusan a programmatic piac, amiről te beszélsz. Van olyan szoftver, ami azt ígéri, hogy megtervezi neked a kampányokat, legyártja a különböző hirdetési variánsokat, felépíti ezeket addgroupba, meg kampányszinten, utána optimalizálja, és le is riportálja neked. Ezek általában ilyen nagyvállalati szoftverek már. Az albert.ai ezt ígéri, amit én itt most elmondtam, de tényleg ilyen end-to-end ígér neked  mindent.

Szertics Gergely: – Ez két különböző megközelítés. Például az Albert ugye kifejezetten azt csinálja, hogy végigiterálja a te konkrét célcsoportodon, hogy kinek melyik lehet jó, milyen kombinációja a szövegnek, vagy mondjuk egy képnek, és, hogy mikor mutassuk. Míg egy programmaticban az van, hogy egy rendszerben én be tudok húzni adatköröket valakiről, amit direktben megvásárolt, és akkor azt mondom, hogy ez alapján pontosítsuk az én pozicionálásomat. Majd egyesével licitálok az egyes megjelenésekre felhasználónként, hogy ez nekem érdekes, és hogy mennyit fizetnék érte. Szerintem elképesztő, aki ezen a területen elkezd dolgozni, vagy mélyebben benne van, hogy mennyire széles lehetőségek közül lehet választani. És már csak azt is művészet eldönteni, hogy mi az, amivel érdemes foglalkozni, és mi az, amivel nem.

Bonyhádi Gábor: – Hova költsd a pénzed és hova ne.

Szertics Gergely: – Hát ez az. Még inkább rákeress két Google Search-öt, vagy jó lesz az, amit ismersz, mert az is jól működött.

Bonyhádi Gábor: – Visszatérek akkor arra, hogy mi mit használunk az eOptikánál. Azokat a külső szoftvereket, amiket mi a marketingben használunk szövegírásra, keresőoptimalizálásra, kép létrehozására, azokat már így felsorolásszerűen említettem, hogy mik vannak a piacon, vagy milyen lehetőségek vannak a piacon. Ami szerintem szektorszinten érdekes lehet, van egy pár dolog. Mi az eOptikánál kontaktlencsét, szemüveget, napszemüveget árulunk. Ha valaki szemüveget vásárol, az az első, hogy tudnia kell a szemüvegének a paramétereit, dioptriát, két szemgolyó közepe közi távolságot, ez az úgynevezett pupillary distance. Amúgy nagyrészt divattermékekről beszélünk, „hogyan fog nekem állni ez a szemüveg”, ezekre keresi az iparág a választ. Van már például a mi oldalunkon is több olyan tool, amivel ezekre választ lehet kapni. Az első, az a” hogyan fog állni nekem ez a szemüveg”, arra vannak virtuális tükrök. Bekapcsolom a kamerámat, és akkor ilyen kiterjesztett valósággal ránk rakja a kiválasztott szemüveg vagy napszemüveg modellt, és meg tudom nézni, hogy az hogy áll nekem különböző szögekből, és el tudom dönteni, hogy tetszik vagy nem. Ahhoz viszont hogy meg tudjam nézni, hogy hogy áll ez a szemüveg, ahhoz az alkalmazásnak tudnia kell, hogy mekkora az én fejem. Azt pedig ő úgy tudja megállapítani legjobban, hogyha tudja az én két szemgolyóm közepe közti távolságot. Azt pedig úgy tudja meghatározni, ha a homlokodra raksz egy standard méretű valamit, ami jelen esetben egy mágneskártyával ellátott standard bankkártya méretű valami, akkor abból ő meg tudja állapítani, hogy na, a bankkártya ekkora, a két szemgolyót felismertem, ott van a közepe, akkor ez a távolság ekkora. Tehát ennek az embernek ekkora a feje, akkor ez a méretű szemüveg rajta ekkora lesz. Ezt így jól meg tudja állapítani. Van még nagyon jó toolunk. Ez kettő volt, az egyik, hogy leméri a szemtávolságot, amit szemüvegvásárláskor is fel tudunk használni, a másik, hogy fel tudom próbálni. Van még kettő. Az egyik a szemdioptriamérés. Egyszerűbb dioptriákat meg lehet állapítani online, hogy milyen olvasószemüvegre van szükségem. Illetve van mégegy, ez nagyon érdekes. Egy meglévő szemüvegen ha van egy meglévő dioptria, le kell tölteni hozzá egy mobilalkalmazást is, és a mobilalkalmazás kamerája, és a számítógép képernyője közé helyezve a szemüveget, a szemüveg fénytörési hibájából megmondja, hogy milyen dioptriás ez a szemüveg. Nem romlott a szemem, szeretnék egy ugyanilyen dioptriájú szemüveget, de elfelejtettem, hogy mi volt ennek a dioptriája, nincs meg a recept. Fogom, és az online alkalmazás, meg a számítógép monitorja közötti fénytörési hibából megmondjuk, hogy mi az a dioptria

Szertics Gergely: – Zseniális.

Laczkó Gábor: – Hát itt csak igazából az emberi képzelet fog majd határt szabni ennek, vagy az sem. Nagyon sokat beszéltünk eszközökről. Nyilván mindkettőtöknek van egy elég markáns rálátásotok. De hogyha az átlagot vesszük, akkor a marketingesek nagy részének – nekem az a tapasztalatom – nem biztos, hogy ez a tudás megvan. Valaki el akar indulni egy ilyen úton, és egyre több eszközt szeretne használni, milyen szakemberek kellenek? Kell-e neki sereg? Vagy neked kell jól utánajárni, és elég egy egyszemélyes hadsereg is, aki viszonylag jól tudja kezelni ezeket az eszközöket? Milyen workforce-szal készüljön, aki ennek nekivág?

Bonyhádi Gábor: – Érdekes kérdés, mert szerintem a legtöbb eszköz használatához nem kell külsős szakembert behozni. Tehát a Facebook hirdetést meg tudom tanulni. Azt, hogy a Facebook hirdetéseimet behúzzam egy Magics rendszerbe, ami elemzi, és adja nekem a tippeket, hogy hogyan készítsem, ahhoz nem kell külső szakembert bevonni. Ahhoz viszont, hogy jó keresőoptimalizálást tudjak csinálni, még akár azt is meg lehet oldani, de ott lehet, hogy valamilyen adatelemző szakembert érdemes bevonni. Vannak olyan adatbekötések, amihez lehet, hogy programozóhoz érdemes fordulni. Főleg hogyha itt már big datáról beszélünk, ahogy Gergő is mondta, behúzni saját CRM-be külsős adatokat. Nem lehetetlen, hogy ezt egy marketinges meg tudja csinálni. Főleg, hogyha fiatalabb nálam is, meg mondjuk tud programozni is. Mert a marketingeseknél, már így akikkel mostanában találkozom, azoknál így alapszintű tudás. Már tanítják ezt iskolában, amit nekünk még nem tanítottak. Ezektől a fiatalabb marketingesek már nincsenek megrémülve, hogyha ilyen feladatokat kell elvégezni, hogy egy API-t bekötni, vagy tag manageren keresztül bekötni valamit. Ezek nem tragikus feladatok, vagy nem nehéz feladatok. Hogyha valaki nem ért hozzá, utánaolvas, és akkor sem tudja megcsinálni, biztos lesz valaki, aki tud benne segíteni. Azt veszem észre, hogy a marketing minden kis részterületére vannak olyan külsős szakemberek, akik meg tudják oldani az adott feladatot, ami nem hosszútávú munka, hanem egy-egy, például adatbekötés.

Szertics Gergely: – Igen, én is azt mondanám, hogy elsősorban agytágulásra kell számítani, hogyha az ember ebbe belemegy, nekiáll csak rákeresni arra, hogy amit eddig használtam, abban mennyi minden van AI. A cégnél is nagyon sokszor ezt csináljuk, hogy először tudatosítjuk, hogy mit csinálunk – ami már most is mesterséges intelligenciával van –, ennek a hátterét jobban megérteni, hogy mi mindenre használható a mesterséges intelligencia. Általában van egy olyan fázis, amikor minden problémát megguglizok, úgy, hogy probléma + AI, tesztelés + AI, szövegírás + AI, és akkor feldob egy csomó mindent, kihoz toolokat, ami abszolút túltelítődéses állapot. Szerintem ott van az igazán nagy vágás, ami a szakembert illeti, megint ez az adatkérdés, amit Gábor is mondott. Hogyha nagyon markánsan saját adatokból kell dolgozni, és azokon szeretnék elemzéseket csinálni, netán ahhoz szeretnék hozzáadni új adatokat, és azokon elemzéseket csinálni, vagy azokat használni olyan dolgokra, amik már nagyon erős külső eszközöket is használnak akár, akkor az jellemzően technológia. Hogyha inkább olyan eszközöket használok, amik hozzák magukban a mesterséges intelligencia képességet, és nem az van, hogy az én adataimból akarja megtanulni azt, hogy mi az ügyfeleim között a különbség, hanem azt mondjuk copyzz 10 képet, és akkor azt randomizálja és tesztelje. Akkor az AI heavy lifting, az a túloldalán van. Ha azt mondom, hogy itt van nekem 1000 adatpontom minden ügyfelemről az elmúlt 10 évből, találjuk ki azt, hogy ebből mit lehet hirdetni, milyen irányokba menjek, milyen channeleket használjak, milyen termékek lehetnek érdekesek, akkor az egész mesterséges intelligencia képességnek házon belül kell lennie. Emiatt ez a csúszka ez jobban abban van, hogy vendor management képességem van, vagy kompetenciaépítés képességem van. A vendor management mindig könnyebb, de mindig csak standard megoldásokra jó. Ha egészen pontosan azt akarom, hogy a reklámok visszajelzéseit jobban csináljam, arra van tool. De arra nincsen tool, hogy az összes adatomból ki a célcsoportom. Ahhoz már egy gondolkodási keretet kell felépíteni. Azt látom, hogy sokan errefelé mennek, hogy van a kisebb közös fázis „bakker, ez már megint mindent tud”, és aztán egyre inkább elkezdenek építeni olyanokat, hogy akkor kompetenciákat építsek azokra, amik hozzám kapcsolódnak, vagy nagyon kompetitív versenyelőnynek számít, hogy azt muszáj házon belül tartani.

Laczkó Gábor: – Amit egyébként mondtál is, hogy nem rossz, hogyha már van fejlesztői tapasztalata egy marketingesnek, nemrégiben volt egy beszélgetésem, és ott lepett meg, hogy egy nagyon innovatív építészirodával beszélgettem, akiknek külön digitális részlegük van, és úgy képzeljétek el, hogy mindenki építész és fejlesztő. Mondták, hogy tulajdonképpen az építész szakon szakirányként már ott van ez a kvázi fejlesztő-építész. Tehát már konkrétan így képzik részben az építészeket. Elég gyorsan mozgó dolog lesz, ahogy nézem.

Bonyhádi Gábor: – Én nem is feltétlenül a saját közvetlen kollégáim, hanem az alvállalkozóink nagy része, aki marketinggel foglalkozik. Van egy nagy része az alvállalkozóinknak, aki marketinggel foglalkozik, mindegy mivel, akik amúgy tudnak fejleszteni, vagy fejlesztőként is dolgoztak korábban, vagy fejlesztőként végeztek. És annyira más a gondolkodásmódjuk egy-egy problémakörhöz, ha csak azzal kezdjük, hogy valamivel még nem találkoztak, fogják, nekiállnak, gugliznak, megtanulják. A fejlesztésben ez alap, hogyha valamit nem tudok, kiguglizom és megtanulom. Valaki felrakta már azt a kódot a netre. Ott van a megoldás mindenhol a neten, csak meg kell találni és alkalmazni kell.

Laczkó Gábor: – Még egy téma van, ami érdekel, beszéltetek is róla, az AI alapú videós kontent gyártás. Nemrégiben volt egy beszélgetésünk szintén ilyen területen itt, a Colossyan nevezetű csapattal. Ők egy magyar csapat, Kovács Dominikék, és ők hasonló szoftvert csinálnak. Hol tudjuk ezt manapság jól használni? Kicsit azt látom még nehéznek, hogy egy ilyen nagyon-nagyon személyre szabott videót hogy juttatunk el a speciális végfelhasználójának?

Bonyhádi Gábor: – Ne feltétlen az eljuttatásban gondolkozzál, hanem abban, hogy nem kell castingoljál. Ha jól tudom, ők azzal foglalkoznak, mint az Actor Monster, hogy AI alapú színészek felmondják neked egy kicserélhető háttér előtt a szöveget. A belső oktató videók, az onboarding, a képzési anyagok, tehát nem kell hozzá videóst, rendezőt, operatőrt, vágót, színészt, helyszínt fizessél, hanem fogsz egy szöveget, berakod, és onnantól kezdve kiköpi neked a rendszer.

Laczkó Gábor: – Ez oké is ez a tréning anyag rész. De ha kicsit direktebb marketingre akarom használni, kitalálnám, hogy én úgy akarom, hogy mindenkinek perszonalizáltan, Laczkó Gábornak, nekem, menjen ki egy olyan, ahol engem speciel megszólít a videó, és azt mondja, hogy „Gábor, te részt vettél ezen a videón, és akkor most neked azt ajánlanám, hogy…”

Bonyhádi Gábor: – Láttam ehhez hasonlót. Ott egy kicsit máshogy volt megoldva, ott nem a színész mondta azt, hogy Gábor neked most, hanem egy iskola, egy egyetem küldött minden egyes hallgatójának egy személyre szabott videót. Megnézte, hogy milyen szakra vették fel, megnézte, hogy mi a hobbija, érdeklődési köre – ezeket valószínűleg a jelentkezésnél meg kellett adni – és ezekből egy olyan kombinációjú videót rakott össze mindenkinek, amit így egyedileg az összes felvettnek lerendereltek, legeneráltak és elküldtek. Viszont azt nem szabad elfelejteni, hogy itt van a renderidő, meg a lerenderelés, stb., videóknál elég magas számítási kapacitást vesz igénybe, ezért kisebb értékű ügyfeleknél ezt nem biztos, hogy érdemes feltétlenül megcsinálni. A tömeges személyre szabásnál sokkal inkább jellemzőbb, amit a Facebook csinál, ezek a születésnapi videók, odadobálja neked a fényképeket, stb., hogy akkor nem kell bele egy ilyen szereplő által elmondott dolgokat csinálni. A jövőben valószínűleg meg lehet ezt oldani, csak a renderidő jelenleg költséges.

Szertics Gergely: – Meg nem biztos, hogy annyira le kell menni a perszonalizációban, hogy neked személyre szabva, hanem ugyanígy ha van 10-15 klaszter, amit tudok menedzselni, akkor tudok csinálni 10-15 videót. Mondjuk, ha én vagyok a Harley Davidson, akkor az egyiken egy idősebb csávó meséli, hogy ez milyen biztonságos, a másikon pedig egy fiatal maca, hogy ez mennyire menő. Elég nagy kalap, belefér, hogy kiket érdekel a fiatal maca, nem biztos, hogy annál lejjebb kell menni, hogy milyen feature-rel ellátott macákat mutatunk.

Laczkó Gábor: – Elég sok mindent már átbeszéltünk, lassan a kis videónk végére fogunk érni. Egy jóslást szeretnék tőletek kérni az elkövetkező 5 évre – nem mertem 10-et mondani, de ha 10-et szeretnétek, mondjátok bátran – mit jósoltok. Kimondottan a marketingben, milyen olyan újdonságok fognak bejönni, vagy még nagyobb teret nyerni, amik segítik ezt a szakmát?

Bonyhádi Gábor: – Én a videót mondanám, meg a deep fake-et, ami szerintem még előrébb fog jönni. Remélem, hogy ennek lesz egy jó, etikus példájú felhasználása, nemcsak politikai felhasználása, mert a deep fake-kel szerintem elég nagy rombolásokat lehet végezni. De szerinem az elkövetkezendő 5 évben ez a videós személyre szabás – amit kérdeztél is – ez nagyot fog fejlődni.

Szertics Gergely: – Szerintem, ami iszonyatosan meg fogja változtatni a landscape-et a következő 5 évben, az az adatfelhasználási jogok fejlődése. Jön-e a Digital Services Act, a Digital Markets Act, Data Governance Act, Data Act, AI Act. Az EU kifejezetten nagyon-nagyon elkezdte keretezni azt, hogy hogyan lehet használni adatokat, ami egy kicsit ilyen vadnyugati feeling volt eddig, hogy akkor mindenki mindenre is használta, általában mindenki elfogadta, hogy ez szürkezónás buli. És az, hogy ezeket hogyan lehet csinálni, és mit jelent a végfelhasználók érdekeinek a képviselete, szerintem ez nagyon sok fejtörést fog okozni a marketingben. Én egyre inkább azt gondolom, hogy elő fog kerülni az, ami az ügyféloldal érdekérvényesítést támogatja. Tehát, hogy hogyan tudok olyan chatbotokat csinálni, amik lebeszélgetik az értékesítő chatbotokkal, hogy nekem mi a preferenciám, és akkor begyűjti az összes ajánlást, értékelést, kiértékeli, összesíti, majd elmondja nekem, hogy mi az aggregát véleménye a piacról. De ezt nem úgy csinálja, hogy ez a Google-nek az érdekében van, most az egész piac még, a technológia nagyon a hirdetők oldalán van.

Bonyhádi Gábor: – Arról mit gondolsz Gergő, hogy az ügyfél elkezdi a saját adatait kvázi termékként kezelni, hogy jó, megadom az adataimat, hogy pontosabb reklámot tudjál nekem lőni, de ezzel én egy csomó pénzt spórolok neked, hogy nem kell meddő szúrást csinálni, akkor viszont adjál nekem cserébe 5 % kedvezményt.

Szertics Gergely: – Ez még egy nagyon szabályozatlan, és nagyon kevéssé kialakított terület. Még az sem teljesen világos, hogy mit jelent az, hogy az „én adatom”. Tehát ez az „én adatom”, vagy a „rólam szóló adat”. Mert ez az adat nem keletkezne se nélkülem, se a technológia nélkül, ami egyébként felveszi. Történetem nem lenne a kereső nélkül, de ugye egy röntgenkép sem lenne a tüdőmről a röntgengép nélkül. Tehát nem léteznek ezek a dolgok a másik fél nélkül, ez egy co-creation. Most nagyon át kezd a közvélemény billenni oda, hogy de hát ez az én adatom, akkor én is kell, hogy részesedjek belőle. Most így nagyon megy mindenféle tudományos vitákban az, hogy hogyan lehet értékelni, hogy mekkora hasznosságot kapok én az ingyenes dolgokból. Mindenki ingyenesen használja a Google Maps-et, az egy teljesen nonszensz dolog. Mindenkinek a kezében ott van a Google kereső teljesen ingyen, ezeknek elképesztő értéke van, amelyeket nem nagyon veszünk ilyenkor figyelembe, hanem természetes, hogy az úgy van. Közben elkezdjük verni az asztalt, hogy én miért nem kapok az adatért cserébe is pénzt. Ez egy nagyon szabályozatlan piac ez az adatpiac jelenleg, és nagyon számítok rá, hogy elkezd majd formalizálódni, hogy mit is jelent az adatpiac, ahol nagyon fontos szerepe lesz az adatalanyoknak. Tehát akikről szól az adat, nekik milyen jogaik vannak, és milyen benefiteket kaphatnak akkor, amikor valaki újra és újra és újra felhasználja, amiért ő egyszer kapott mondjuk egy szolgáltatást. Az adatnak ez egy különleges tulajdonsága, hogy nem fogy el attól, hogy valakinek eladom. Míg teljesen más, ha eladok egy szemüveget, elfogy, hogyha eladtam.

Laczkó Gábor: – Azt gondolom, hogy nagyon széles látképet adtunk. Én személy szerint nagyon élveztem ezt a beszélgetést. Kívánom nektek, hogy innoválódjunk, és menjünk tovább ezerrel a saját kis területünkön. Remélem, egy következő beszélgetésben is találkozhatunk majd. Köszönöm szépen nektek, hogy itt voltatok.

Bonyhádi Gábor: – Mi is köszönjük, én is nagyon élveztem.

Szertics Gergely: – Mi is köszönjük, jó volt.

Laczkó Gábor: – Köszönjük szépen mindenkinek, hogy itt voltatok velünk, és megnéztétek ezt a videót. További szép napot, és sziasztok!

Bonyhádi Gábor: – Sziasztok!

Szertics Gergely: – Sziasztok, helló!