В распоряжении современных маркетологов огромный арсенал цифровых инструментов, тут всё: от систем аналитики до навороченных программатик платформ и различных облачных решений. С другой стороны количество данных, генерируемых пользователями, растет лавинообразно. Их источник — поведенческий фактор в сети и общение пользователей в цифровом мире. Чтобы ориентироваться в этом потоке информации, маркетологам нужны специализированные решения, которые умеют собирать пользовательские данные, обрабатывать и представлять в удобном для анализа виде. Здесь маркетологам помогают искусственный интеллект и machine learning. Machine learning (ML) – подраздел искусственного интеллекта, использующий алгоритмы, которые могут самостоятельно обучаться, то есть их не нужно специально программировать под конкретную задачу.
По данным MIT Technology Review, 60% компаний в том или ином виде используют ML в своем бизнесе.
2017 год по данным аналитиков стал годом интенсивного развития и внедрения в бизнес ML. Эта технология находится сейчас на пике кривой зрелости технологий Gartner – значит в ближайшее время ML будет усиленно развиваться, а компании будут вкладывать деньги в эти технологии. Журнал Computerworld отвел ML главное место в списке ценнейших скиллов сотрудников. Маркетологам в первую очередь интересны возможности для персонализированного вовлечения пользователей, которые могут дать алгоритмы ML. Они позволяют делать три главных вещи:
Рекомендации
Компания Netflix, используя предиктивную аналитику для улучшения рекомендаций посетителям сайта, вовлекает их в более активное использование сервиса. Если вы хоть раз пользовались сайтом Netflix, то наверняка видели там раздел рекомендованных сериалов. Все рекомендации предоставляются посетителям сайта при помощи алгоритмов machine learning, которые анализируют ваши предпочтения и «понимают» какие категории фильмов вы любите больше всего. Аналогично работает и система рекомендации товаров на e-Bay.
Стартап из США IdealSeat, использует ML и deep learning для создания максимально комфортного зрительского опыта на матчах. Сервис анализирует множество параметров, которые могут выбирать зрители при заказе билетов: можно решать, где хочется сидеть: в тени или на солнце, в фанатской или семейной зоне и так далее.
Предиктивная аналитика
Используя ML, компании могут прогнозировать, когда и зачем с ними свяжется покупатель. Это позволяет персонализировать коммуникацию с клиентами и планировать затраты на содержание службы поддержки. Например, компания может проанализировать музыкальные предпочтения человека, сформировать паттерн его потребительского поведения и вычислить величину его среднего чека в своих магазинах. В принципе, можно даже выявить какие покупки и на какую сумму будут делать любители Битлз, а какой средний чек будет у поклонников ABBA.
Специалисты Сбербанка уже неплохо научились выявлять и прогнозировать образцы поведения владельцев карт. Например, банк может различать разные активности держателей карт и сводить их к трем основным паттернам: покупки автомобиля, покупки мебели или ремонта и затрат на лечение. В зависимости от этого предлагать соответствующие программы своим клиентам.
Big Data и гибкое ценообразование
Технологии ML оптимизируют цены в зависимости от количества товара, тенденций продаж и других факторов. Сегодня 63% пользователей ожидают от сайтов компаний, а особенно интернет-магазинов, персонализацию на основе предыдущих действий. В качестве примера можно вспомнить механизмы персонализации на Booking.com.
С помощью алгоритмов анализа Big Data маркетологи могут использовать архивные данные и статистику для построения прогнозов. Это уже успешно применяют сервисы мобильной аналитики, например, Amazon Mobile Analytics или Google Cloud Machine Learning.
Сегментация и таргетирование рекламы
С помощью ML можно предсказывать конверсию в зависимости от внешних факторов и автоматически корректировать ставки в контексте. Сейчас развитие получило обучение с подкреплением: в систему контекстной рекламы не закладывают изначальной модели. Она начинает взаимодействовать с окружающей средой и получать обратную связь. Свои действия система корректирует на основании собственных оценок качества обратной связи. Например, если контекстная реклама запущена в сфере банковских продуктов, то таким параметром может быть интересность клиенту предложения банка.
Квалификация лидов
Алгоритмы ML могут выявлять перспективных пользователей, которые готовы к покупке с максимальной вероятностью. Для этого специалисты по продажам и маркетологи должны совместно разработать свои критерии для оценки «перспективности» контакта. К примеру, алгоритм анализирует языковые паттерны, выбирает слова, повышающие вовлеченность и рост кликов. После чего можно составить список триггерных слов, с помощью которых маркетологи будут писать рекламные объявления.
Мир очень быстро меняется, сегодняшний потребитель ждет уникального сервиса, он думает, что все будет происходить мгновенно, персонализировано и в любом удобном ему канале. ML здесь большое подспорье и мощный инструмент для маркетологов. Однако для того, чтобы все заработало, недостаточно просто купить и установить специализированный софт. Для внедрения ИИ или ML в организации необходимо создать новые или переформатировать существующие процессы: в первую очередь, поработать над логистикой входящих данных и разработать единые стандарты по их обработке в режиме реального времени.
По сути существует две большие группы пользовательских данных: информация, которую могут собирать сами компании (средний чек, виды покупок и т.д.) и сведения непосредственно из каналов подключения (интересы, возраст и другие данные о социальной активности пользователя). Вместе все эти данные дадут полный портрет пользователя и картину его предпочтений. Этот массив информации и будет «пищей» для алгоритмов ML.
Что делать после того, как данные собраны, обработаны и проанализированы? Второй самый важный этап работы с алгоритмами ML — нужно использовать полученные прогнозы на деле, составить подробные карты кто, что, где, когда и как будут покупать.
В теории ML и ИИ могут стать вполне себе автономными и антропоморфными сущностями: превратится в Скайнет или в героев из сериала Черное Зеркало. Вспомним пару недавних случаев с чат-ботами. Первый, когда боты, разработанные командой Facebook, после непродолжительного общения между собой, изобрели собственный язык. Создатели, которые не смогли расшифровать этот неоязык, приняли решение о срочном закрытии проекта. Второй случай чуть более давний: чат-бот, запущенный компанией Microsoft в Твиттере в итоге стал жестким расистом. Уже через сутки после запуска Microsoft удалила наиболее провокационные высказывания бота.
Однако реальное положение дел показывает, что отечественному бизнесу не стоит боятся разбушевавшегося ИИ. Ему бы научится грамотно запускать контекстные кампании и создавать user friendly сайты.
Алгоритмы ML и методики его использования в маркетинге и бизнесе, конечно, будут развиваться. Мы выделили следующие точки роста этих технологий:
Совершенствование механизмов сбора и подготовки данных о клиентах. Сегодня одним из главных ограничений применения ML в бизнесе является низкий уровень качества данных. Сведения часто отрывочны и фрагментированы: например, для одной группы пользователей известен возраст, а для другой — покупательские предпочтения. Улучшить качество данных — значит повысить эффективность работы алгоритмов ML.
Повышение эффективности ML в бизнесе. Сейчас использовать ИИ выгодно только очень большим компаниям. По различным оценкам эффективность бизнеса от применения ML повышается всего на 2-3%. Это открывает большой простор для будущих совместных усилий маркетологов и разработчиков.
Развитие систем по сбору клиентских данных. Перед стартом ML с аналитикой и прогнозированием нужно накопить большой массив информации для анализа, а для этого её необходимо собрать, очистить и сегментировать. Здесь открывается большой простор для систем по сбору данных о клиентах и их различных коллабораций.
Как бы ни мечтали маркетологи о суперсервисе с единственной кнопкой «Бабло», вряд ли подобное станет когда-либо реальностью. Алгоритмы и вычисления никогда не заменят самого маркетолога. ML — это всего лишь инструмент, пусть и мощный, которым нужно уметь правильно пользоваться. В нашем обозримом будущем машина не сможет понять клиента и сформировать у него потребность в товаре или услуге.
Данные, полученные с помощью ИИ и ML, в конечном итоге интерпретируются живым специалистом. Его профессионализм, умение правильно выявить ключевые переменные, влияющие на результат, и определяют конечный эффект от применения алгоритмов ML.
По данным MIT Technology Review, 60% компаний в том или ином виде используют ML в своем бизнесе.
2017 год по данным аналитиков стал годом интенсивного развития и внедрения в бизнес ML. Эта технология находится сейчас на пике кривой зрелости технологий Gartner – значит в ближайшее время ML будет усиленно развиваться, а компании будут вкладывать деньги в эти технологии. Журнал Computerworld отвел ML главное место в списке ценнейших скиллов сотрудников. Маркетологам в первую очередь интересны возможности для персонализированного вовлечения пользователей, которые могут дать алгоритмы ML. Они позволяют делать три главных вещи:
- Работать с Big Data и проводить продвинутое сегментирование аудитории;
- Проводить предиктивную аналитику поведения клиентов;
- Давать рекомендации по корректировке действий в реальном времени.
Рекомендации
Компания Netflix, используя предиктивную аналитику для улучшения рекомендаций посетителям сайта, вовлекает их в более активное использование сервиса. Если вы хоть раз пользовались сайтом Netflix, то наверняка видели там раздел рекомендованных сериалов. Все рекомендации предоставляются посетителям сайта при помощи алгоритмов machine learning, которые анализируют ваши предпочтения и «понимают» какие категории фильмов вы любите больше всего. Аналогично работает и система рекомендации товаров на e-Bay.
Стартап из США IdealSeat, использует ML и deep learning для создания максимально комфортного зрительского опыта на матчах. Сервис анализирует множество параметров, которые могут выбирать зрители при заказе билетов: можно решать, где хочется сидеть: в тени или на солнце, в фанатской или семейной зоне и так далее.
Предиктивная аналитика
Используя ML, компании могут прогнозировать, когда и зачем с ними свяжется покупатель. Это позволяет персонализировать коммуникацию с клиентами и планировать затраты на содержание службы поддержки. Например, компания может проанализировать музыкальные предпочтения человека, сформировать паттерн его потребительского поведения и вычислить величину его среднего чека в своих магазинах. В принципе, можно даже выявить какие покупки и на какую сумму будут делать любители Битлз, а какой средний чек будет у поклонников ABBA.
Специалисты Сбербанка уже неплохо научились выявлять и прогнозировать образцы поведения владельцев карт. Например, банк может различать разные активности держателей карт и сводить их к трем основным паттернам: покупки автомобиля, покупки мебели или ремонта и затрат на лечение. В зависимости от этого предлагать соответствующие программы своим клиентам.
Big Data и гибкое ценообразование
Технологии ML оптимизируют цены в зависимости от количества товара, тенденций продаж и других факторов. Сегодня 63% пользователей ожидают от сайтов компаний, а особенно интернет-магазинов, персонализацию на основе предыдущих действий. В качестве примера можно вспомнить механизмы персонализации на Booking.com.
С помощью алгоритмов анализа Big Data маркетологи могут использовать архивные данные и статистику для построения прогнозов. Это уже успешно применяют сервисы мобильной аналитики, например, Amazon Mobile Analytics или Google Cloud Machine Learning.
Сегментация и таргетирование рекламы
С помощью ML можно предсказывать конверсию в зависимости от внешних факторов и автоматически корректировать ставки в контексте. Сейчас развитие получило обучение с подкреплением: в систему контекстной рекламы не закладывают изначальной модели. Она начинает взаимодействовать с окружающей средой и получать обратную связь. Свои действия система корректирует на основании собственных оценок качества обратной связи. Например, если контекстная реклама запущена в сфере банковских продуктов, то таким параметром может быть интересность клиенту предложения банка.
Квалификация лидов
Алгоритмы ML могут выявлять перспективных пользователей, которые готовы к покупке с максимальной вероятностью. Для этого специалисты по продажам и маркетологи должны совместно разработать свои критерии для оценки «перспективности» контакта. К примеру, алгоритм анализирует языковые паттерны, выбирает слова, повышающие вовлеченность и рост кликов. После чего можно составить список триггерных слов, с помощью которых маркетологи будут писать рекламные объявления.
Мир очень быстро меняется, сегодняшний потребитель ждет уникального сервиса, он думает, что все будет происходить мгновенно, персонализировано и в любом удобном ему канале. ML здесь большое подспорье и мощный инструмент для маркетологов. Однако для того, чтобы все заработало, недостаточно просто купить и установить специализированный софт. Для внедрения ИИ или ML в организации необходимо создать новые или переформатировать существующие процессы: в первую очередь, поработать над логистикой входящих данных и разработать единые стандарты по их обработке в режиме реального времени.
По сути существует две большие группы пользовательских данных: информация, которую могут собирать сами компании (средний чек, виды покупок и т.д.) и сведения непосредственно из каналов подключения (интересы, возраст и другие данные о социальной активности пользователя). Вместе все эти данные дадут полный портрет пользователя и картину его предпочтений. Этот массив информации и будет «пищей» для алгоритмов ML.
Что делать после того, как данные собраны, обработаны и проанализированы? Второй самый важный этап работы с алгоритмами ML — нужно использовать полученные прогнозы на деле, составить подробные карты кто, что, где, когда и как будут покупать.
Будущее ML
В теории ML и ИИ могут стать вполне себе автономными и антропоморфными сущностями: превратится в Скайнет или в героев из сериала Черное Зеркало. Вспомним пару недавних случаев с чат-ботами. Первый, когда боты, разработанные командой Facebook, после непродолжительного общения между собой, изобрели собственный язык. Создатели, которые не смогли расшифровать этот неоязык, приняли решение о срочном закрытии проекта. Второй случай чуть более давний: чат-бот, запущенный компанией Microsoft в Твиттере в итоге стал жестким расистом. Уже через сутки после запуска Microsoft удалила наиболее провокационные высказывания бота.
Однако реальное положение дел показывает, что отечественному бизнесу не стоит боятся разбушевавшегося ИИ. Ему бы научится грамотно запускать контекстные кампании и создавать user friendly сайты.
Алгоритмы ML и методики его использования в маркетинге и бизнесе, конечно, будут развиваться. Мы выделили следующие точки роста этих технологий:
Совершенствование механизмов сбора и подготовки данных о клиентах. Сегодня одним из главных ограничений применения ML в бизнесе является низкий уровень качества данных. Сведения часто отрывочны и фрагментированы: например, для одной группы пользователей известен возраст, а для другой — покупательские предпочтения. Улучшить качество данных — значит повысить эффективность работы алгоритмов ML.
Повышение эффективности ML в бизнесе. Сейчас использовать ИИ выгодно только очень большим компаниям. По различным оценкам эффективность бизнеса от применения ML повышается всего на 2-3%. Это открывает большой простор для будущих совместных усилий маркетологов и разработчиков.
Развитие систем по сбору клиентских данных. Перед стартом ML с аналитикой и прогнозированием нужно накопить большой массив информации для анализа, а для этого её необходимо собрать, очистить и сегментировать. Здесь открывается большой простор для систем по сбору данных о клиентах и их различных коллабораций.
ИИ все сделает сам?
Как бы ни мечтали маркетологи о суперсервисе с единственной кнопкой «Бабло», вряд ли подобное станет когда-либо реальностью. Алгоритмы и вычисления никогда не заменят самого маркетолога. ML — это всего лишь инструмент, пусть и мощный, которым нужно уметь правильно пользоваться. В нашем обозримом будущем машина не сможет понять клиента и сформировать у него потребность в товаре или услуге.
Данные, полученные с помощью ИИ и ML, в конечном итоге интерпретируются живым специалистом. Его профессионализм, умение правильно выявить ключевые переменные, влияющие на результат, и определяют конечный эффект от применения алгоритмов ML.
