Искусственный интеллект в маркетинге: когда роботы победят?

Искусственный интеллект в маркетинге: когда роботы победят?

1596 26 Ноябрь, 2018 год

В 80-е на экраны вышел первый «Терминатор», и герой Шварценеггера стал ярким примером машины, наделенной разумом. В наши дни, когда можно поговорить и с Siri, и с Алисой, а подбором персонала занимается Вера, будущее, в котором искусственный интеллект — важная часть повседневной жизни, уже не кажется таким далеким. Как часто искусственный интеллект используется в маркетинге сейчас и чего ждать в ближайшие годы, как бизнесу могут помочь данные, полученные в ходе исследования соцсетей, какие специалисты понадобятся в ближайшие годы в индустрии, рассказал Александр Сирач, Chief Surprise Officer сервиса мониторинга соцсетей YouScan. Интервью провели Наталья Фефилова, главный редактор DailyMoneyExpert, директор по развитию компании 404 Group, и Роман Друзягин, технический директор 404 Group.

Наталья Фефилова, директор по развитию компании 404 Group:

Искусственный интеллект для большинства из нас – это Терминатор и вообще машины, которые скоро захватят мир. Так ли это на самом деле и что сейчас подразумевается под искусственным интеллектом?


Александр Сирач, Chief Surprise Officer, компания YouScan:

На самом деле, сегодня нет точного определения искусственного интеллекта (ИИ). Есть несколько разных определений, но ни одно из них не прижилось. Давайте разберем, из чего состоит ИИ. Прежде всего это deep learning – наименьшая и самая новая часть, то, что начало развиваться с 2010 года: это, к примеру, распознавание лиц и изображений. Machine learning – то, что развивается с 1950-х годов; классический пример – определение спама в почте, благодаря которому сегодня мы практически не видим спама. Ну, и сама наука, которая этим занимается – data science – это наиболее обширное определение ИИ.

Наталья Фефилова:

Для маркетинга искусственный интеллект – это уже обычное явление или пока экзотика?

Александр Сирач:

Развитие искусственного интеллекта началось в 1950-е с Алана Тьюринга, который, собственно, придумал тест Тьюринга для определения разумности машины. В 1952 году придумали первую программу игры в шашки, а в 1955 добавили элемент самообучения. И только в 1997, через 32 года, компьютер обыграл Гарри Каспарова. А уже в 2016 компьютер обыграл чемпиона мира по игре в го – игру в тысячу раз сложнее шахмат. За гораздо более короткий срок машина обучилась настолько, чтобы стать лучше чемпиона мира.

Я это к тому, что развитию ИИ или машинного обучения способствуют две вещи: развитие скорости работы процессоров и данные. Почему сегодня мы все чаще слышим про ИИ в маркетинге? Потому что настало время, когда накопились данные. Благодаря интернету, Facebook, Google появилось огромное количество данных, и технологии теперь можно применять, хотя придумали их десятилетия назад. Отвечая на вопрос, сегодня это вообще не экзотика. Технологии полностью доступны, большинство из них имеют открытый код – за них не нужно платить. Платить нужно как раз за данные, и основная проблема – где взять достаточное количество данных для обучения алгоритма. Сам алгоритм – не проблема.

Наталья Фефилова:

И где взять данные?


Александр Сирач:

Накопить самим или купить.

Наталья Фефилова:

Компании копят данные, но часто не умеют с ними работать или используют только маленькую часть. Насколько компании в России научились пользоваться этими данными для того, чтобы развивать бизнес? Если говорить не о гигантах, а о среднем рядовом бизнесе.


Александр Сирач:

Для среднего бизнеса все стало доступно лет пять назад: те, кто копили данные, получили возможность ими пользоваться. Сегодня, по сути, впервые рядовой бизнес получил возможность быстро обрабатывать огромные массивы данных, не нанимая аналитические агентства и не затрачивая громадные бюджеты, а используя программы открытого кода. Как пример: Google двадцать лет развивали свой переводчик Google Translate и вдруг, буквально три года назад, за одну ночь улучшили перевод больше, чем за предыдущие двадцать лет. Вот насколько большие скачки технологий происходят.





Роман Друзягин, технический директор 404 Group:

Многие компании используют накопленную информацию, чтобы делать более точное таргетирование. Стандартная история: ты купил носки, и они тебя потом преследуют на каждом сайте. Такие обыденные вещи уже можно называть продвинутым data science, или есть отличительные факторы, отделяющие бытовое применение накопившихся данных от продвинутых концепций?


Александр Сирач:

Это все про одно и то же. Начиная со спама, продолжая грамотной настройкой рекламных кампаний и заканчивая, например, распознаванием изображений. Пара примеров из личного опыта: мы занимаемся мониторингом и анализом социальных медиа, и если раньше данные, которые мы предоставляли, требовали работы огромного аналитического агентства с сотнями сотрудников и соответствующими затратами, то сейчас все делается за несколько часов. Один наш клиент – Viber – одними из первых в СНГ решили запустить службу поддержки в социальных медиа. Им стало интересно, что люди говорят про мессенджер, ошибки, баги. Для этого нужно было мониторить все, что говорят про Viber. Но в их случае большая проблема в том, что 99.9% данных – рекламные сообщения вроде «Только сегодня, только сейчас, со скидкой, звоните мне в WhatsApp и Viber». Что с этим можно было делать раньше? Например, пытаться отсекать коды городов и стран, отсекать отдельные слова («куплю», «продам»), но все это не избавляло от потока спама.

ЦИФРОВАЯ ТРАНСФОРМАЦИЯ БИЗНЕСА: ТРЕНД ИЛИ ФИКЦИЯ?

Для нас это был один из первых опытов применения машинного обучения. Сейчас используют два вида машинного обучения: с учителем и без учителя. Для Viber мы использовали первый вариант – машинное обучение с учителем, а именно – классификацию. Мы брали несколько тысяч сообщений и вручную помечали: это не то, что нам нужно. Дальше показываем все это алгоритму и пробуем – на 10 000, 100 000, 1 000 000 сообщений. На выходе получаем разделение всего потока данных на две кучки: то, что мы отметили, и все остальное.

Пример посложнее – до сегодняшнего дня спонсоры спортивных мероприятий не имели возможности понять, каков выхлоп с наружной рекламы, брендирования стадионов и спортивной формы. Сейчас благодаря технологии распознавания логотипов и объектов можно понять, сколько раз условный производитель напитков встречался на фотографиях болельщиков, в каком окружении встречались его логотипы. Мы недавно проводили забавное исследование: что предпочитают кошки, а что собаки. Оказалось, что кошки чаще всего встречаются с логотипом Apple, собаки – с Adidas и Reebok. Если задуматься, все логично: кошки любят лежать на лэптопах, а собак выгуливают в спортивной одежде.




Роман Друзягин:

Какую практическую выгоду с точки зрения маркетинга можно извлечь, к примеру, из частотности появления брендов на фотографиях?


Александр Сирач:

Начать можно с измерения охвата, а далее… Например, недавно один американский рэпер что-то запостил в Instagram, и на заднем плане определился логотип Bentley. Как маркетолог Bentley, я мог бы с ним связаться и предложить сотрудничество. Либо есть задача у косметического бренда – выбрать блогеров с большим количеством подписчиков. Мы смотрим, где засветился логотип – это значит, что человек уже предпочитает нас, уже лояльно относится к марке, и если ему предложить сотрудничество, он скорее всего на это пойдет, и для его аудитории это будет выглядеть естественно.

Мы смотрим, где засветился логотип – это значит, что человек уже предпочитает нас.

Есть итальянская сеть пиццерий, которая задумала европейскую экспансию. У них был выбор – провести традиционное маркетинговое исследование стоимостью в несколько миллионов евро, но они решили полностью положиться на социальные медиа и новые технологии обработки данных. Они задали объект – пицца – и получили несколько миллионов фотографий с пиццей из соцсетей. Дальше они стали сегментировать: открытая веранда или помещение, большой зал или семейный ресторанчик, возраст аудитории. Вплоть до того, какую пиццу предпочитают в каждом конкретном городе. Всю это информацию можно получить просто с картинок за полчаса, и это ничего не стоит – в отличие от фокус-групп и других традиционных исследований. Они действительно открыли пиццерии на основе полученных данных, и все прошло успешно. Вот пример применения для малого и среднего бизнеса.




Роман Друзягин:

Насколько такие способы решения маркетинговых задач доступны для малого и среднего бизнеса? Какие нужны мощности, специалисты, в какие суммы это обойдется?


Александр Сирач:

Самим все сделать с нуля, конечно, сложно и дорого. Можно заказывать услуги у провайдеров, и это не очень дорого. Возвращаясь к предыдущему примеру – думаю, несколько миллионов рублей позволили бы провести полноценное исследование по всей стране. Это менее затратно, чем стандартная аналитика.

Наталья Фефилова:

А какие специалисты в итоге окажутся без работы? Это то, что меня всегда волнует в теме трендов.


Александр Сирач:

Любая автоматизация приводит к тому, что постепенно отпадает необходимость в младшем персонале без высокой квалификации, и растет потребность в тех, кто сможет решать более сложные задачи. Поэтому – учиться, учиться и еще раз учиться. До Терминаторов нам еще очень далеко, все алгоритмы, нейронные сети сегодня нужно направлять, отбирать для них данные, корректировать – для этого требуются специалисты высокого класса.

Наталья Фефилова:

Если говорить о людях и, например, чат-ботах. Сегодня легко распознать, отвечает тебе бот или человек, и очень многие клиенты, обращаясь в службу поддержки, хотят человеческого общения. Насколько это будет востребовано в будущем? Из поддержки, саппорта люди все равно уйдут?

Роботы будут обучаться дальше, а вариантов проблем, которые нужно решать, не так уж много

Александр Сирач:

Я буквально сегодня в соцсетях прочел, как мой знакомый больше 15 секунд разговаривал с роботом и только потом понял, что говорит с роботом. То есть первоначальную беседу боты точно могут поддерживать, а если это переводить в экономию для компании, такая автоматизация экономит просто миллионы рублей и человеко-часов. Роботы будут обучаться дальше, а вариантов проблем, которые нужно решать, не так уж много; с современными технологиями уже можно добиться того, что бот будет знать ответы на все вопросы по конкретной теме.

Наталья Фефилова:

По ощущениям, сейчас эти технологии используются в маркетинге просто для того, чтобы больше продавать. Так ли это или есть и другие направления развития – например, попытки создать новые потребности пользователей, или удовлетворить их иначе?


Александр Сирач:

Задача любого маркетинга – больше продавать. Так и должно быть. Тем не менее, помимо увеличения продаж, решается задача экономии времени. А преимущество для потребителей – более точная, персонифицированная продажа. Продажа того, что тебе нужно.

Я, например, часто получаю письма с предложениями тематических сервисов. Если лет восемь назад это был тупой спам, то сейчас мне приходят видеоролики, которые смотришь – и не веришь, что это автоматизировано, что это сделано для десятков тысяч компаний. Основной видеоряд один и тот же, но туда очень грамотно подставляется твое имя, логотип твоей компании, скриншот сайта. Я сразу понимаю, что мне предлагают, вижу, как мне это может быть полезно, и не трачу времени на изучение.




Наталья Фефилова:

Но пользователи сетуют, что, когда ты один раз искал носки, тебе не нужны потом носки в выдаче, рассылка о носках и видеоурок «Где купить носки». Скорее всего, ты их уже купил. Нас, видимо, ждет следующий этап, когда тебе предложат, как постирать черные носки? А пока система работает так, что если ты покупал носки, тебе снова предлагают носки, которые, скорее всего, тебе уже не нужны.


Александр Сирач:

Даже большие компании до сих пор не умеют полностью использовать возможности настройки рекламных кампаний Яндекса и Google. Там много вариантов: начиная с настройки по интересам, заканчивая Look-a-like, когда ИИ подбирает тебе аудиторию, которая похожа на твою по сотням, тысячам разных параметров. Это происходит уже сегодня. Есть миф, что наши телефоны прослушиваются: вот мы сейчас про носки поговорили, и после этого у нас на экранах опять будут носки. Это не совсем так работает: мы уже сами не понимаем, что именно сподвигло систему показать нам ту или иную рекламу. Она ее показывает не потому, что мы пять минут назад о ней поговорили, а потому, что это входит в круг наших интересов. Часто бывают такие совпадения – поговорили, и тут же видим рекламу. А на самом деле система уже знает все, что нам может быть интересно.

Наталья Фефилова:

Если говорить о соцмедиа: кроме того, что можно собрать данные об упоминаниях, что еще можно делать интересного и полезного?


Александр Сирач:

Собрать – это уже суперинтересно. Дальше эти данные можно применять и для продаж, и для исследований, и для управления репутацией, и для работы с негативом. Ты можешь искать людей, которые ищут газовые котлы, приходить к человеку в ветку и объяснять, почему твои котлы лучше. Выпуская новую марку автомобиля, ты мог думать, что выпускаешь ее для мужчин за 60 – а благодаря анализу соцсетей понять, что это девушки в возрасте 25-35. Ты планировал делать упор на рекламу двигателя и ходовых качеств – но узнал, что всех интересует безопасность и цветовая гамма. Благодаря социальным медиа большие компании корректируют стратегии запуска продуктов на рынке, и у них появилась возможность это делать на лету.




Роман Друзягин:

Компании чаще внутри развивают применение таких технологий или находят подрядчика? Насколько развит рынок агентств, занимающихся «умным» маркетингом?


Александр Сирач:

Рынок очень развит, но последние года три мы видим тренд в сторону развития собственной экспертизы. Внутри корпораций это стало происходить раньше, а теперь перекидывается и на средний бизнес. Это не значит, что завтра агентства станут не нужны, но компании поняли, что лучше них их бизнес-процессы, культуру, миссию никто не знает. Поэтому если раньше любили все скинуть на агентства, то сейчас важно построить собственную внутреннюю экспертизу.

Роман Друзягин:

Что подразумевается под экспертизой? Это специалист по маркетингу, который понимает, как адаптировать технологии, или люди, занимающиеся непосредственно внедрением технологий – data scientists, инженеры?


Александр Сирач:


КТО ОТВЕТИТ ЗА ИНФОРМАЦИОННУЮ БЕЗОПАСНОСТЬ КОМПАНИИ

Это абсолютно все департаменты, и важно, чтобы они взаимодействовали между собой. Когда ты занимаешься, например, поддержкой, у тебя должен быть контакт с любым департаментом, чтобы ты знал, к кому с тем или иным вопросом обратиться. Обладать всеми знаниями о компании кому-то одному невозможно, поэтому всегда должна быть слаженная работа – кто-то оптимизирует, кто-то внедряет, кто-то контактирует с потребителем.

Роман Друзягин:

С чего начать компании, которая не имеет такой экспертизы и опыта?


Александр Сирач:

Как всегда, любое решение начинается с постановки целей и задач. Задайте себе вопросы: зачем вы это делаете и что для вас важнее? Например, про управление репутацией: если вы видите, что про вас сотни тысяч сообщений и невозможно сразу со всем этим работать, начните с собственных страниц в соцсетях, а уж потом расширяйте задачи. Так и с любой задачей: если она суперобъемная, раскладывайте ее на части и стройте процессы, чтобы решить сначала чуть меньшую задачу, потом все шире и шире, и наконец прийти к решению первоначального вопроса.

Наталья Фефилова:

Какие еще примеры использования ИИ в маркетинге можно привести?


Александр Сирач:

Есть суперкейс у компании Nestle, а конкретно у бренда «Нескафе». У них была задача сделать федеральную кампанию с таргетингом по конкретным городам с контентом, интересным каждому городу. Появилась идея: посмотреть, о чем вообще в городах говорят, какие есть сленговые словечки, что является топом в обсуждениях. И потом сняли классный ролик ВКонтакте: на тетрадном листочке рисуются все эти сленговые словечки, картинки с тем, что сегодня на повестке, что интересно студентам, и в конце – «Нескафе». Затраты не нулевые, понятно, но минимальные: все, что нужно было – посмотреть, что присутствует в топе обсуждений, и реализовать. Тем не менее, никто до них не догадался так сделать, а ведь это могла позволить себе не только корпорация, но и средний бизнес.

Если вы видите, что про вас сотни тысяч сообщений и невозможно сразу со всем этим работать, начните с собственных страниц в соцсетях.

Еще один пример – KFC. Когда в Москве шла реновация, они мониторили все, что про нее говорится. Однажды утром московский метрополитен заявил: уважаемые граждане, рекомендуем не спускаться в метро, оно переполнено, ходите пешком. KFC среагировал через семь минут: они стали распространять простенькую картинку с бабушкой с картой метрополитена («Стоять в пробке в метро? Нет, пойду лучше курочку съем»). Они заявили, что рассмотрят возможность принимать карточки метро в своих ресторанах. Это им ничего не стоило, зато за день они получили охват порядка 12 млн просмотров. Такие штуки можно делать сегодня благодаря быстрому отслеживанию повестки дня.

Наталья Фефилова:
Вопрос, превратятся ли эти просмотры в деньги.

Александр Сирач:

Деньги всегда очень сложно измерить, но в данном случае к ним действительно многие заходили и спрашивали – у вас что, правда принимают карты метро?

Наталья Фефилова:

Если бизнес еще не задумался об использовании ИИ, какие у него шансы выжить на этом рынке?


Александр Сирач:

Минимальные. Надо начинать прямо сейчас. Тем более что это супердоступно, для среднего бизнеса уж точно.

Наталья Фефилова

Главный редактор DailyMoneyExpert.

Тренды в страховании в 2019 года 297
Искусственный интеллект в маркетинге: когда роботы победят? 1596
Особая ценность: почему яхты такие дорогие? 1797
Доллар за 70, евро за 80: чего ждать от рубля дальше? 3814