Как поставить искусственный интеллект на службу маркетологу
Программное обеспечение Программное обеспечение

Как машинное обучение помогает выполнить KPI маркетолога? Какие преимущества поведенческого анализа может использовать бизнес?

Главная>Программное обеспечение>Будущее уже здесь: как поставить искусственный интеллект на службу маркетологу
Программное обеспечение Тема номера

Будущее уже здесь: как поставить искусственный интеллект на службу маркетологу

Дата публикации:
20.04.2023
Посетителей:
812
Просмотров:
777
Время просмотра:
2.3

Авторы

Автор
Константин Алексеев Эксперт центра машинного обучения компании «Инфосистемы Джет»

Как машинное обучение помогает выполнить KPI маркетолога?


Какие преимущества поведенческого анализа может использовать бизнес?

 

В распоряжении современных маркетологов находится огромный арсенал различных цифровых инструментов: от классических систем аналитики до сложного и непонятного искусственного интеллекта (Artificial Intelligence, AI).

 

Поговорим о том, как машинное обучение (Machine Learning, ML) нашло применение в маркетинге. Маркетологи начали смотреть в сторону средств ML и AI неспроста. Количество информации растет экспоненциально, так что без специализированных методов по работе с данными эффективно работать становится все сложнее. Особенно, когда планка эффективности с каждым годом задирается рынком выше и выше. 

 

Маркетологам в первую очередь интересно выполнение своих KPI — например, повышение откликов и вовлеченности, рост числа клиентов и снижение их оттока. Алгоритмы машинного обучения могут в этом помочь. Они позволяют делать три основные вещи:

 

  • Работать с Big Data, чтобы лучше понять своих клиентов и, как следствие, улучшить маркетинговые стратегии.
  • Проводить предиктивную аналитику поведения клиентов для оценки важных метрик, например, LTV (Lifetime Value, вся прибыль от клиента за тот период, пока вы с ним работаете).
  • Давать рекомендации по корректировке действий в реальном времени, например, для увеличения чека клиента.

 

Кластеризация, сегментация и поведенческий анализ

 

Но что конкретно может машинное обучение в применении к работе маркетологов? ML-методы успешно решают ряд важных задач:

 

  • Кластеризация — «умное» разбиение пользователей на кластеры с помощью специальных алгоритмов на основе всевозможной информации: демографии, истории покупок, предпочтений и т. д., из которых можно почерпнуть большое количество важных инсайтов. В дальнейшем инсайты помогут скорректировать общие стратегии по работе с клиентами.
  • Динамическая сегментация — по факту то же самое, что и кластеризация, но проводится почти в реальном времени и вместе, например, с рекомендательными системами и динамическим ценообразованием позволяет предлагать пользователям оптимальные цены.
  • Предиктивная (поведенческая) аналитика — позволяет определять тенденции пользователей и на основе этой информации оптимизировать дальнейшие стратегии и кампании.

 

В теории все это звучит довольно загадочно и сложно. Давайте посмотрим на реальные кейсы и постараемся оценить их эффект. 

Кейс № 1. Банк

 

Крупный российский банк попросил нас провести кластеризацию отделений по эффективности, чтобы получить рекомендации по открытию или закрытию отделений. Были получены следующие данные: 

 

• информация о местонахождении;

• различные показатели того, что происходит в окрестностях отделения;

• количество станций метро в окрестности;

• количество реальных рабочих мест и другие. 

 

В качестве целевой переменной для кластеризации был использован показатель человекопотока в окрестностях отделения. 

 

Когда кластеризация отделений была проведена, получилось несколько кластеров, каждый из которых хорошо интерпретировался. Например, отделения, которые расположены в центре города, оказались в одном кластере, так как там самый высокий человекопоток и большое количество рабочих/культурных мест. Но также там находится большое количество отделений банков-конкурентов, а следовательно, открывать там новые точки — не самая лучшая идея. Например, мы выяснили, что офис, расположенный в центре, должен демонстрировать высокие показатели, но на деле оказалось, что, по-хорошему, его надо закрыть. 

 

Однако в полной мере решить задачу не удалось — не было предоставлено важных данных об экономической эффективности отделений, а также портрет клиента. Пришлось использовать косвенные признаки (человекопоток). Тут и проявилось первое важное ограничение на применение ML-методов: критически важно качество данных. Но об этом чуть позже.

Кейс № 2. Магазин косметики

 

Задача, с которой крупный косметический ритейлер обратился к нам: повысить объем продаж с помощью ML-инструментов.


Требовалось:

 

- Выявить клиентов, которые могут потенциально вернуться в магазин за покупкой в течение двух недель.

 

- Разработать маркетинговые акции для таких клиентов, чтобы повысить вероятность посещения магазина и совершения покупки.

 

В качестве входных данных для обучения модели ML выступили: 

 

• транзакционные данные по продажам (чеки);

• информация о том, кто является держателями дисконтных карт; 

• номенклатура;

• данные о складах и магазинах. 

 

В качестве целевой переменной, которую необходимо было предсказать, выступал показатель возвращения или невозвращения покупателя. Затем клиентам, которые могли вернуться в магазин, делали персонализированные предложения, основываясь на их предыдущих покупках.

 

В результате была разработана модель, которая с высокой точностью определяла целевую группу клиентов. На эту группу приходится весомая часть доходов магазина, поэтому дополнительное воздействие на нее — в интересах бизнеса. Сейчас мы с клиентом считаем экономический эффект, поэтому пока конкретных цифр нет.

Кейс № 3. Аптечная сеть 

 

Еще один кейс расскажет о важности сегментации. На основе данных об участниках программы лояльности и учетных систем для региональной сети аптек провели сегментацию клиентов. Сегментация основывалась на информации о покупках клиентов (тратят часто и много; тратят редко и много; тратят средне и не очень часто и т. д.). По ее итогам было решено перевести клиентов из смежных сегментов в более выгодные для бизнеса, применяя различные стратегии. 

 

Например:

 

• Клиентов, у которых большой чек, но они не слишком часто посещают аптеки, было необходимо удержать. 

• Клиентов, которые много тратят и часто посещают аптеки, было необходимо поддержать путем различных программ лояльности.

• Клиентов, у которых стабильный средний чек относительно частоты, было необходимо развивать, то есть путем повышения лояльности увеличить средний чек и/или частоту посещения. 

 

В ходе сегментации выявили группу клиентов-«инопланетян», которую необходимо было изучить. Такие клиенты очень часто совершали покупки на довольно большие суммы, но отнести их к существующим группам не удавалось. Возможно, это были люди, которые передавали свои карту лояльности третьим лицам. 

Кейс № 4. Гипермаркет

 

Рассмотрим еще одну классическую задачу — оптимизацию маркетинговых стратегий для крупного гипермаркета. На основе данных о покупках клиентов и рекомендаций требовалось максимизировать конверсию. Таким образом, стояла задача из раздела «оптимизация». С помощью методов машинного обучения нужно было предсказать, какая будет конверсия, и с учетом этого предсказания решить задачу оптимизации — максимизировать конверсию, изменив рекомендации для клиентов. Методы ML отлично помогают решить эту задачу, позволяя учитывать специфику конкретных данных.

В результате удалось увеличить конверсию от 30 до 50% в зависимости от канала коммуникаций в сравнении с предыдущими стратегиями.

Качество данных, этика и безопасность

 

Методы машинного обучения уже приносят пользу для бизнеса. Но существует ряд требований и ограничений, о которых надо знать. 

 

Необходимы качественные данные, но они есть далеко не во всех компаниях. Поэтому ML-методы идут бок о бок с сервисами по сбору и обработке данных.

 

Так как компании начинают собирать больше и больше данных о своих клиентах, всегда есть опасность того, что эти данные будут украдены и использованы в корыстных целях. Вспомним, например, о недавней утечке «Яндекс.Доставки», в рамках которой были слиты в открытый доступ данные о заказах, номера телефонов и адреса клиентов. Яндексу был назначен штраф, и, конечно же, такие ситуации — мощный антипиар.

 

Существует этическая сторона вопроса: люди стали больше переживать о том, что с помощью AI они получают полезные советы и рекомендации исходя не только из своих действий на текущем сайте, но и всех своих действий в целом. Люди не хотят, чтобы за ними следили с помощью AI. То есть для оптимального внедрения данных методов необходимо найти золотую середину между полезными советами, основанными на действиях пользователей на конкретном ресурсе, и «слежкой» за их поведением. Сюда можно включить и проблему идентификации пользователей: например, иногда несколько покупателей используют одну и ту же карту лояльности, а это портит рекомендации.

 

Нейросеть, чат-боты и компьютерное зрение

 

Появляется все больше новых решений, которые можно использовать в маркетинге.

 

  • Различные стартапы, например, gumgum, используют средства компьютерного зрения и видеоаналитики для анализа рекламных и развлекательных роликов, чтобы узнать, будет ли это видео иметь успех, а также, чтобы дать рекомендации, что нужно изменить в сюжете или в подаче материала.
  • Некоторые компании с помощью средств обработки естественного языка (Natural language processing, NLP) разрабатывают чат-ботов, которые могут поддерживать диалог с пользователем. Так время ответа сокращается до минимума.
  • Не так давно вышла нейросеть DALL•E 2, которая позволяет генерировать изображения по запросу предложения. Нейросеть может очень сильно облегчить жизнь маркетологам при выборе нужного изображения для статей. Сформулировав запросы к изображению, можно получить неплохое начальное приближение, а иногда — уже готовую иллюстрацию. Например, недавно журнал Cosmopolitan использовал DALL•E 2 для создания обложки своего журнала. 

Резюме

 

Учитывая стремительное развитие искусственного интеллекта, можно предположить, что в будущем без AI и ML не будет работать ни одна маркетинговая кампания. Искусственный интеллект станет неотъемлемой частью любой работы с данными. 

Уведомления об обновлении тем – в вашей почте

Тестировщик отвечает за продукт наравне с разработчиком

Почему послойный дизайн тестов — это новый стандарт проверки ПО и как его внедрить

Разделение на департаменты больше не имеет смысла, ИТ и бизнес должны работать вместе

Как с помощью машинного обучения предсказать продажи с точностью 90% в интервью JETINFO рассказывает Александр Соколовский, СТО российской сети Leroy Merlin.

Анализируй это, или Тренды рынка BI

Как Артур Конан Дойл описал ожидания от работы BI за 100 лет до его появления.

Эволюция средств защиты от атак

Первое известное мне упоминание идеи и принципов работы сигнатур для обнаружения сетевых атак датировано 1987 г.

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





    Спасибо!
    Вы подписались на обновления наших статей
    Подписаться
    на тему







      Спасибо!
      Вы подписались на обновления наших статей
      Оформить
      подписку на журнал







        Спасибо!
        Вы подписались на обновления наших статей
        Оформить
        подписку на новости







          Спасибо!
          Вы подписались на обновления наших статей
          Задать вопрос
          редактору








            Оставить заявку

            Мы всегда рады ответить на любые Ваши вопросы

            * Обязательные поля для заполнения

            Спасибо!

            Благодарим за обращение. Ваша заявка принята

            Наш специалист свяжется с Вами в течение рабочего дня