Есть такая шутка: хорошая автоматизация – это когда юзер не делает вообще ничего. Шутка она потому, что так не бывает. Все равно часть работы нужно сделать руками либо до, либо во время использования сервиса. Но мы искренне надеемся, что когда-нибудь так будет, в том числе и благодаря ИИ. В этой статье хотим поделиться своими мыслями на тему ИИ и узнать про ваш опыт.
Сегодня мы хотим поговорить о том, чем не является ИИ, как он реально используется в маркетинге сегодня и как его хотим использовать мы (мечты, мечты).
AI, ML и DL
Часто публикации в сети на тему ИИ сопровождаются картинкой вроде той, что ниже. На ней изображено существо-андроид, обладающее разумом, который быстрее-выше-сильнее человеческого. Например, существо может лучше человека играть в шахматы.
Мы считаем, что такая визуализация неверна. Более того, вредна. ИИ, скорее, можно представить как некие вычислительные мощности, настроенные на решение конкретных прикладных задач. Решение более быстрое, чем в ручном режиме, и часто более качественное. Но не всегда.
ИИ «очеловечивают», так как он решает «человеческие» задачи, требующие обобщения и переработки большого количества информации.
Нам нравится определение Британской Энциклопедии:
Искусственный интеллект (ИИ, AI) – способность цифрового компьютера <…> выполнять задачи, обычно связанные с разумными существами. Этот термин часто применяется к проекту разработки систем, наделенных интеллектуальными процессами, характерными для людей, такими как способность рассуждать, открывать смысл, обобщать или извлекать уроки из прошлого опыта.
Одним из методов AI является машинное обучение (machine learning, ML). Оно помогает обучить систему решению задачи с помощью выявления эмпирических закономерностей в ряде прецедентов решения. Однако не все AI-технологии подразумевают машинное обучение, поэтому понятия не являются синонимами.
Внутри машинного обучения выделяется отдельная группа методов – deep learning (DL). Это более сложная и многоуровневая методика обучения. Входная информация пропускается через несколько уровней оценки разнородных параметров информации. На DL, в частности, основана работа глубинных нейронных сетей для распознавания изображений, мы будем упоминать ее в статье.
Сферы применения ИИ в маркетинге
1. Персонализация предложений. Это одно из наиболее очевидных и ранних направлений использования ИИ. Статистику о покупках системе анализировать просто, данные из счетчиков статистики и баз зачастую неплохо структурированы. С помощью ИИ персонализируют свои продуктовые предложения Hoff, «Эльдорадо», «Подружка», «220 вольт» и многие ритейлеры в России.
2. Предиктивная аналитика. Она тесно связана с персонализацией, но не ограничивается продуктовыми предложениями, а выполняет широкий круг задач:
прогнозирование действий потребителей для увеличения конверсии и снижения рисков;
прогнозирование бюджетов компаний, рекламных затрат;
сегментацию клиентов на основе различных переменных;
выявление скрытого потенциала.
3. Коммуникации. На наш взгляд, для ритейла большее значение имеют умные чат-боты, нежели голосовое управление. Наиболее часто боты используются в банковских приложениях, сервисах такси, каршеринга и подобных с большим количеством обращений. Чат-боты на основе ИИ отличаются от обычных лучшим умением распознавать смысл вопросов и более «человеческими» ответами.
4. Генерация контента.
Изображения. Генеративно-состязательная нейросеть StyleGAN от компании Nvidia умеет создавать реалистичные портреты людей, котов, лендинги несуществующих стартапов и даже упоротых Гомеров Симпсонов. Хотя мы, конечно, ждем, когда она научится создавать рекламные креативы.
Видео. С помощью ИИ-технологий создаются персонализированные видеоролики, подходящие под каждый сегмент аудитории отдельно. Яркий пример – IBM Watson Advertising Accelerator, который анализирует сотни переменных после чего из отдельных частей собирает ролик (фон, образы, заголовки и пр.), который подействует на ЦА лучше всего.
Тексты. AI справляется с ними хуже, чем с изображениями, и пока не может заменить людей. Хотя отлично генерирует идеи для контента. Очень известны языковые нейросети GPT-3 (английский язык) и ruGPT-3 (русский язык).
5 интересных кейсов применения искусственного интеллекта в маркетинге
1. AI-стилист Thread
Это старый, но довольно показательный кейс из ритейла. Нам он очень нравится потому, что не ограничивается персонализированными рассылками для покупателей интернет-магазина одежды (что уже мейнстрим), а идет дальше: учитывает цвета, фасоны, размеры и даже собирает целостные образы.
При первом посещении сайт просит пользователя ввести ряд данных о своем росте, весе, предпочтениях по стилю, стоимости вещей и др. На начальном этапе в процессе участвуют стилисты, которые собирают образы для покупателей.
После этого подключается алгоритм, который компания назвала Thimble. Он выбирает наиболее подходящие предметы одежды от огромного числа поставщиков. В дальнейшем система учится на покупках, отказах и обратной связи от клиентов.
2. Контроль работы мерчендайзеров Carlsberg Group
На отчетность, предоставляемую выездными мерчендайзерами по результатам визита в точки продаж, сильно влиял человеческий фактор. Поскольку отчетные анкеты заполнялись вручную, в них было много неточностей и ошибок.
Заполнение анкеты было заменено на фотографирование полок с товаром. AI оценивает качество фото и распознает данные с них: составляет перечень товаров, оценивает правильность выкладки, считает долю товаров бренда по отношению к конкурентам. По итогам анализа считаются KPI сотрудника, рассчитывается бонусная часть его зарплаты и принимаются решения по изменению ассортимента.
Система работает на основе технологии SmartMerch от «ИНФОТЕК», которая использует обученные глубокие сверточные нейронные сети.
Image Recognition сочетается с предиктивной аналитикой, не только просто выдавая числовые данные, но и анализируя их, а также предоставляя прогнозы и рекомендации.
По информации от Carlsberg Group, технология позволила увеличить продажи на 6% за полгода, сократить операционные затраты на 6,6%, исключить человеческие ошибки и улучшить систему мотивации сотрудников.
Сервисы на основе Image Recognition от SmartMerch используют и другие бренды: Borjomi, Beluga, Heinz, «Савушкин продукт» и др.
3. Персональный кэшбэк Tinkoff
Этой технологии уже год, и наверняка многие из читающих эту статью знакомы с ней на собственном опыте. Банк столкнулся с тем, что количество предложений кэшбэка от партнеров для каждого клиента достигло 300 и люди просто не пересматривали все позиции, чтобы выбрать понравившиеся. Показ всего подряд был явно неэффективен.
Алгоритмический кэшбэк от Tinkoff собирает наиболее релевантные кэшбэк-предложения и добавляет их в «Рекомендуемое». Выбор основывается на совершенных ранее транзакциях и новых появляющихся предложениях. Система помогает и партнерам, предсказывая вероятность покупки тех или иных товаров или брендов.
В сервисе используется модель machine learning Mult-VAE. Представители бренда заявляют, что в текущем виде она работает без дополнительного обучения, так как multi-hot-векторами для нее являются сами пользователи с их транзакциями.
4. Автоматическая оценка недвижимости «ДомКлик»
Для подтверждения заявки от клиента необходима проверка стоимости недвижимости на вторичном рынке. Ранее для этого «ДомКлик» сотрудничал с подрядчиками, однако это увеличивало время заключения сделки и иногда вызывало ошибки. AI-система расчета цены квартиры от «Сбера» учитывает цены в объявлениях сервиса и суммы ипотечных сделок.
Технология работает в 2 этапа:
Система подбирает похожие дома и предсказывает, во сколько раз будет отличаться цена за квадратный метр в них. Формируется набор признаков, используемых в дальнейшем для точного расчета: средняя цена с поправочным коэффициентом, среднее отклонение в цене у аналогов, средний спред. Построение выполняется с помощью библиотеки CatBoost;
Выполняется финальный расчет цены с помощью модели, обученной по LightGBM.
Результатом внедрения технологии, по словам «Сбера», явилось ускорение оценки, повышение ее точности и рост количества одобренных заявок на 8%.
5. Умный подбор вакансий Head Hunter
Ранее вакансии предлагались соискателю на основе текстового анализа его резюме. Однако точность была невысокой, что в конечном итоге привело к снижению продаж публикаций вакансий.
Новое ML-решение для портала hh.ru анализирует суть резюме и вакансий и учится на похожих соискателях и работодателях. Технология Natural language processing позволяет учитывать смысл резюме, вакансий, запросов, а отдельная рекомендательная система осуществляет подбор. Разработка привела к росту соискателей в 1,3 раза и помогла повысить продажи размещения вакансий на 39,7%.
«Это все, конечно, классно, но внедрять не будем»
Почему не все компании используют ИИ? По нашему опыту, на то есть 4 причины. Некоторые из них мешают и нам, что уж тут скрывать.
Завышенные ожидания. Как раз эта проблема вытекает из представления об ИИ как о сверхразуме, о чем мы говорили в начале статьи. Некоторые менеджеры считают ИИ полноценной заменой экспертам-аналитикам, маркетологам, копирайтерам и пр. Однако в реальности искусственному интеллекту можно доверить в первую очередь простые, рутинные задачи.
Недоверие. Эта причина вытекает из первой: когда становится понятно, что AI-технология требует настройки и отладки, руководители не решаются доверить привычные функции сотрудников механизмам. Страх подкрепляется тем, что в процессе настройки система часто показывает очень странные данные: например, нейросети для текстовых описаний в первое время отдают дичь. Любой AI-технологии надо дать время и грамотно настроить перед массовым запуском.
Нехватка кадров. Для AI требуются профильные разработчики и дата-саентисты, понимающие принципы настройки, оптимизации алгоритмов машинного обучения, а также менеджеры, разбирающиеся в сути вопроса и уже ни раз проходившие всю процедуру внедрения. А чтобы их нанять, желательно, чтобы и рекрутер хотя бы немного был в теме. Короче, все сложно.
Плохое качество исходных данных. И даже если специалистов наняли и у всех одинаковые ожидания, проблема может возникнуть на этапе начала обучения. Системе нужны очищенные и структурированные исходные данные, однако ни одна компания не готова сразу предоставить таковые. В информации из корпоративной базы данных или системы статистики зачастую есть шумы и выбросы – значения, выходящие за пределы допустимых диапазонов, и пропуски. Поэтому этап подготовки данных (Data Preparation) может занимать до 80% времени работы над автоматизированной AI-системой и нет гарантии, что он завершится успешно.
Наше мнение
Нам интересны AI-технологии, особенно в сфере автоматизации контекстной и таргетированной рекламы. При этом мы считаем, что к ним нужно относиться здраво и трезво:
не ожидать от них слишком многого;
четко понимать порядок внедрения;
отдавать конкретные, рутинные, автоматизируемые задачи;
не стрелять из пушки по воробьям, то есть не отдавать те задачи, которые решаются при помощи обычных программ;
быть готовым к длительному обучению AI-системы;
обладать компетенциями в области AI и ML.
И немного размышлений. Написание рекламных объявлений в Click.ru – у нас сейчас ручная задача, требующая привлечения копирайтеров. Люди анализируют УТП компании и объявления конкурентов, чтобы создать привлекающие внимание тексты. Однако когда-то это может стать идеальной задачей для ИИ, ведь входные данные довольно конкретны (например, выгрузки слов и объявлений конкурентов из нашего автоматизированного сервиса) и их легко получить. Доучивать систему можно в том числе и по обратной связи от пользователей, например от тестовой группы участников нашей партнерской программы. Конечно, для них за такую помощь могут полагаться плюшки и бонусы.
Еще одно направление, куда можно было бы внедрить AI, – автоматическое изменение параметров таргетинга на основе анализа данных об аудитории и эффективности рекламы. Однако пока непонятна целесообразность внедрения сложных решений, если простые работают неплохо. Да и алгоритмы самих рекламных систем нормально справляются.
А у вас есть опыт создания автоматизированных сервисов для рекламы на основе ИИ? Будем благодарны, если поделитесь в комментариях.