Машинное обучение и маркетинг

Машинное обучение (machine learning, ML) — это наука о вовлечении компьютеров в работу без предварительного программирования человеком. Система сама проводит анализ аудитории, составляет отчеты и корректирует данные о пользователе, даже если его предпочтения меняются каждую минуту. Веб-поисковики, возможность распознавания устной речи и рукописного текста, техника, изучающая геном человека — все это и есть машинное обучение.

Задачи, которые решает машинное обучение

Джеффри Нимерофф, ИТ-директор компании по маркетингу Zeta Global, выделил три направления автоматизации маркетинга, актуальные для ближайшего будущего:

• Автоматизированная визуализация данных становится богаче и удобнее для пользователя.
• Анализ поведения клиента. Теперь известно, какую форму контента предпочитает клиент: какими книгами он интересуется, какой стиль и жанр музыки слушает, на что подписан.
• Последовательное планирование шагов. Как только система выполнила один блок задач, из него сразу же формируется другой. Работа идёт беспрерывно.

Технология машинного обучения существует не одно десятилетие, но скачок популярности произошёл благодаря двум тенденциям:

• Увеличились объемы данных
• Машинное обучение стало доступным

Еще в каком-то 2016 году установка инфраструктуры и формирование команды специалистов стоили дорого, но все поменялось. IBM Watson, Microsoft Azure, Google и Amazon запустили облачные платформы машинного обучения. А стартапы Idibon, MetaMind, Dato и MonkeyLearn, на базе машинного обучения создали продукты, которые с успехом применяются в компаниях.

Внедрение машинного обучения

Старший научный сотрудник компании Google Грег Коррадо утверждает, что активное внедрение машинного обучения способно принести не меньше пользы, чем интернет. Благодаря машинному обучению в будущем нам не нужно будет разбираться в незначительных деталях процессов. Достаточно будет загрузить в систему данные, на основе которых она создаcт отчеты, требуемые для работы человека. Несмотря на то, что машинное обучение со временем может заменить сотрудников, вытеснив тем самым некоторые профессии, обратимся к положительной стороне вопроса.

Чем хорошо машинное обучение?

• Оно позволяет работать с большим объёмом информации. Технология не допускает ошибок и позволяет компаниям, которые уже накопили достаточное количество данных, приступить к их монетизации.
• Машинное обучение обладает широким спектром характерных возможностей: предоставление транзакционных и идентификационных данных, составление метрики приложений, хостов, виртуальных машин, серверов, составление данных на уровне пользователей, инфраструктурных и даже диагностических данных.
• Для бизнеса машинное обучение станет «технологией века» благодаря возможности решения сложных аналитических задач. Риски и детали, которые традиционные методы аналитики не выдают, теперь будут заранее известны. В будущем возможно будет просчитать, кто из потенциальных покупателей готов к покупке, кто хочет уйти, кому требуется дополнительная информация о товаре или услуге и т.д.

Сила машинного обучения

Основная сила машинного интеллекта в скорости и высокой эффективности обработки информации.

Как правило, в мире маркетинга ясна задача, но туманен оптимальный способ ее решения. Машинное обучение как раз находит технику, метод для решения задачи в зависимости от сложности. Многие маркетинговые компании используют передовые технологии машинного обучения, но простые или даже банальные техники тоже не стоят в стороне.

Вот примеры и тех, и других:

Прописанные диалоги для чат-ботов и автоматизация работы с клиентами

Боты и чат-боты представляют один из самых вездесущих методов искусственного интеллекта. Большинство ботов для маркетинга, которые вы видите, скопированы друг с друга и используют минимум слов, выражений и машинного обучения. Но есть и усложненные диалоговые системы, которые могут приспосабливаться к неординарным вопросам пользователя. На сегодняшний день лишь некоторые компании применяют чат-ботов для привлечения и проведения покупателей по всему жизненному циклу: от момента, когда пользователь впервые узнал о бренде до момента, когда совершил покупку или обратился в службу поддержки клиентов.

Кластеризация для сегментации пользователей

Кластеризация (или кластерный анализ) — это разбиение множества объектов на группы (кластеры). Внутри каждого кластера должны оказаться похожие по каким-то признакам объекты, но объекты разных групп должны быть максимально отличны.

Не все пользователи похожи друг на друга. Машинное обучение может помочь маркетологам сгруппировать аудиторию в динамичные группы для дальнейшей работы. Платформа Affinio`s, например, анализирует миллиарды пользовательских переменных и идентифицирует пользовательские интересы, основанные на активности в социальных медиа. Из собранных данных генерируется отчет о людях со схожими интересами. Так, вы можете выяснить, кто из ваших покупателей гурман, кто часами смотрит сериалы, а у кого одинаковые планы на отпуск.

Преобразование текста в речь (Text-to-speech или просто TTS) и преобразование речи в текст (Speech-to-text или STT) для усовершенствования голосового поиска

Искусственный интеллект с поддержкой голосовых диалогов, платформы с частичной или полной поддержкой голосового управления представляют новые возможности взаимодействия с пользователем в программном обеспечении и аппаратном интерфейсе.

Amazon Echo и Google Assistant используют цифровую помощь на основе голоса. Она позволяет пользователям делать покупки и искать необходимое без прикосновения к клавиатуре.

Классификация текста для понимания пользователя и персонализации

Используя обработку естественного языка, машинное обучение может исследовать голосовой или текстовый контент, затем классифицировать его на основе тона, настроения или темы, чтобы понять потребителя и отслеживать данные о нём. IBM Watson`s Tone Analyzer, например, может проанализировать фидбек покупателей и определить тон потребительских отзывов о товаре.

Компьютерное зрение для распознавания брендов

Компьютерное (или машинное) зрение — это быстро развивающаяся область искусственного интеллекта, которая имеет широкий спектр применения. Маркетологи могут использовать компьютерное зрение для распознавания и извлечения информации о пользователе из немаркированных изображений и видеозаписей.

Компания GumGum с помощью своего сервиса позволяет маркетологам разных брендов понять, например, где, когда и у кого в социальных сетях появился логотип вашего бренда. Причём, эти люди — рядовые пользователи или покупатели, не имеющие никакого отношения к бренду.

Технически подкованные маркетологи могут использовать такой API, как Clarifai, для модерации пользовательского контента. Например, настроить результаты выдачи по запросу или вывесить рекомендации, основанные на визуальном сходстве картинки или видеозаписи, которые опубликовал пользователь.

Автоматизированное графическое представление данных для составления отчетов

Изображение лучше передает информацию, чем текст. Искусственный интеллект справляется с задачей визуализации данных быстрее и эффективнее, по сравнению с обычным специалистом. Аналитики обычно используют такие инструменты как Exсel или Tableau для создания визуализаций, но автоматизированные аналитические решения, как у Qlik, централизуют источники данных и генерируют отчеты и полезные таблицы индикаторов, нужные для работы маркетологов.

Многие платформы сейчас используют аналитику данных и продвинутые алгоритмы машинного обучения, чтобы доходчиво разъяснять тренды рынка, поведение пользователей и другого рода информацию, которая скрыта от взгляда обычного пользователя.

Новые технологии машинного обучения

Машинное обучение уже зарекомендовало себя в области здравоохранения, а также при выявлении мошенничества. Новые технологии машинного обучения предназначены для того, чтобы создавать волны в сферах маркетинга. Вот некоторые компании, которые способны на такое своими нововведениями:

IBM Watson

Выше мы уже сказали про его способность анализировать тон контента. Но IBM Watson также объединяет Al с превосходными аналитическим программным обеспечением. IBM Watson - это полностью оптимизированная система ответов на вопросы, которые обрабатываются со скоростью 80 терафлопс (1 терафлопс = 1 триллион операций с плавающей точкой в секунду).

Spark

Это платформа, которая может рекомендовать лучших кандидатов на вакантные роли, используя сложный алгоритм. Добавляя множество требований, характеристик и предпочтений, встроенное приложение Spark обращается к другому программному обеспечению и возвращает лучших кандидатов в компании в порядке их пригодности.

Kafka

Позволяет брендам и предприятиям создавать приложения для потоковой передачи данных в реальном времени или интерпретации информации из различных источников. В настоящее время он используется LinkedIn для обработки более 1,4 триллионов сообщений в день, повышения эффективности и помощи в принятии критических решений на основе ценных данных.

Машинное обучение — хорошая умная штука

Она использует статистику, математику, лингвистику.

Но подождите!

Применять машинное обучение к бизнесу без понимания того, что действительно работает, а что нет, глупо. Действия вслепую могут причинить больше вреда (потраченное время, деньги), нежели пользы. Машинное обучение — не магическое заклинание или волшебная палочка, которая по хотению и без вашего разумения автоматически решит все трудности.

Однако запустить машинное обучение важно уже сейчас. Эксперты прогнозируют, что технологии машинного обучения и решения для сбора, хранения и «умного» анализа данных могут дать бизнесу заметный толчок и конкурентные преимущества в борьбе за пользователя. Единственный минус технологии машинного обучения — это её игнорирование.