Як Штучний Інтелект Реально Автоматизує Маркетингові Рішення

Від статичних правил до навченої поведінки

Раннє маркетингове автоматизація базувалася на статичних правилах: якщо клієнт покинув кошик, відправлялося електронне повідомлення через три дні. Кожне правило було написане вручну, і охоплювало лише ті випадки, які люди передбачили.

Системи штучного інтелекту замінюють фіксоване правило навченим моделлю. Замість написаного вручну правила ‘якщо-то’, система аналізує поведінкові дані – перегляди сторінок, історія покупок, тривалість сесії, послідовності кліків – та вивчає закономірності, які прогнозують, що ймовірно зробить клієнт. Результатом є постійно оновлювана ймовірність (ймовірність покупки, відтоку або відповіді на певну пропозицію), а не статичний сегмент, і кампанії будуються на основі цих ймовірностей.

Потік даних: збір, очищення, навчання, розгортання

Робоча система складається з чотирьох етапів. По-перше, збір даних відбувається шляхом вилучення інформації з CRM-систем, веб-аналітики, соціальних платформ, інструментів для електронної пошти та даних про продажі офлайн – все це об'єднується в одне місце. По-друге, очищення даних передбачає видалення дублікатів і помилок, а також стандартизацію форматів – неякісні дані є найпоширенішою причиною низької продуктивності подібних систем у реальних умовах.

По-третє, алгоритм обирається на основі поставленої задачі та навчається на очищеному наборі даних: для рекомендацій продуктів використовується метод спільної фільтрації, для сегментації клієнтів – кластеризація, а для прогнозування вартості покупок – регресія. По-четверте, навчений модель інтегрується в платформу автоматизованого маркетингу (Salesforce Marketing Cloud, Marketo, ActiveCampaign), яка виконує фактичні розсилки, розміщення реклами або персоналізацію веб-сайту на основі вихідних даних моделі.

Жоден з цих етапів не є одноразовою установкою. Система постійно моніторить показники кліків, конверсії та залученості в режимі реального часу і безперервно перенавчається або коригує ваги – це замкнутий цикл, а не статична кампанія, яка запускається і чекає на перевірку результатів людиною.

Основні алгоритми

Співпраці фільтрування рекомендує товари на основі того, що робили схожі користувачі – це основа як Netflix, так і Amazon Рендінг систем рекомендацій, і не потребує розуміння самого контенту, лише закономірності їх спільного використання між користувачами. Контентне фільтрування, навпаки, порівнює товари за власними атрибутами (жанр, категорія, ціновий діапазон) з відомими вподобаннями користувача.

Алгоритми кластеризації групують клієнтів у сегменти на основі поведінкової подібності, без попереднього визначення людиною того, які саме сегменти повинні бути. Моделі регресії прогнозують безперервне значення – очікувана сума покупок, ймовірну тривалість цінності. Навчання з підкріпленням дозволяє системі випробовувати різні варіанти (заголовки електронних листів, ставки, час пропонування) та коригувати їх на основі того, які варіанти дають більше перетворень, як це використовується для навчання агентів-гравців.

Як це реалізується в роботі

Netflix використовує алгоритм спільного фільтрування на основі історії переглядів, оцінок та контексту (жанр, час доби), що приписується збільшенню середнього часу перегляду приблизно на 15% і зменшенню відтоку клієнтів на близько 8%. Amazon'ї рекомендації товарів, побудовані на поєднанні спільного та контентно-орієнтованого фільтрування, а також глибокого навчання, повідомляють про те, що вони відповідають приблизно за 35% від загального доходу компанії – рекомендації там не є додатковою функцією, а є основним каналом продажів.

Sephora запускає чат-бот на базі обробки природної мови (NLP) у Facebook Messenger, який відповідає на питання про косметику, використовуючи тип шкіри та історію покупок клієнта; компанія повідомляє про збільшення залучення користувачів на 20% завдяки цьому. Bank of America використовує віртуального помічника Erica, який застосовує той самий підхід до обробки природної мови для питань щодо банківських послуг та сповіщень про транзакції, а банк приписує зниження обсягу дзвінків у кол-центр на 25% завдяки йому. Coca-Cola використовує прогнозування для динамічного ціноутворення, коригуючи ціни залежно від місцезнаходження та прогнозів попиту в своїй дистрибуційній мережі.

Де виникають проблеми

Найбільш поширений спосіб невдачі – це погані вхідні дані, а не погальний алгоритм. Модель, навчена на неповних, дублікованих або невідповідно відформатованих записах, буде генерувати впевнені, але неправильні прогнози. Оскільки система діє автоматично, ці помилки поширюються у великому масштабі, перш ніж хтось це помітить.

Алгоритмічні упередження – друга найпоширеніша проблема: модель, навчена на історичних даних про клієнтів, відтворюватиме будь-які існуючі патерни виключення або спотворення в цій історії. Надмірне покладання на автоматизацію без етапу перевірки людиною посилює обидві проблеми, оскільки система не має вбудованого механізму для виявлення систематичної помилки – вона бачить лише зміни конверсії вгору чи вниз, а не причину.

Рекомендаційний движок Amazon – на основі спільного фільтрування плюс глибоке навчання – згідно з повідомленнями, генерує близько 35% доходу компанії.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.