Вход или регистрация
Если вы организовываете события и хотите больше узнать о нашей системе — просто оставьте заявку и мы свяжемся с вами в самое ближайшее время.
Контакты

Для покупателей

+7 (800) 555-36-05
support@radario.co

Помощь для организаторов
+7 (800) 555-36-05 (доб. 6)
+7 (812) 313-21-39 (доб. 3)
help@radario.co

Отдел продаж
+7 (800) 550-61-53
sales@radario.co

Мы отвечаем на заявки ежедневно с 11:00 до 20:00 (мск)

Для корреспонденции и личных встреч:
Санкт-Петербург, 10-я линия ВО, д.59. офис 67
Москва, ул. Красная Пресня, 6/2с1


Маркетинг
и машинное обучение:
простота – ключ ко всему
11 МАЯ 2017
Машинное обучение (machine learning, ML) не будущее, а реальность – эти технологии уже применяются в десятках сфер и отраслей, помогают автоматизировать и оптимизировать работу с данными. Не стал исключением и маркетинг, который переживает очередную трансформацию в современных цифровых условиях. О том, чем стало продвижение товаров и услуг (к которым можно отнести и события) в мире, основанном на данных, рассказывает бизнес-аналитик, эксперт в области digital-технологий и машинного обучения Прянк Мохан – публикуем выдержки из его статьи.
Сейчас прекрасное время для работы в отделе маркетинга, так как в условиях современного информационного мира маркетинг приобретает все большую значимость в большинстве организаций. Но это означает еще и то, что жизнь маркетолога стала сложнее, несмотря на все инструменты, имеющиеся в его распоряжении.
В мире маркетинга обычно ясно, что требуется сделать, но не всегда ясно, как сделать это оптимальным способом.
Специалистам по маркетингу приходится решать множество проблем: как вырваться вперед в условиях жесткой конкуренции; как повысить лояльность покупателей; переориентация бизнеса с продукта на клиента; насыщенность социальных сетей, где каждый сейчас является поставщиком контента; как лучше понимать покупателя; как оправдать рентабельность инвестиций внутри компании; как идти в ногу с технологиями и т.д. Список можно продолжать и продолжать. В мире маркетинга обычно ясно, что требуется сделать, но не всегда ясно, как сделать это оптимальным способом.


Могут ли маркетологи сделать что-нибудь другое для решения этих проблем?
Да, и решение некоторых задач подскажет машинное обучение, самое время всерьез задуматься об этом! По мере того, как мы двигаемся от мира, основанного на гипотезах, к миру, основанному на данных, мы понимаем – теории больше не нужны. В принятии практических решений нужно основываться на данных. Я не имею в виду самостоятельное прочтение и переваривание сотен отчетов. Я имею в виду те данные, по результатам анализа которых вы получите руководство к конкретным действиям, а этого можно достичь лишь с помощью машинного обучения.
По мере того, как мы двигаемся от мира, основанного на гипотезах, к миру, основанному на данных, мы понимаем – теории больше не нужны.
Если компании делают ставку на создание самоуправляемых автомобилей с использованием машинного обучения, то я уверен, что ML может и вам помочь в решении некоторых проблем. Многие считают привлечение машинного обучения в маркетинге одной из важнейших инновационных возможностей для маркетологов, потому что теперь данных больше чем когда-либо, и человек не может обработать и проанализировать их без использования этих технологий. Безусловно, машинное обучение не может решить все ваши проблемы, но оно предоставит вам логичные способы решения многих вопросов маркетинга.


Итак, почему все сейчас говорят о машинном обучении?
Машинное обучение – это отдельная ветвь искусственного интеллекта (artificial intelligence, AI). Говоря простым языком, эта технология используется в разработке компьютерных программ со способностью самостоятельно развиваться и совершенствоваться при внесении новых данных. ML – своего рода интеллектуальный помощник, который обращается к таким областям, как искусственный интеллект, статистика, интеллектуальный анализ данных и оптимизация.

В действительности, технология машинного обучения существует не одно десятилетие, но феноменальному росту ее популярности в значительной степени поспособствовали две тенденции:

  • Большие объемы данных. Чем больше данных. тем полезнее и актуальнее становится машинное обучение.
  • Доступность. Еще несколько лет назад технологии машинного обучения были недоступны для маркетологов: установка инфраструктуры и формирование команды специалистов стоили очень дорого. Раньше для успешного использования ML требовались созданные по заказу алгоритмы и огромные расходы, но все поменялось. IBM Watson, Microsoft Azure, Google и Amazon запустили облачные платформы машинного обучения «под ключ». В то же время такие стартапы, как Idibon, MetaMind, Dato и MonkeyLearn, создали продукты на базе машинного обучения, которые могут с успехом применяться в компаниях.


Какие изменения, связанные с машинным обучением, происходят в профессиональной среде?
Крупные сделки были заключены стартапами машинного обучения в области рекламы, продаж и маркетинга: Oracle приобрела Crosswire за $50 млн; Twitter приобрел TellApart, заплатив более $530 млн, Google приобрел систему управления маркетингом Granata Decsion Systems и израильскую компанию Unicorn Ironsource, объединенную с рекламным стартапом Supersonic, и это лишь немногие из приобретений. Такие стартапы машинного обучения в маркетинговом пространстве, как Appier (кросс-девайс маркетинг), Databerries (поток покупателей в магазине), Drawbridge (кросс-девайс реклама), Emarsys (персонализация контента), Lattice Engines (прогнозная оценка потенциальных клиентов), Oculus360 (платформа маркетинг-анализа) и Personali (использует ML для налаживания эмоциональной связи с клиентами) получили финансирование на десятки миллионов долларов.
Глубокое обучение – наиболее современная ветка машинного обучения, вдохновленная строением человеческого мозга. Это самая современная тенденция в машинном обучении, о чем говорят приобретения Amazon (Orbeus), Facebook (Wit.AI), Google (Dark Blue Labs, Deep Mind, DNNresearch), IBM (alchemyAPI) and Microsoft (SwiftKey).
Глубокое обучение было использовано компанией Google в качестве базовой технологии при разработке искусственного интеллекта DeepMind. Основные игроки рынка программного обеспечения активно соревнуются за получение технического превосходства. Даже Salesforce.com выпустил свой продукт машинного обучения под названием Einstein, а Adobe объявила о внедрении машинного обучения в свои продукты.
Как машинное обучение может быть полезно маркетологу?
Предвидение потребностей клиентов – далеко не новое явление. Качественно новой является способность автоматически реагировать на эти потребности в реальном времени и в полном масштабе благодаря машинному обучению. Наиболее распространенными примерами использования ML в маркетинге являются:

  • Поиск и прогнозирование наиболее и наименее ценных клиентов с точки зрения LTV или их «жизненного цикла»;
  • Создание образов на основе клиентских кластеров и создание для них соответствующего контента и услуг;
  • Рекомендация новых продуктов и контента с наибольшими перспективами покупки;
  • Тестирование множества возможных маршрутов, по которым потребители могут пройти после пользования контентом;
  • Покупка программируемой рекламы;
  • Оптимизация интереса клиентов с помощью персонализации контента;
  • Предварительная оценка потенциальных клиентов.


Вместо заключения

Мы уже писали о том, как машинное обучение применяется в ивент-отрасли, а также об успешном опыте Radario по внедрению этой технологии в маркетинговую платформу для построения рекомендованных сегментов аудитории. Нужно понимать, что ML – это то, что уже совсем скоро станет стандартом для систем автоматизации любого клиентского бизнеса. Эксперты прогнозируют, что именно технологии машинного обучения и решения для сбора, хранения и «умного» анализа данных могут дать бизнесу в индустрии развлечений заметный толчок и конкурентные преимущества в борьбе за зрителя. Анализ предпочтений, продвинутое сегментирование аудитории и динамическое ценообразование – те три кита, на которых будет держаться ивент-отрасль уже в ближайшем будущем.


Читайте также