Маркетинг и машинное обучение: простота – ключ ко всему

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.

ml-01

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.

model

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.

Напишите нам по адресу sales@radario.co или позвоните по номеру 8 (800) 555-36-05 и мы расскажем вам обо всех возможностях по работе с данными, сегментированию аудитории, получению дополнительной прибыли и привлечению спонсоров, которые предоставляют решения Radario. Информацию о наших продуктах вы также можете найти здесь.

Оформляйте подписку на блог Radario и будьте в курсе всех наших новостей.