Искусственный интеллект (ИИ) больше не является футуристической частью научно-фантастического мира. На сегодняшний день технологии искусственного интеллекта достигли такого уровня, что зачастую являются преградой для работы маркетологов. Из-за сложной экосистемы ИИ уже нарушает основные функции, включая таргетинг рекламы, анализ медиафайлов, создание контента и моделирование поведенческой склонности к потреблению. В этой статье вы узнаете пять способов того, как избежать определяющих ошибок и эффективно внедрить инструменты ИИ.
Как уже было замечено ранее, использование ИИ в маркетинге и рекламе стремительно растет. Согласно опросу Salesforce, проведенному в декабре 2018 года, освоение ИИ специалистами с 2017 года выросло на 44%. Исследование также показало, что процент маркетологов, использующих или планирующих использовать AI в течение следующих двух лет, увеличится в среднем на 257%. На данный момент ИИ в маркетинге применяется, как правило, в четырех основных областях: сегментация потребителя, внедрение инструментов коммуникации, настройка и активация медиа согласно поведению потребителя и, конечно же, аналитика.
Сегментация: ИИ может исследовать различные сигналы, включая исторические тренды, поведение и намерения потребителей, чтобы понять, кого лучше таргетировать.
Поддержка коммуникации: ИИ может создавать более динамичные инструменты коммуникации, такие как обмен сообщениями через чат-бота, электронную почту или другой канал. Это используется для удержания клиента или как инструмент убеждения в момент покупки (CRM).
Активация мультимедиа: анализируя поведенческие и исторические данные от первого лица, ИИ может помочь определить правильный набор каналов в определенный промежуток времени.
Аналитика: на основе анализа поведенческих данных ИИ дает маркетологам возможность создавать более эффективные стратегии.
Совет 1. Определите цель использования ИИ
Многие компании возлагают большие надежды на ИИ, не всегда понимая конечную цель внедрения столь сложных технологий. В первую очередь, надо определить проблему, которую хотелось бы решить с помощью ИИ. Вместо того, чтобы использовать ИИ ради ИИ, маркетолог должен иметь четкое и убедительное экономическое обоснование того, как оно ему поможет. Если вы не можете четко определить проблему, вы даже не должны начинать проекты по внедрению ИИ. Стоит заметить, что в принципе ИИ не подходит для решения всех задач. Некоторые из них могут быть лучше решены традиционными вычислениями в совокупности с хорошей аналитикой. Подтверждение этих слов можно найти у Арнаба Бхадури (Arnab Bhadury), ученого и инженера компании Flipboard, который утверждает, что некоторые компании пытаются применять ИИ для решения проблем, для которых он не подходит. «ИИ может даже создать больше проблем, особенно если вы не до конца понимаете алгоритмы», — сказал он.
После того, как вы четко определили проблему, важно продуманно создать стратегию и план действий по внедрению ИИ. Звучит легко, но на самом деле это сложный процесс. «ИИ должен быть стратегией, а не решением», — сказал Кристиан Монберг, технический директор компании Zeta Global. В опросе специалистов из компаний в различных отраслях по всему миру, проведенном McKinsey & Company, 43% респондентов отметили, что отсутствие четкой стратегии является основной сложностью в процессе внедрения ИИ и только 18% респондентов заявили, что их компании имеют четкие стратегии.
Стоит заметить, что согласно исследованию, получение необходимой поддержки со стороны руководства также имеет решающее значение в момент принятия вопросов по ИИ. Исследование Globant показало, что генеральные директора участвовали в переговорах, связанных с ИИ, примерно в половине (48%) времени, в то время как ИТ-специалисты были задействованы в 22% переговорах. Впоследствии это может вызвать сложности, когда проект необходимо масштабировать или переводить на следующую фазу разработки.
Совет 2. Выберите правильные инструменты для работы
Безусловно, экосистема ИИ невероятно сложная и запутанная, что влечет за собой потребность в переподготовке или найме новых сотрудников. Определённые навыки также требуются для эффективного управления проектами и процессами, поэтому на этапе внедрения продуктов ИИ маркетинговые и технические отделы начинают сотрудничать в гармоничном тандеме. Но немаловажно на данном этапе выбрать подходящую платформу для эффективной работы по внедрению и оптимизации ИИ.
Стремительный рост технологий искусственного интеллекта и машинного программирования и их растущее распространение практически во всех отраслях породили множество технических и консультационных возможностей, начиная от бесплатных «самодельных» программных обеспечений с открытым исходным кодом до программного обеспечения как услуги (SaaS) и настраиваемых решений «под ключ».
Поскольку экосистема ИИ очень быстро развивается, ее нелегко оптимизировать. Многие конкурирующие компании-разработчики ИИ предлагают, как схожие продукты и услуги, так и взаимозаменяемые. Рави Н. Радж, соучредитель и генеральный директор Passage AI, компании, которая предоставляет готовые решения для диалоговых интерфейсов, поделился несколькими способами программного обеспечения ИИ, а также возможностями их контролировать.
Во-первых, это так называемые низкоуровневые структуры машинного обучения с открытым исходным кодом, обеспечивающие инфраструктуру для моделирования искусственного интеллекта. Они позволяют настраивать индивидуальные алгоритмы, решающие сложные проблемы. Популярные примеры этих структур — TensorFlow, PyTorch, MXNet, Caffe, Theano, Microsoft Cognitive Toolkit (CNTK), Keras и Chainer. Каждый из них используется для различных целей и имеет свои плюсы и минусы. Например, TensorFlow отлично справляется с распознаванием голоса, текста и изображений, в то время как Chainer часто используется для машинного перевода, распознавания речи и анализа настроений. В то время как эти структуры предоставляют большую гибкость в решении многих задач, они также требуют непосредственной вовлеченности инженеров машинного обучения.
Также существуют коммерческие приложения более высокого уровня, которые созданы на платформах машинного обучения и предоставляют дополнительные функциональные возможности и интерфейсы прикладного программирования (API). Эти технологии, как правило, используются для соединений с системами пользователей. В России, как правило, к ним прибегают компании банковского сектора. К этим тенологиям относятся IBM Watson, Google NLP, Microsoft Cognitive Services, а также продукты SaaS и встроенный ИИ от облачных провайдеров, таких как SAP, Adobe, Salesforce и Emarsys. Эти сервисы предназначены для быстрой работы участников с ИИ. Программные обеспечения такого уровня помогают решить несколько ключевых задач и устраняют необходимость в интенсивном программировании и непосредственной работе с данными.
Также существуют точечные и готовые решения, так называемые turnkey solutions, которые настраиваются под решение конкретных отраслевых или категорийных проблем. Поставщики данных сервисов помогают своим клиентам в сквозном процессе внедрения. Этот вариант подходит для быстрого процесса внедрения ИИ без создания модели с нуля, которая, как и высокоуровневые приложения, предлагает возможность гибкой и индивидуальной настройки.
Хотелось отметить платформы для разработки программного обеспечения и API-интерфейсы, позволяющие интегрировать чат-ботов, голосовую технологию и другие функции искусственного интеллекта в устройства Интернета вещей (IoT). Примерами могут служить комплект разработки программного обеспечения (SDK) для голосовой службы Alexa от Amazon и Samsung Bixby Developer Studio.
На рынке появилось множество консалтинговых сервисов, которые помогают компаниям выбрать оптимальный подход и разработать ИИ стратегия. «Мы помогаем определить, когда имеет смысл использовать ИИ, или же стоит создать обучать свою собственную модель для работы с другим данными», — сказал Ливингстон из Perficient. Маздак Резвани, основатель и генеральный директор Chatkit, API, который помогает своим клиентам создавать чат-ботов с поддержкой AI.
Совет 3. Соберите грамотную команду экспертов
Сбор междисциплинарной команды для поддержки проекта ИИ является еще одним важным челленджем для маркетологов и управленцев. Подбор команды является частью масштабной цифровой трансформации внутри организации. «Вообще говоря, вам нужно сочетание трех комплектов навыков», — сказал Дандапани профессор Нью-Йоркского университета. «Люди, обладающие знаниями об искусственном интеллекте, бизнесмены с опытом в области маркетинга и технические инженеры-аналитики, которые знают как работать и контролировать огромный массив данных».
К сожалению, собрать идеальную команду проекта AI не всегда легко. Во-первых, может потребоваться определить новые роли для действующих сотрудников в организации, часть которых, возможно, придется заменить или переобучить новым навыками. Во-вторых, поскольку существует множество способов «разогрева» систем ИИ, но волшебная формула для быстрого достижения какой-либо цели еще не придумана. В-третьих, наем экспертов по искусственному интеллекту усложняется сложной текущей нехваткой квалифицированной рабочей силой.
Исследование PwC показало, что 60% руководителей в американских корпорациях, использующих или исследующих ИИ, планировали реализовать инициативы по непрерывному обучению сотрудников по работе с ИИ, 47% планировали изменить структуру производительности и развития, чтобы включить навыки ИИ, и 44% планировали расширять поиск талантливых кадров с помощью внедрения стажировок и развития партнерских отношений с университетами.
Совет 4. Грамотная работа со сбором данных
Какие данные необходимы для успешных проектов ИИ? Хорошие данные — основа искусственного интеллекта. Если у проекта нет хорошей базы данных, результаты будут менее чем приемлемыми. Однако отсутствие точных данных в начале исследования не должно помешать маркетологам начать работу.
Одна из больших проблем маркетинга заключается в том, что нужные данные никогда не находятся в одном месте, нужно приложить много усилий, чтоб скомпилировать все ресурсы и получить необходимую базу данных. С этой проблемой отлично справляется ИИ. Чтобы улучшить поток данных проекта, отраслевые эксперты рекомендуют работать с сервисами, которые используют открытые модели данных, а не закрытые системы, которые могут беспрепятственно работать на разных платформах. «У большинства людей нет всего одного поставщика», — сказал Радж из Passage AI. «Они могут иметь свою базу знаний на своем сайте, использовать Zendesk для реального агента и SalesForce для CRM, и они привязаны к этому. Полезно найти нейтральное решение, такое как Швейцария, которое может подключаться к нескольким поставщикам и платформам».
Должны ли маркетологи говорить своим клиентам, что они используют ИИ? Поскольку системы ИИ могут обрабатывать огромные объемы личных данных из разных источников, прозрачность и доверие клиентов являются ключевыми элементами при формировании лояльности пользователей.
Большинство экспертов сходятся во мнении, что потребители становятся все более чувствительными к тому, как используются их данные. По этой же причине многие бизнес-лидеры планируют инициативы по выстраиванию доверительных отношений с потенциальными клиентами. В отчете PwC о Прогнозах работы ИИ говорится, что безопасность, прозрачность и этика являются главными задачами большинства руководителей США. Этой стратегии придерживается большинство компаний, обрабатывающих большое количество персональных данных, особенно после скандального случая в Facebook и судебного дела Марка Цукерберга.
Совет 5. Совершенствуйте технологии искусственного интеллекта
Последний лучший совет включает в себя обязательное постоянное совершенствование систем искусственного интеллекта, их измерение и анализ в течение длительного времени. Стратегия «установить и забыть» тут не работает. Системы искусственного интеллекта помогают и увеличивают человеческую работу, и требуют, детального контроля и обновления алгоритмов, чтобы гарантировать отсутствие погрешностей и избежать влияние мошеннических действий.
Хотя нет правильного способа измерения производительности ИИ, организации экспериментируют с различными моделями измерения успешности работы ИИ. Например, исследование EIU показало, что качество, рентабельность инвестиций, удовлетворенность клиентов и вклад в достижение стратегических целей являются основными показателями, используемыми для оценки приложений ИИ. Но также выяснилось, что 14% компаний вообще не отслеживали метрики эффективности ИИ.
Вывод
Какие факторы следует учитывать маркетологам перед внедрением AI? Во-первых, маркетолог должен иметь четкое представление о том, как ИИ решит конкретную бизнес-задачу. Решение о создании или покупке готовых ИИ решений зависит от доступности ресурсов, о проблемах, которые необходимо решить, и о культуре взаимодействия в компании.
Маркетологи также должны быть готовы вкладывать средства в совершенствование и адаптации систем. Прозрачность и этика имеют решающее значение. По мере того, как все больше систем искусственного интеллекта обрабатывают большие объемы личных данных, маркетологи должны понимать и сообщать, как они используют эти данные. Это поможет избежать ненужных деловых рисков, противоречащих нормативным требованиям или нарушающих общие этические кодексы.