Искусственный интеллект и персональные предложения
Технологии машинного обучения позволяют маркетологу выйти за пределы традиционных методов персонализации, так как способны анализировать огромные наборы данных и определять шаблоны поведения клиентов в считанные минуты. Их можно использовать в качестве входящих данных для рекомендательных систем следующего поколения, с помощью которых организации могут достичь уровня гипер-персонализации своих маркетинговых акций и предложений.
Прежде чем перейти к обсуждению действенных инструментов и методов машинного обучения, которые можно использовать для достижения этих целей, рассмотрим три общих типа данных, обычно собираемых компаниями. Эти данные могут впоследствии использоваться машинным обучением для рекомендательных систем.
- Взаимодействие с клиентами
История взаимодействий с клиентами — источник очень большого спектра информации и «золотая жила» для систем машинного обучения. Это крайне полезные данные о клиентах, которые могут касаться покупок, запросов, предварительных заказов, ожиданий, визитов и других форм поддержки взаимосвязи с ними. Система CRM — главный источник таких данных, но важно, чтобы она собирала как можно больше сведений о взаимодействия с клиентами, во всех каналах, включая интернет-магазин, мобильное приложение, социальные сети, контакт-центр и физический магазин (конечно, если это целесообразно с точки зрения вашего бизнеса).
- Оценки товаров и услуг
Оценки клиентов лежат в основе рекомендательных систем и сервисов персонализации таких организаций, как Amazon, Netflix и Spotify. Важно то, что оценки не обязательно должны быть явно выраженными, например представленными в виде баллов или описательных комментариев в произвольной форме. Оценки также могут быть представлены косвенным образом, то есть отображаться в виде выбираемых клиентом товаров и его поведении. Например, просмотр товаров из одной категории в интернет-магазине с последующим совершением заказа можно считать положительной оценкой выбранного предложения, выраженной косвенным образом. Аналогично, если постоянный клиент внезапно становится неактивным после приобретения определенного товара или услуги, это может значить, что качество не соответствовало его ожиданиям, поэтому необходимо принять меры для удержания клиента. Принятие таких трудных решений чрезвычайно усложняется, если вы имеет дело с сотнями тысяч клиентов. Именно здесь на помощь приходят системы машинного обучения и искусственного интеллекта.
- Демографические данные о клиентах
Хотя история взаимодействия с определенным клиентом обычно считается главным источником данных для прогнозирования его поведения, демографические сведения о нем остаются важным источником для маркетинговых систем персонализации. Традиционно эта информация используется в рекомендательных системах с совместной фильтрацией. Их разработали, чтобы предлагать потенциальным клиентам товары, приобретаемые постоянными клиентами, похожими по определенным характеристикам на этих потенциальных покупателей. Под сходством в этом контексте обычно подразумеваются возрастная группа, месторасположения, предпочитаемый канал продаж, история покупок и т. д.
Мы определили основные типы данных, которые можно вводить в систему машинного обучения. Рассмотрим некоторые доступные методы машинного обучения, которые используются в целях маркетинговой персонализации и которые в настоящее время изучает наш R&D отдел, разрабатывающий платформу Comarch Loyalty Management.
- Искусственные нейронные сети
Искусственная нейронная сеть (ИНС) — программное обеспечение, смоделированное по принципу работы мозга и нейронной системы человека. С точки зрения маркетинга системы на базе ИНС можно использовать для полной автоматизации некоторых процессов принятия решений или для содействия их выполнению. В целях расчета прогнозов с помощью ИНС требуются исходные данные для процесса, который называется «обучением». В рассматриваемом сценарии можно использовать весь диапазон статистических данных, собранных об отдельном клиенте, в том числе его демографические данные, оценки и полные сведения о его взаимодействии с организацией, предоставляющей услуги. Сети ИНС способны обрабатывать информацию в огромных объемах, адаптируя расчеты в зависимости от наборов данных, получаемых для обучения. Это значит, что одну модель можно повторно использовать для каждого клиента, так как она адаптируется под данные обучения без необходимости их ввода вручную или внесение исправлений. Затем обученную ИНС можно использовать в различных целях, например для:
ИНС — чрезвычайно мощная и универсальная технология с множеством подтипов и сценариев использования. В основе подавляющего большинства решений на базе машинного обучения полностью или частично лежит система ИНС определенного типа.
- Встраивание товаров (Embedding)
Другой интересный метод машинного обучения изначально разрабатывался для обработки естественного языка. Его цель — определить скрытое значение слова путем анализа других слов, которые часто используются в близких ассоциациях или похожем контексте. С точки зрения маркетинга этот подход позволяет распознать похожие товары с помощью анализа позиций, которые часто приобретают вместе. В его основе лежит следующее предположение: если товары A и B часто покупают вместе с товарами C, D и E, между элементами A и B имеется связь: товары входят в одну категорию, их приобретают похожие клиенты, они предлагаются дополнительно и т. д.
Определив такие взаимосвязи между товарами, компания может запустить персональные предложения по стандартной или перекрестной продаже. Рассмотрим предыдущий пример: если товар B — это более дорогая версия товара A, то можно запустить маркетинговое мероприятие по продвижению товара B среди клиентов, которые ранее приобретали товар A, чтобы убедить вероятную целевую группу купить бренд премиум-класса. Аналогично, если товара B нет в наличии какое-то время, клиентам можно предложить товар A в качестве возможной альтернативы.
- Глубокая совместная фильтрация
Совместная фильтрация — один из методов, часто используемых в традиционных рекомендательных системах. В ее основе лежит предположение, что клиенты с похожей историей покупок в будущем, вероятно, будут приобретать подобные товары. Таким образом, если один из двух похожих клиентов приобрел определенный товар, его настоятельно рекомендуется предложить другому клиенту из этой группы. На базе этого простого предположения создано подавляющее большинство коммерческих рекомендательных систем.
По мере своего дальнейшего развития машинное обучение часто используется для достижения подобных или лучших результатов. Наиболее популярное решение — использовать глубокую (многоуровневую) искусственную нейронную сеть, чаще всего в виде автокодировщика.
Подводя итог, стоит отметить, что главное преимущество систем машинного обучения состоит в том, что они разработаны для обработки очень больших наборов данных и автоматического определения шаблонов, которые крайне тяжело определить другим путем. Фактические результаты и добавленная стоимость использования машинного обучения для персонализации предложений зависят от целого ряда факторов, в первую очередь от объема и качества данных, используемых в процессе обучения алгоритмов. Хотя такие решения не могут быть универсальными для все видов бизнес-процессов в компании, инвестиции в системы машинного обучения определенно позволяют оптимизировать маркетинговые процессы, сократить общие затраты на кампании и улучшить показатели эффективности маркетинга.
Прежде чем перейти к обсуждению действенных инструментов и методов машинного обучения, которые можно использовать для достижения этих целей, рассмотрим три общих типа данных, обычно собираемых компаниями. Эти данные могут впоследствии использоваться машинным обучением для рекомендательных систем.
- Взаимодействие с клиентами
История взаимодействий с клиентами — источник очень большого спектра информации и «золотая жила» для систем машинного обучения. Это крайне полезные данные о клиентах, которые могут касаться покупок, запросов, предварительных заказов, ожиданий, визитов и других форм поддержки взаимосвязи с ними. Система CRM — главный источник таких данных, но важно, чтобы она собирала как можно больше сведений о взаимодействия с клиентами, во всех каналах, включая интернет-магазин, мобильное приложение, социальные сети, контакт-центр и физический магазин (конечно, если это целесообразно с точки зрения вашего бизнеса).
- Оценки товаров и услуг
Оценки клиентов лежат в основе рекомендательных систем и сервисов персонализации таких организаций, как Amazon, Netflix и Spotify. Важно то, что оценки не обязательно должны быть явно выраженными, например представленными в виде баллов или описательных комментариев в произвольной форме. Оценки также могут быть представлены косвенным образом, то есть отображаться в виде выбираемых клиентом товаров и его поведении. Например, просмотр товаров из одной категории в интернет-магазине с последующим совершением заказа можно считать положительной оценкой выбранного предложения, выраженной косвенным образом. Аналогично, если постоянный клиент внезапно становится неактивным после приобретения определенного товара или услуги, это может значить, что качество не соответствовало его ожиданиям, поэтому необходимо принять меры для удержания клиента. Принятие таких трудных решений чрезвычайно усложняется, если вы имеет дело с сотнями тысяч клиентов. Именно здесь на помощь приходят системы машинного обучения и искусственного интеллекта.
- Демографические данные о клиентах
Хотя история взаимодействия с определенным клиентом обычно считается главным источником данных для прогнозирования его поведения, демографические сведения о нем остаются важным источником для маркетинговых систем персонализации. Традиционно эта информация используется в рекомендательных системах с совместной фильтрацией. Их разработали, чтобы предлагать потенциальным клиентам товары, приобретаемые постоянными клиентами, похожими по определенным характеристикам на этих потенциальных покупателей. Под сходством в этом контексте обычно подразумеваются возрастная группа, месторасположения, предпочитаемый канал продаж, история покупок и т. д.
Мы определили основные типы данных, которые можно вводить в систему машинного обучения. Рассмотрим некоторые доступные методы машинного обучения, которые используются в целях маркетинговой персонализации и которые в настоящее время изучает наш R&D отдел, разрабатывающий платформу Comarch Loyalty Management.
- Искусственные нейронные сети
Искусственная нейронная сеть (ИНС) — программное обеспечение, смоделированное по принципу работы мозга и нейронной системы человека. С точки зрения маркетинга системы на базе ИНС можно использовать для полной автоматизации некоторых процессов принятия решений или для содействия их выполнению. В целях расчета прогнозов с помощью ИНС требуются исходные данные для процесса, который называется «обучением». В рассматриваемом сценарии можно использовать весь диапазон статистических данных, собранных об отдельном клиенте, в том числе его демографические данные, оценки и полные сведения о его взаимодействии с организацией, предоставляющей услуги. Сети ИНС способны обрабатывать информацию в огромных объемах, адаптируя расчеты в зависимости от наборов данных, получаемых для обучения. Это значит, что одну модель можно повторно использовать для каждого клиента, так как она адаптируется под данные обучения без необходимости их ввода вручную или внесение исправлений. Затем обученную ИНС можно использовать в различных целях, например для:
- создания персональных предложений для клиентов (Next Best Offers) с учетом выбора, который они делали ранее;
- моделирования реакции на новый товар или кампанию путем указания лучшей целевой базы клиентов вручную или автоматически с использованием ИНС;
- выбора наиболее эффективной целевой группы для нового предложения или рекламной акции без каких-либо предварительно определенных условий.
ИНС — чрезвычайно мощная и универсальная технология с множеством подтипов и сценариев использования. В основе подавляющего большинства решений на базе машинного обучения полностью или частично лежит система ИНС определенного типа.
- Встраивание товаров (Embedding)
Другой интересный метод машинного обучения изначально разрабатывался для обработки естественного языка. Его цель — определить скрытое значение слова путем анализа других слов, которые часто используются в близких ассоциациях или похожем контексте. С точки зрения маркетинга этот подход позволяет распознать похожие товары с помощью анализа позиций, которые часто приобретают вместе. В его основе лежит следующее предположение: если товары A и B часто покупают вместе с товарами C, D и E, между элементами A и B имеется связь: товары входят в одну категорию, их приобретают похожие клиенты, они предлагаются дополнительно и т. д.
Определив такие взаимосвязи между товарами, компания может запустить персональные предложения по стандартной или перекрестной продаже. Рассмотрим предыдущий пример: если товар B — это более дорогая версия товара A, то можно запустить маркетинговое мероприятие по продвижению товара B среди клиентов, которые ранее приобретали товар A, чтобы убедить вероятную целевую группу купить бренд премиум-класса. Аналогично, если товара B нет в наличии какое-то время, клиентам можно предложить товар A в качестве возможной альтернативы.
- Глубокая совместная фильтрация
Совместная фильтрация — один из методов, часто используемых в традиционных рекомендательных системах. В ее основе лежит предположение, что клиенты с похожей историей покупок в будущем, вероятно, будут приобретать подобные товары. Таким образом, если один из двух похожих клиентов приобрел определенный товар, его настоятельно рекомендуется предложить другому клиенту из этой группы. На базе этого простого предположения создано подавляющее большинство коммерческих рекомендательных систем.
По мере своего дальнейшего развития машинное обучение часто используется для достижения подобных или лучших результатов. Наиболее популярное решение — использовать глубокую (многоуровневую) искусственную нейронную сеть, чаще всего в виде автокодировщика.
Подводя итог, стоит отметить, что главное преимущество систем машинного обучения состоит в том, что они разработаны для обработки очень больших наборов данных и автоматического определения шаблонов, которые крайне тяжело определить другим путем. Фактические результаты и добавленная стоимость использования машинного обучения для персонализации предложений зависят от целого ряда факторов, в первую очередь от объема и качества данных, используемых в процессе обучения алгоритмов. Хотя такие решения не могут быть универсальными для все видов бизнес-процессов в компании, инвестиции в системы машинного обучения определенно позволяют оптимизировать маркетинговые процессы, сократить общие затраты на кампании и улучшить показатели эффективности маркетинга.