Искусственный интеллект в маркетинге: сферы применения, кейсы, проблемы

По данным недавнего двойного слепого исследования Salesforce, в котором участвовали более 8000 опрошенных, в 2018-2020 годах рост частоты использования искусственного интеллекта в области продаж составил 186%, и он продолжает набирать обороты. В этой статье специалист по ORM компании Ingate Анна Шумилкина рассмотрит, для каких задач используется искусственный интеллект в маркетинге, разберет несколько ярких кейсов и остановится на проблемах, которые сдерживают его распространение.

Но для начала быстро разберемся с понятиями. Многие путают или смешивают понятия искусственный интеллект и машинное обучение. Важно понимать, чем они отличаются, чтобы продолжать обсуждать тему.

Искусственный интеллект (artificial intelligence, AI) — это совокупность технологий и систем, способных выполнять процессы, которые традиционно характерны для людей: обобщение знаний, логические рассуждения и выводы, условно «творческие» задачи (написание текста, рисование).

Машинное обучение (machine learning, ML) — это метод работы с AI-системами, заключающийся в их обучении на конкретных прецедентах решениях задачи или на формальных знаниях экспертов. Машинное обучение связано с извлечением информации из загруженных разнородных данных, их интеллектуальным анализом.

Важно понимать, что далеко не каждая AI-технология использует machine learning.

Внутри машинного обучения выделяется группа методов глубинного обучения (deep learning). Они позволяют обучить систему нелинейному решению сложной задачи. Продуктом deep learning являются, в частности, глубокие нейронные сети, способные создавать изображения, писать и переводить тексты, распознавать речь. Некоторые из них упомянуты в статье ниже.

Данные технологии находятся примерно в таких отношениях, как на иллюстрации ниже.

Сферы использования AI в маркетинге

Коммуникации. Умные голосовые помощники, роботы колл-центров, умные чат-боты — вот лишь несколько примеров AI для коммуникации. Один из недавних российских кейсов — робот Олег от «Тинькофф», который помогает обрабатывать входящие обращения для колл-центра. Робот распознает голосовой запрос, анализирует его, при необходимости задает уточняющие вопросы, отвечает на запрос с учетом его смысла, а если не может ответить — перенаправляет на оператора.

Предиктивная аналитика. AI-помогает делать прогнозы для бизнеса, маркетинга, экономики и в других областях. Например, анализировать эффективность рекламных кампаний за большие периоды времени, выявлять закономерности и прогнозировать их дальнейшую эффективность и затраты.

Персонализация. Такие системы анализируют большое количество данных о пользователе, включая историю его прошлых покупок, половозрастные характеристики, поведение на сайтах и многое другое, и предлагает ему какие-либо решения на основе анализа. Например, AI-персонализацию очень широко использует Netflix.

Создание контента. С этим ИИ пока справляется хуже, чем с другими задачами. Хотя интересные примеры все же есть. Например, Accelerator от IBM показал эффективность в автоматизированном создании рекламных видеороликов индивидуально для каждого кластера целевой аудитории. В зависимости от того, пользователь с какими параметрами смотрит рекламу, подбирался заголовок, фон и другие элементы ролика.

Часть интерфейса Accelerator от IBM

Нейросеть StyleGAN от компании Nvidia умеет создавать реалистичные портреты несуществующих людей, ненастоящие лендинги и многое другое.

Кейсы использования искусственного интеллекта

Некоторые кейсы вы уже увидели выше. Вот еще несколько интересных примеров.

1. Askona, исследование целевой аудитории

Здесь использовался сервис предиктивной аналитики Second Party Data Exchange от компании Flocktory. Поведение всех посетителей сайта было проанализировано по ряду параметров для выявления тех, кто с наибольшей вероятностью совершит целевое действие. Также для этой цели создана особая классификация товаров. Итогом стало формирование обновляемых сегментов аудитории для таргетинга и лучшее понимание портрета клиента. Доля рекламных расходов на привлечение покупателя снизилась с 45% до 8-28%.

2. «ИНТЭЛСОНЛАЙН», поиск схожих товарных знаков

Специалистам в области интеллектуальной собственности приходилось ежедневно вручную проверять схожесть товарных знаков с уже существующими, что делало процесс очень долгим и повышало вероятность ошибок. На базе технологий компьютерного зрения компания EORA DATA LAB создала систему для поиска похожих изображений. После загрузки товарного знака система выдает подобные, ранжируя их по степени схожести. «ИНТЭЛСОНЛАЙН» удалось запустить уникальный по своим возможностям продукт, который помогает многим специалистам в области интеллектуальной собственности.

3. Toy.ru, автоматическое подтверждение заказа

В сезоны повышенного спроса компании приходилось расширять колл-центры и нести дополнительные затраты. Скорость обработки заказов в такие периоды могла снижаться. Компания внедрила голосового робота Voximplant, который распознает голос и принимает ответы с помощью нажатия кнопок пользователем. Итогом доработки стало сокращение количества обрабатываемых вручную заказов со 100% до 35-55%, существенное сокращение затрат на найм и переключение на круглосуточный режим обработки заказов.

4. CarTaxi, анализ разговоров с клиентами

Все разговоры с клиентами в компании прослушивались операторами с целью выявления нарушений. Однако при росте количества заказов нагрузки на операторов возрастали, а точность анализа снижалась. Сервис на основе обученной нейронной сети переводит все аудиозаписи в текст и выявляет в них маркеры нарушений. В итоге остается прослушать только звонки с маркерами. Результатом внедрения технологии стало сокращение затрат на контроль уровня сервиса на 125 тыс. рублей в месяц и уменьшение трудозатрат операторов на 90%.

5. «Лиза Алерт», сортировка фотографий

За один полет беспилотный дрон по поиску людей делает 2500 снимков, которые ранее надо было просматривать вручную. Технология «Beeline AI — Поиск людей» позволила автоматизировано отделять фото, на которых нет человека и экипировки, от фото, потенциально полезных спасателям. Нейросеть настроена на высокоточный поиск людей или принадлежащих им предметов в различной местности в любое время года и при любом положении тела. Результатом внедрения системы стало сокращение времени просмотра фото полета с 7 до 1-1,5 часов.

Проблемы использования AI

1. Этические проблемы. С ростом вовлеченности AI в маркетинг становятся острее вопрос того, этично ли применять «умные» технологии в отношении людей, которым об этом неизвестно. Если сказать проще, не является ли прямым обманом, например, внедрение чат-бота, который напоминает человека, или показ пользователям индивидуальной рекламы, которая с высокой вероятностью спровоцирует покупку. Об этичности ИИ беспокоятся 65% людей. Она активно осуждается за рубежом и в России и вызывает много споров.

2. Неоправданные ожидания. Нередко ИИ воспринимается как волшебный робот, способный заменить любого сотрудника (маркетолога, копирайтера, аналитика и пр.). Конечно, это не так. Искусственному интеллекту можно доверить многие задачи, но в основном типовые и рутинные. С творческими он пока справляется не очень хорошо.

3. Ожидание ошибки и недоверие. Эта проблема происходит от менеджеров, которые не верят в пользу ИИ и поэтому не решаются его внедрить и, как следствие, упускают свою выгоду. Ошибки, которые допускают AI-системы на начальных этапах своей работы, подкрепляют недоверие. Например, недостаточно обученный чат-бот может отвечать на вопросы невпопад и вызывать раздражение.

4. Необходимость в профильных специалистах. Для работы с AI-системами требуются дата-инженеры, дата-саентисты и, конечно, профильные разработчики. Часто необходимость их найма становится препятствием, ведь это высокооплачиваемые специалисты и, если в компании до этого не было таких позиций, оценить уровень их знаний при приеме на работу затруднительно.

Как бы то ни было, AI-технологии — это реальность, в которой мы живем уже сейчас. Если они и далее будут показывать эффективность, то проблемы, несомненно будут, преодолены.