Интеллектуальный подход к
управлению лояльностью

Маркетинг, пожалуй, выигрывает от искусственного интеллекта больше, чем все другие функции компании. Такие задачи, как узнать, что нужно клиенту, подобрать для него товары и услуги и убедить его сделать покупку, ИИ решает отлично. Неудивительно, что проведенный в 2018 году компанией McKinsey анализ более чем 400 случаев активного использования ИИ доказал, что применение этой технологии в маркетинге приносит максимальную выгоду бизнесу.

Профильные директора все успешнее осваивают ИИ: Американская ассоциация маркетинга в августе 2019 года провела исследование, показавшее, что внедрение технологии подскочило на 27% за полтора года. А глобальный опрос недавно начавших работать с ИИ компаний, организованный Deloitte в 2020 году, обнаружил, что три из пяти самых распространенных целей, для которых он применяется, относятся к сфере маркетинга: это доработка имеющихся и создание новых продуктов и услуг, а также улучшение отношений с клиентами.

Успехи ИИ в маркетинге — только начало, и мы ожидаем, что в ближайшие годы эта технология будет играть все более важную роль во всех функциях. Ее потенциал колоссален, поэтому компаниям важно сначала разобраться в имеющихся способах использования ИИ в маркетинге, а затем предположить, что произойдет дальше. Полагаясь на более чем десятилетний опыт изучения аналитики данных, ИИ и маркетинга, а также консультирования компаний разных отраслей по этим темам, мы разработали принципы, которые помогут директорам классифицировать существующие проекты в сфере ИИ и планировать будущие. Но прежде чем перейти к описанию этих принципов, давайте посмотрим на текущую ситуацию.

ИИ СЕГОДНЯ

Многие современные фирмы используют ИИ для решения узких вопросов: размещают онлайн-рекламу (так называемые алгоритмические закупки), оптимизируют с его помощью более крупные операции, в том числе уточняют прогнозы продаж, эффективнее решают структурированные задачи — например, при обслуживании заказчика. (Цели, которые руководители чаще всего стремятся достичь с помощью ИИ, см. во врезке «Хорошо зарекомендовавшие себя инструменты ИИ в маркетинге».)

Фирмы применяют ИИ на каждом этапе взаимодействия с потребителями. Пока потенциальный клиент еще раздумывает и изучает рынок, ИИ таргетирует на него рекламу и подталкивает его в нужную сторону. Характерный пример — онлайн-ритейлер мебели Wayfair, который с помощью ИИ находит людей, наиболее склонных к покупке, и на базе истории поиска подбирает для них оптимальные артикулы. ИИ-боты от компаний вроде Vee24 помогают маркетологам лучше понять потребности покупателя, активнее вовлечь его в поиск, переключить его внимание в нужном направлении (скажем, на ту или иную страницу) и связать его с живым продавцом через чат, звонок, видео или даже кобраузинг (при котором оператор помогает клиенту в поиске через общий экран).

ИИ может упростить сам процесс продажи, моментально предложив потребителю максимально востребованный товар или услугу, детально проанализировав всю имеющуюся информацию о данном пользователе, включая геолокацию в реальном времени.

При дальнейшем контакте с заказчиком ИИ обратит его внимание на уже более дорогой или дополнительный продукт, а также снизит вероятность, что человек забудет о товаре, отложенном в корзину. Например, после того, как клиент что-то выберет, ИИ-бот может побудить завершить покупку, показав мотивирующий текст вроде «Отличный выбор! Джеймс из штата Вермонт только что приобрел такой же матрас». Подобные инициативы способны повысить конверсию в пять и более раз.

Когда покупка совершена, в дело вступают ИИ-агенты по сервису (такие фирмы, как Amelia — бывшая IPsoft — и Interactions, предлагают услуги в режиме 24/7): они намного успешнее людей работают в условиях постоянно меняющейся нагрузки и справляются с простыми задачами — скажем, уточнить время доставки или назначить встречу. Более сложные вопросы они передают живому оператору. Иногда ИИ помогает сотрудникам проанализировать тон клиента и выбрать нужный ответ, таким образом, люди быстрее учатся удовлетворять потребности клиентов или вовремя перенаправлять вопросы на уровень выше.

НАША КЛАССИФИКАЦИЯ

Маркетинг с применением ИИ можно подразделять на типы по двум критериям: уровню аналитики (проще/сложнее) и степени автономности (используется отдельно или как часть платформенного решения). Некоторые технологии, например чат-боты и рекомендательные системы, могут попасть в любую категорию в зависимости от того, с какой целью их используют, чтобы достичь нужной цели.

Давайте сначала посмотрим на разные уровни аналитики.

Автоматизация задач. Здесь технологии выполняют шаблонные структурированные действия, требующие сравнительно небольшого анализа. Они рассчитаны на соблюдение правил или заданную последовательность операций, но не в состоянии решить сложную задачу — например, адекватно ответить на нетривиальный запрос клиента. Примером может служить система, автоматически направляющая новым заказчикам приветственное сообщение. Сюда же относятся чат-боты вроде используемых в Facebook Messenger и других соцсетях. Они помогают потребителю совершать простые действия, подсказывая ему решения, но не умеют распознавать его намерения, выполнять индивидуальные задачи или выстраивать новые взаимодействия.

Машинное обучение. Эти алгоритмы, анализируя массивы данных, учатся формулировать сравнительно сложные прогнозы и решения. Они могут распознавать изображения, расшифровывать текст, а также сегментировать клиентов и предвидеть, как они отреагируют на разные предложения, например, на рекламу. Машинное обучение уже сегодня управляет алгоритмической торговлей в онлайн-рекламе, лежит в основе рекомендательных систем электронной коммерции и моделей, определяющих предрасположенность клиентов к покупке на основе их действий в CRM-системах. Именно оно (и его усложненный вариант — глубинное обучение) сейчас на пике моды в ИИ и быстро становится ключевым инструментом маркетинга. Важно отметить, однако, что нынешние решения пока годятся лишь для узких задач и нуждаются в обучении с использованием больших объемов данных.

Теперь перейдем к самостоятельным и встроенным технологиям ИИ.

Автономные решения. Яркий пример — полностью изолированные программы. Они отделены от основных каналов, через которые клиент узнает о предложениях компании, покупает товар и получает сервисную поддержку — или через которые фирма продвигает, продает и обслуживает свои продукты и услуги. Короче говоря, чтобы воспользоваться ИИ, клиенту или сотруднику надо обратиться к ресурсу вне привычных каналов.

Производитель красок Behr разработал независимое приложение для выбора цвета. Клиент описывает настроение, которое ему хочется создать в помещении, а программа использует технологии обработки естественного языка и Tone Analyzer (решение, выявляющее эмоции в тексте) от Watson (IBM) и выдает персонализированные рекомендации по цвету краски от Behr. В итоге формируется список из двух-трех оттенков для каждой комнаты. При этом купить краску прямо в приложении нельзя: надо перейти по ссылке в магазин Home Depot.

Интегрированные решения. Для пользователей — клиентов, маркетологов и продавцов — эти встроенные в существующие системы ИИ-программы зачастую менее заметны, чем автономные. Скажем, технология машинного обучения, за доли секунды решающая, какую рекламу предложить пользователю, применяется в рамках платформ, управляющих всем процессом покупки и размещения рекламных объявлений. Интегрированное машинное обучение в Netflix уже более десятка лет предлагает пользователям подборки видео: они автоматически появляются в меню на сайте. Если бы движок, формирующий такие списки, функционировал отдельно, зрителю понадобилось бы зайти в специальное приложение и запросить рекомендации.

Создатели CRM-систем все чаще встраивают машинное обучение в свои продукты. В Salesforce решение Sales Cloud Einstein обладает несколькими возможностями, включая систему оценки заказчиков, которая автоматически ранжирует перспективных клиентов B2B в зависимости от вероятности покупки. Такие поставщики, как Cogito, продающий ИИ, который обучает продавцов колл-центров, также интегрируют свои приложения с CRM-системой Salesforce.

Сочетание типов интеллекта и структуры можно отобразить в схеме, состоящей из четырех частей. Она учитывает как автономные, так и интегрированные решения для машинного обучения и для приложений по автоматизации задач. (Подробнее см. во врезке «Четыре вида ИИ в маркетинге».)

План и последовательность внедрения новых решений удобно выстраивать в соответствии с их местом на схеме.

ПОШАГОВЫЙ ПОДХОД

Мы уверены, что в итоге маркетологи больше всего выиграют от интегрированных технологий машинного обучения, однако простые системы на основе правил и автоматизации заданий могут улучшить высокоструктурированные процессы и принести выгоду.

Стоит обратить внимание на то, что сегодня автоматизация задач все чаще дополняется машинным обучением: этот нарушающий нашу стройную систему гибрид позволяет извлекать из сообщений ключевые данные, принимать более сложные решения и персонализировать коммуникацию.

Автономные решения продолжают использоваться там, где интеграция затруднена или невозможна, но их способности ограничены. Поэтому мы советуем маркетологам со временем перейти к интеграции ИИ в существующие маркетинговые системы, а не продолжать использовать автономные приложения. Надо признать, что в этом направлении сегодня смотрят многие компании. По данным опроса Deloitte от 2020 года, 74% глобальных директоров по ИИ согласны с тем, что «в течение трех лет ИИ будет интегрирован во все корпоративные процессы».

С ЧЕГО НАЧАТЬ

Если у вашей фирмы мало опыта работы с ИИ, можно для начала создать или купить решения начального уровня на основе правил. Многие компании идут от простого к сложному и прежде всего пробуют изолированные программы для автоматизации задач внутри компании, например, помогающие обслуживающему персоналу.

Накопив базовый опыт в работе с ИИ и массу данных о клиентах и рынке, они переходят от автоматизации задач к машинному обучению. Хороший пример — подбор гардероба в Stitch Fix на основе определенного алгоритма, с помощью которого стилисты адаптируют предложение под клиента исходя из его стилевых предпочтений, обратной связи и данных о покупке и возврате вещей. Этот механизм стал еще эффективнее, когда компания предложила клиентам отмечать понравившиеся им фото в галерее Style Shuffle, таким образом ей удалось создать новую ценную базу данных.

Маркетологам следует постоянно искать новые источники информации: это могут быть, например, внутренние транзакции, внешние поставщики и даже потенциальные объекты для приобретения — большинству решений на основе ИИ, особенно алгоритмам машинного обучения, нужны колоссальные массивы качественных данных. Возьмем для примера модель ценообразования на основе машинного обучения, с помощью которой чартерная авиакомпания ХО повысила EBITDA на 5%. Главной задачей было извлечь из внешних источников данные о частных авиаперевозках и влияющих на спрос факторах: происшествиях, макроэкономических условиях, сезонности, погоде. ХО использовала общедоступные данные, но иногда лучше прибегать к закрытым ресурсам, чтобы снизить риск копирования ваших решений конкурентами.

Достигнув успеха в маркетинге, многие фирмы полностью автоматизируют некоторые решения. Это удобно для работы с типовыми срочными задачами, например для алгоритмических закупок (быстрого показа подходящей рекламы). В других сферах ИИ может лишь предложить рекомендации человеку, принимающему решение (скажем, зрителю, выбирающему кино, или маркетологу, формулирующему стратегию). Живому оператору обычно доверяют разобраться с наиболее значимыми вопросами (продолжать ли кампанию, выбрать ли дорогую ТВ-рекламу).

Фирмам стоит переходить к более автоматизированным решениям, когда это возможно. Мы считаем, что именно здесь кроется главная выгода от ИИ-маркетинга.

ТРУДНОСТИ И РИСКИ

Программы для автоматизации задач, несмотря на кажущуюся примитивность, бывает непросто настроить под конкретные процессы. Внедрение новых технологий в трудовой процесс требует тщательной интеграции работы сотрудника и машины, причем ИИ должен не только дополнять возможности человека, но и не создавать ему проблем. В частности, чат-ботов используют многие фирмы, но слишком примитивные «помощники» раздражают заказчика. И наверное, было бы лучше, если бы такие боты помогали операторам, а не взаимодействовали с клиентами.

При переходе к более продвинутым и интегрированным решениям возникают новые проблемы. Бывает трудно встроить разработку на основе ИИ в чужую платформу. Хороший пример — Olay Skin Advisor от Procter & Gamble, который анализирует селфи пользователей с помощью глубинного обучения, оценивает их возраст и тип кожи и подбирает продукты по уходу. Технология встроена в платформу продаж и лояльности Olay.com. Она успешно улучшает конверсию и наполняемость корзины, а также снижает показатель отказов. Однако интегрировать ее с розницей и Amazon оказалось затруднительно. И пока в огромном магазине Olay на Amazon решение на базе ИИ все еще недоступно, что мешает бренду идеально обслуживать потребителя.

Наконец, компания должна прежде всего исходить из интересов клиента. Чем сложнее и интегрированнее решение, тем больше вопросов по поводу защищенности информации возникает у пользователей. Приложения, которые без нашего ведома запоминают и передают данные о геолокации, умные наушники, наверняка подслушивающие наши разговоры, вызывают опасения. Хотя часто потребители с готовностью делятся некоторыми, даже конфиденциальными сведениями, в обмен на пользу от инновационных приложений. Настороженность, связанная с программами на основе ИИ вроде голосового помощника Alexa от Amazon, похоже, меркнет перед их удобством. Так, по мере расширения возможностей и охвата ИИ главным для маркетологов остается прозрачность контроля конфиденциальности и безопасности. Чтобы гарантировать защиту и не потерять доверие потребителя, директорам следует создать советы по этике и конфиденциальности с участием маркетологов и юристов: пусть проверяют проекты, особенно затрагивающие клиентские данные или алгоритмы, подверженные предвзятости (например, для оценки кредитоспособности).

Будущее маркетинга на основе ИИ грандиозно, но сегодняшние возможности технологии не стоит переоценивать. Несмотря на ажиотажный спрос, ИИ пока решает лишь узкие задачи, ему не под силу руководить отделом маркетинга или даже отдельным рабочим процессом. Тем не менее, он уже существенно помогает маркетологам (и даже стал незаменимым в некоторых ситуациях) и стремительно наращивает функционал. Мы не сомневаемся, что данная технология преобразит маркетинг, но это займет несколько десятилетий. Сегодня же отделу маркетинга и поддерживающим его структурным элементам, особенно отделу ИТ, нужно настроиться на долгое и последовательное наращивание потенциала ИИ и работу с возникающими рисками. Настоятельно рекомендуем специалистам уже сегодня заняться разработкой стратегии по применению имеющихся и будущих возможностей этой технологии.

Об авторах

Томас Дейвенпорт (Thomas H. Davenport) — заслуженный профессор ИТ и менеджмента в Колледже Бэбсона, приглашенный профессор в Школе бизнеса Саида при Оксфордском университете, научный сотрудник Массачусетского технологического института, старший советник Deloitte по ИИ.

Абхиджит Гуха (Abhijit Guha) — адъюнкт-профессор маркетинга в Школе бизнеса Дарлы Мур при Университете Южной Каролины.

Дхрув Грювал (Dhruv Grewal) — председатель Toyota по коммерции и электронному бизнесу, профессор Колледжа Бэбсона, автор книг по маркетингу.

* деятельность на территории РФ запрещена