Что должен знать каждый маркетолог о глубоком обучении

Искусственный интеллект продолжает широко обсуждаться в маркетинговой сфере, но что маркетологи действительно знают о нем? Мы не могли не заметить, что в контексте искусственного интеллекта такие понятия как «машинное обучение», «глубокое обучение» и «нейронные сети» часто используются как взаимозаменяемые. Мы также знаем, что это сбивает с толку. А чтобы лучше понимать все это в контексте маркетинга, нам надо прояснить следующее: что эти термины означают и как они связаны с искусственным интеллектом?

Тут все гораздо проще, чем может показаться.

Говоря попросту, искусственный интеллект – общий термин, обозначающий любой машинный интеллект.
Машинное обучение – одна из разновидностей искусственного интеллекта. Это отрасль науки, занимающаяся созданием систем, которые способны к самообучению на основе доступных им данных и не нуждаются в том, чтобы их специально научили учиться.
Глубокое обучение – разновидность машинного обучения, которое, как показали исследования, позволяет хорошо ориентироваться в хаосе неструктурированных данных, таких как видео, аудио и любая другая информация, которую нельзя упорядочить в виде четких таблиц – то есть 80% всех данных в современном мире.
Нейронные сети – алгоритмы, которые делают возможным глубокое обучение. Это система взаимосвязей, работающая аналогично тому, как воспринимает данные мозг человека.

Чем особенно интересно глубокое обучение, так это тем, что оно может взять такие традиционно человеческие процессы, как просмотр и понимание видео, и синтезировать эти процессы, чтобы находить нюансы и закономерности, которые обычно остаются незамеченными. Немаловажно и то, что это позволяет обрабатывать огромные массивы информации. По сути, нейронные сети с глубоким обучением способны мыслить, как человек, имея при этом продуктивность машины. В сфере рекламы и маркетинга это дает больше простора для оптимизации и позволяет предсказывать успех рекламных кампаний.

Работать с такими технологиями может быть непросто. Что маркетологам действительно надо понимать, так это то, как применять решения вроде технологии глубокого обучения в контексте своих кампаний. Вот пять самых важных вещей, которые каждый маркетолог должен знать о глубоком обучении, прежде чем приступать к работе с этой технологией.

Вы должны знать, какой результат вы пытаетесь спрогнозировать, прежде чем начать работу

Мы, маркетологи, знаем, что результаты важны, ведь мы создаем кампании, именно для того, чтобы добиться конкретного результата. То же самое касается и применения технологии глубокого обучения. Вы должны четко представлять, какой результат вы пытаетесь спрогнозировать. Это та цель, которую вы зададите алгоритму для обучения. Для разных продуктов и брендов нужны разные результаты. Для некоторых маркетологов конверсии (скачивания, подписчики или продажи) – единственный действительно важный параметр, тогда как другие понимают под результатом исключительно осведомленность о бренде или охват аудитории. Независимо от того, какой именно параметр вы собираетесь отслеживать, необходимо четко представлять, что именно вы имеете в виду, чтобы прогнозировать шансы на успех.

Чем больше у вас данных, тем точнее будет ваш алгоритм

Исторические данные о кампаниях и пользователях важны, но по мере того, как меняются приоритеты бренда, жизненно необходимым становится сбор данных в реальном времени. Чтобы обучить и отладить наши собственные нейронные сети, мы использовали данные, собранные за последние десять с лишним лет. Бренд Tumi, производящий дорожные аксессуары, недавно запустил систему машинного обучения, чтобы усовершенствовать и персонализировать свой подход к исходящему маркетингу. Собрав данные из ряда источников, в том числе проанализировав активность электронной переписки и посты в социальных сетях за определенный промежуток времени, бренд Tumi смог сократить количество рассылаемых рекламных писем втрое и при этом персонализировать их для отдельных пользователей.

Искусственный интеллект по своей сути итеративный – чем больше информации ему дать, тем умнее он будет

Такая обратная связь работает лучше всего тогда, когда алгоритмы получают непрерывный поток данных о кампаниях и проходят тщательную проверку и отладку. Этот подход способен перевернуть наши представления об оптимизации и автоматизации и позволит гораздо лучше прогнозировать такие результаты, как количество просмотров и кликов, взаимодействие и даже объемы продаж. Важно также учитывать, как будут со временем меняться данные. Потребители становятся старше, переезжают, меняют образ жизни, обзаводятся семьей и детьми. Постоянно извлекая все новые данные, мы должны не упускать из виду, какие именно данные мы получаем, и сохранять гибкость в своем подходе.

Неструктурированные данные исключительно важны для прогнозирования результатов

Для маркетологов очень важно использование неструктурированных данных, то есть информации, которая не была ранее определена или смоделирована. Объем контента, который маркетологи должны перелопатить, кажется бесконечным, и в него входят огромные блоки текста, письма, аудио- и видеоданные, выложенные лидерами мнений в Инстаграме, фрагменты фильмов и телешоу. При таком количестве доступного контента маркетологи, ограничивающиеся лишь структурированными данными, оказывают себе дурную услугу. Просто увидеть, что кампания сработала – недостаточно; в то же время алгоритмы глубокого обучения способны детально разобрать ее и выяснить, почему она сработала, чтобы это можно было учесть на будущее при создании последующих кампаний.

Глубокое обучение наиболее полезно в сочетании с человеческим интеллектом

Очевидно, что нельзя просто положиться во всем на алгоритм. Ему необходимы обучение, контроль и информация, которые должны обеспечить люди, эксперты в своей области, готовые учиться вместе с машинами. Эти эксперты могут затем взять полученные результаты и найти им реальное стратегическое применение.

Годами маркетологи учились распознавать тенденции, понимать аудиторию и затем планировать и реализовывать для этой аудитории кампании. Глубокое обучение начинает менять эту систему и значительно сокращать то, что раньше было длительным процессом. Согласно Accenture, благодаря тому, что технологии глубокого обучения способны быстро усваивать, анализировать и контекстуализировать данные, ожидается повышение продуктивности труда на 40%. Это, конечно, вовсе не означает, что мы можем отбросить собственные знания и опыт. Просто теперь у нас есть возможность работать продуманней и добиваться лучших результатов для своих клиентов.

Многих маркетологов пугает глубокое обучение, но те, кто готовы уделить время, чтобы разобраться, как правильно использовать такие технологии для оптимизации маркетинга, непременно преуспеют в будущем.

Мы, маркетологи, сейчас располагаем доступом к практически неограниченному потоку данных, и благодаря глубокому обучению и нейронным сетям мы можем обрабатывать эти данные быстрее и точнее, чтобы получить то, к чему стремится каждый маркетолог: результаты.

Об авторе: