Чтобы реализовать гигантский потенциал ИИ, директорам по маркетингу необходимо хорошо разбираться в различных типах доступных приложений и в том, как они могут развиваться. Эта статья ознакомит маркетологов с текущим состоянием ИИ. Также статья представит структуру, которая поможет классифицировать существующие проекты и спланировать эффективное развертывание будущих.
Существует классификация ИИ по двум параметрам: уровню интеллекта и тому, стоит ли он отдельно или является частью более широкой платформы. Простые автономные приложения для автоматизации задач — это хороший вариант для начала. Но передовые интегрированные приложения, включающие машинное обучение, обладают наибольшим потенциалом для создания ценности, поэтому по мере развития своих возможностей компании должны переходить к этим технологиям.
Из всех функций компании маркетинг, пожалуй, больше всего выиграет от искусственного интеллекта. Основная деятельность маркетинга — понимание потребностей клиентов, их соответствие продуктам и услугам и убеждение людей покупать. Все эти возможности ИИ может значительно улучшить. Неудивительно, что анализ более 400 сложных сценариев использования, проведенный McKinsey в 2018 году, показал, что маркетинг — это та область, в которую ИИ внесет наибольшую ценность.
Директора по маркетингу все чаще используют эту технологию: исследование Американской маркетинговой ассоциации, проведенное в августе 2019 года, показало, что за последние полтора года внедрение ИИ выросло на 27%. А глобальный опрос первых пользователей ИИ, проведенный Deloitte в 2020 году, показал, что три из пяти основных целей ИИ были ориентированы на маркетинг:
- улучшение существующих продуктов и услуг;
- создание новых продуктов и услуг;
- улучшение отношений с клиентами.
Хотя ИИ только проник в маркетинг, ожидается, что в ближайшие годы он будет играть все более значительную роль в этой сфере. Учитывая огромный потенциал этой технологии, директорам по маркетингу крайне важно понимать, какие типы маркетинговых приложений искусственного интеллекта доступны сегодня, и как они могут развиваться. Опираясь на более чем десятилетний опыт изучения аналитики данных, ИИ и маркетинга, а также консультирования по ним компаний из разных отраслей, мы разработали структуру, которая может помочь директорам по маркетингу классифицировать существующие проекты ИИ и планировать развертывание будущих. Но прежде чем описывать структуру, давайте посмотрим на текущее положение дел.
Сегодняшний ИИ
Многие фирмы сейчас используют ИИ для решения узких задач, таких как размещение цифровой рекламы (также известной как «программная покупка»). Также с помощью ИИ можно помогать с решением менее узких задач, такими как повышение точности прогнозов продаж, и увеличивать человеческие усилия в структурированных задачах, таких как обслуживание клиентов.
Компании также используют ИИ на каждом этапе воронки продаж. Когда потенциальные клиенты находятся на этапе «рассмотрения» и изучения продукта, ИИ будет нацеливать на них рекламу и может помочь им в поиске. Мы видим, как это происходит в интернет-магазине мебели Wayfair, который использует ИИ, чтобы определить, каких клиентов с наибольшей вероятностью можно убедить, и на основе их истории просмотров выбирает продукты для показа. А боты с поддержкой ИИ от таких компаний, как Vee24, могут помочь маркетологам понять потребности клиентов, увеличить их участие в поиске, подтолкнуть их в желаемом направлении (например, к определенной веб-странице) и, при необходимости, связать их с человеком. Менеджер по продажам общается с клиентом с помощью чата, телефона, видео или даже «совместного просмотра», что позволяет помогать покупателю перемещаться по общему экрану.
ИИ может оптимизировать процесс продаж, используя чрезвычайно подробные данные о физических лицах, включая данные геолокации в реальном времени, для создания высоко персонализированных предложений продуктов или услуг. Позже ИИ помогает в дополнительных продажах и перекрестных продажах, а также может снизить вероятность того, что клиенты откажутся от своих виртуальных корзин для покупок. Например, после того, как покупатель заполняет корзину, боты ИИ могут предоставить мотивирующую характеристику, чтобы помочь закрыть продажу, например: «Отличная покупка! Джеймс из Вермонта купил такой же матрас». Такие инициативы могут увеличить коэффициент конверсии в пять и более раз.
После продажи сервисные агенты с поддержкой ИИ от таких фирм, как Amelia (ранее IPsoft) и Interactions, доступны круглосуточно и без выходных для сортировки запросов клиентов. Они могут справляться с колеблющимися объемами запросов на обслуживание лучше, чем обычные сотрудники. Они могут обрабатывать простые запросы, например, о сроках доставки или назначении встречи, а также могут передавать более сложные вопросы менеджеру. В некоторых случаях ИИ помогает менеджерам и продавцам, анализируя тон клиентов и предлагая различные ответы, обучая менеджеров тому, как лучше всего удовлетворить потребности клиентов, или предлагая вмешательство супервайзера.
Фреймворк
Маркетинговый ИИ можно разделить на две категории: по уровню интеллекта и тому, является ли он автономным (т.е. не является частью более широкой платформы). Некоторые технологии, такие как чат-боты или системы рекомендаций, могут попадать в любую из категорий; их классификация определяется тем, как они реализованы в конкретном приложении.
Давайте сначала рассмотрим два типа интеллекта.
Автоматизация задач. Эти приложения выполняют повторяющиеся структурированные задачи, требующие относительно низкого уровня интеллекта. Они разработаны, чтобы следовать набору правил или выполнять заранее определенную последовательность операций на основе заданных входных данных, но они не могут справляться со сложными проблемами, такими как нюансы запросов клиентов. Примером может служить система, которая автоматически отправляет приветственное письмо каждому новому клиенту. Более простые чат-боты, например, доступные через Facebook Messenger и других поставщиков социальных сетей, тоже попадают в эту категорию. Они могут оказать клиентам некоторую помощь во время базовых взаимодействий, ведя клиентов вниз по определенной ветке решений, но они не могут распознать намерения клиентов, предложить индивидуальные ответы или извлечь уроки из взаимодействий с течением времени.
Машинное обучение. Эти алгоритмы обучаются с использованием больших объемов данных, чтобы делать относительно сложные прогнозы и решения. Такие модели могут распознавать изображения, расшифровывать текст, сегментировать клиентов и предугадывать реакцию клиентов на различные инициативы, такие как рекламные акции. Машинное обучение уже управляет:
- программными покупками в онлайн-рекламе;
- механизмами рекомендаций электронной коммерции;
- моделями предрасположенности к продажам в CRM.
Машинное и его более сложный вариант, глубокое обучение, являются самыми популярными технологиями в искусственном интеллекте и быстро становятся мощными инструментами в маркетинге. При этом важно уточнить, что существующие приложения для машинного обучения по-прежнему просто выполняют узкие задачи и их необходимо обучать с использованием больших объемов данных.
Теперь давайте рассмотрим автономный ИИ в сравнении с интегрированным.
Автономные приложения. Их лучше всего понимать как четко разграниченные или изолированные программы ИИ. Они отделены от основных каналов. Через эти каналы клиенты узнают, покупают или получают поддержку в использовании предложений компании. Второй тип основных каналов — это те, которые сотрудники используют для продвижения, продажи или обслуживания этих предложений. Проще говоря, клиенты или сотрудники должны совершить выход за пределы этих каналов, чтобы использовать ИИ.
Рассмотрим приложение для обнаружения цвета, созданное компанией Behr, занимающейся красками. Используя возможности IBM Watson по обработке естественного языка и анализатора тонов (которые обнаруживают эмоции в тексте), приложение предлагает несколько персонализированных рекомендаций Behr по цвету краски. Они основаны на пожеланиях клиентов относительно настроения в их помещении. Клиенты используют приложение, чтобы составить короткий список двух или трех цветов для комнаты, которую они собираются раскрасить. Фактическая продажа краски затем осуществляется вне приложения, хотя оно позволяет осуществлять заказ из магазина.
Интегрированные приложения. Эти приложения ИИ, встроенные в существующие системы. Они часто менее заметны, чем автономные для клиентов, маркетологов и продавцов, которые их используют. Например, машинное обучение, за доли секунды принимающее решения о том, какую цифровую рекламу предлагать пользователям, встроено в платформы, которые обрабатывают весь процесс покупки и размещения рекламы. Интегрированное машинное обучение Netflix уже более десяти лет предлагает клиентам рекомендации по видео; его выбор просто появляется в меню предложений, которые зрители видят при переходе на сайт. Если бы механизм рекомендаций был автономным, им нужно было бы перейти в специальное приложение и запросить предложения.
Создатели CRM-систем все чаще встраивают возможности машинного обучения в свои продукты. В Salesforce пакет Sales Cloud Einstein имеет несколько возможностей, включая систему оценки потенциальных клиентов на основе искусственного интеллекта, которая автоматически ранжирует потенциальных клиентов B2B по вероятности покупки. Такие поставщики, как Cogito, который тренирует продавцов центров обработки вызовов, также интегрируют свои приложения с CRM-системой Salesforce.
Объединение двух типов интеллекта и двух типов структуры дает четыре квадранта нашей структуры:
- автономные приложения для машинного обучения,
- интегрированные приложения для машинного обучения,
- автономные приложения для автоматизации задач,
- интегрированные приложения для автоматизации задач.
Понимание того, в какой сектор попадают приложения, может помочь маркетологам спланировать и упорядочить внедрение новых применений.
Пошаговый подход
Мы считаем, что маркетологи в конечном итоге увидят наибольшую ценность в разработке интегрированных приложений для машинного обучения. При этом простые системы на основе правил и автоматизации задач могут улучшить высоко структурированные процессы и предложить разумный потенциал для получения коммерческой прибыли. Однако обратите внимание, что в настоящее время автоматизация задач все чаще сочетается с машинным обучением — для извлечения ключевых данных из сообщений, принятия более сложных решений и персонализации коммуникаций — гибрид, который охватывает разные квадранты.
Автономные приложения по-прежнему используются там, где интеграция затруднена или невозможна, хотя их преимущества имеют ограничения. Поэтому мы советуем маркетологам со временем перейти к интеграции ИИ в существующие маркетинговые системы, а не продолжать работу с отдельными приложениями. И действительно, многие компании движутся в этом общем направлении. Согласно опросу Deloitte, проведенному в 2020 году, 74% руководителей в области ИИ согласились с тем, что ИИ будет интегрирован во все корпоративные приложения в течение не более трех лет.
Начало
Для компаний с ограниченным опытом работы с ИИ хороший способ начать — это создать или купить простые приложения, основанные на правилах. Многие фирмы придерживаются подхода «ползать-ходить-бегать», начиная с автономного приложения для автоматизации задач, не ориентированного на клиента. Например, того, которое направляет агентов по обслуживанию людей, взаимодействующих с клиентами.
Как только компании приобретут базовые навыки искусственного интеллекта и большой объем данных о клиентах и рынке, они могут начать переход от автоматизации задач к машинному обучению. Хорошим примером последнего является искусственный интеллект Stitch Fix для выбора одежды, который помогает стилистам составлять предложения для клиентов. Он основан на их личных предпочтениях в отношении стиля, предметах, которые они оставляют и возвращают, и их отзывах. Эти модели стали еще более эффективными, когда компания начала просить клиентов выбирать среди фотографий Style Shuffle, создав ценный источник новых данных.
Маркетологи должны постоянно искать новые источники данных, такие как внутренние транзакции, внешние поставщики и даже потенциальные приобретения, поскольку для большинства приложений ИИ, особенно для машинного обучения, требуются огромные объемы высококачественных данных. Рассмотрим модель ценообразования на основе машинного обучения, которую компания по чартерным авиалайнерам XO использовала для увеличения своей EBITDA на 5%. Ключевым моментом было использование внешних источников для получения данных о предложениях частных самолетов и о факторах, влияющих на спрос, например о крупных событиях, макроэкономика, сезонная активность и погода. Данные, которые использует XO, являются общедоступными, но рекомендуется также по возможности искать собственные источники, поскольку модели, использующие общедоступные данные, могут быть скопированы конкурентами.
По мере того как компании становятся все более изощренными в использовании маркетингового ИИ, многие полностью автоматизируют определенные типы решений, полностью выводя людей из цикла. Этот подход очень важен для повторяющихся и быстрых решений, особенно те, которые требуются для программной покупки рекламы (где цифровая реклама показывается пользователям почти мгновенно). В других областях ИИ может только давать рекомендации человеку, стоящему перед выбором — например, предлагать фильм потребителю или стратегию руководителю отдела маркетинга. Человеческое решение обычно остается за наиболее важными вопросами, например, продолжать ли кампанию или одобрить дорогостоящую телерекламу.
Фирмы должны по возможности переходить к более автоматизированным решениям. Мы считаем, что именно здесь можно получить наибольшую отдачу от маркетингового ИИ.
Проблемы и риски
Реализация даже простейших приложений AI может вызвать трудности. Автономный ИИ для автоматизации задач, несмотря на его более низкую техническую сложность, по-прежнему может быть сложно настроить для конкретных рабочих процессов и требует от компаний приобретения подходящих навыков ИИ. Включение любого вида ИИ в рабочий процесс требует тщательной интеграции человеческих и машинных задач, чтобы ИИ повышал навыки людей и не разворачивался таким образом, чтобы создавать проблемы. Например, в то время как многие организации используют чат-ботов на основе правил для автоматизации обслуживания клиентов, менее способные боты могут раздражать клиентов. Возможно, лучше, если такие боты будут помогать агентам или консультантам, а не взаимодействовать с клиентами.
По мере того как компании внедряют более сложные и интегрированные приложения, возникают другие проблемы и их решения. В частности, внедрение ИИ в сторонние платформы может быть непростой задачей. В качестве примера можно привести Olay Skin Advisor от Procter & Gamble, который использует глубокое обучение для анализа селфи, сделанных клиентами, оценки их возраста и типа кожи и рекомендации подходящих продуктов. Он интегрирован в платформу электронной коммерции и лояльности Olay.com и имеет улучшенные показатели конверсии, показатели отказов и средний размер корзины в некоторых регионах. Однако было сложнее интегрировать его с розничными магазинами и Amazon, третьими сторонами, на которые приходится высокий процент продаж Olay. Skin Advisor недоступен на обширном сайте магазина Olay на Amazon, что ограничивает способность бренда обеспечивать бесперебойное обслуживание клиентов с помощью искусственного интеллекта.
Наконец, компании должны помнить об интересах клиентов. Чем умнее и интегрированнее приложения ИИ, тем больше у клиентов может возникнуть беспокойство по поводу конфиденциальности, безопасности и владения данными. Клиенты могут настороженно относиться к приложениям, собирающим и обменивающимся данными о местоположении без их ведома, или к интеллектуальным динамикам, которые могут их подслушивать. В целом потребители продемонстрировали готовность (даже рвение) обмениваться некоторыми личными данными и конфиденциальностью в обмен на ценность, которую могут предоставить инновационные приложения.
Опасения по поводу приложений искусственного интеллекта, таких как Alexa, кажутся незначительными из-за признания их преимуществ. Таким образом, ключом для маркетологов к расширению интеллектуальных возможностей и охвата своего ИИ является обеспечение прозрачности средств управления конфиденциальностью и безопасностью, чтобы клиенты имели право голоса относительно того, как их данные собираются и используются, и чтобы они получали справедливую стоимость от фирмы в обмен на свои данные. Чтобы гарантировать такую защиту и поддерживать доверие клиентов, директорам по маркетингу следует создавать комиссии по проверке этики и конфиденциальности — как с экспертами по маркетингу, так и с юридическими экспертами — для проверки проектов ИИ, особенно связанных с данными клиентов или алгоритмами, которые могут быть предвзятыми.
Подводя итоги
Хотя маркетинговый ИИ имеет огромные перспективы, мы призываем директоров по маркетингу реалистично оценивать его текущие возможности. Несмотря на шумиху, ИИ по-прежнему может выполнять только узкие задачи, но не выполнять целую маркетинговую функцию или процесс. Тем не менее он уже предлагает существенные преимущества для маркетологов и на самом деле необходим для некоторых маркетинговых мероприятий. И его возможности быстро растут. Мы считаем, что ИИ в конечном итоге изменит маркетинг, но на этот путь уйдут десятилетия. Отдел маркетинга и поддерживающие его организации, в частности ИТ, должны будут уделять долгосрочное внимание развитию возможностей искусственного интеллекта и устранению любых потенциальных рисков. Мы призываем маркетологов начать разработку стратегии уже сегодня, чтобы воспользоваться преимуществами нынешней функциональности ИИ и его вероятного будущего.
