Аналитический ИИ-продукт в области маркетинга. Может ли он быть надежнее кабинетного исследования?
Современные технологии искусственного интеллекта (ИИ) открывают новые горизонты для маркетинга. Многочисленные исследования показывают, что за последние 2 года доля маркетологов, использующих ИИ в работе, выросла с 76% до 94%. Есть проблемы, связанные с этим: не учитывает авторское право, растет количество исков по поводу работ, созданных ИИ: заказчики их не хотят оплачивать, воспринимая как халтуру.
При этом, на рынке мы столкнулись с несоответствием: курсы быстрого обучения маркетингу создали новую болевую точку - поверхностные специалисты, которые растрачивают деньги бизнеса без должного маркетингового результата.
Как следствие, рынку нужно не только определить границы правомерности использования ИИ и мер ответственности за нарушения, связанные с этой технологией, но также важно разработать механизм, который позволит нивелировать стратегические ошибки некомпетентных специалистов.
По этой причине мы 5 лет собирали данные о том, какие действия и стратегии оказывают положительное и негативное влияние на российский бизнес, применили наш многолетний опыт по опросам и, соответственно, понимание российского потребителя.
Наша команда соединила данные с алгоритмами, которые были собраны на основе опыте и 878 научных статей по ИИ в маркетинге. Да, именно в этом наше разительное отличие: понимая всю ответственность за наши рекомендации, мы соединили наше знание с научной диссертацией в ВШЭ.
Технология основана на машинном обучении и глубоком обучении, что позволяет анализировать большие объемы данных и выявлять скрытые паттерны в потребительском поведении. Мы используем облачные вычисления для обработки данных в реальном времени и нейросети для генерации рекомендаций и прогнозов.
Наша версия основана на алгоритмах машинного обучения с облачной обработкой данных. Мы также используем предсказательную аналитику, положив в основу не динамическое экстраполирование, а метод форсайта - мы смотрим на устойчивые цели развития и тренды, даже черпаем вдохновение на сайтах футурологов. Для предсказательной аналитики применяются методы регрессионного анализа и временных рядов, что позволяет более точно оценивать будущие изменения в спросе.
Конкурентов мы анализируем, выбирая их из систем 2ГИС и Спарк, также смотрим отзовики. Мнения и настроения аудитории находим в социальных сетях и на форумах. И, конечно, залезаем немного глубже, соединяя информацию с данным с аналитических и новостных сайтов. Использование методов автоматизации сбора данных позволяет значительно сократить время на анализ информации.
Мы взяли за основу Perplexity Pro. Также пробовали перейти в Гигачат, когда были в акселераторе, но скорость и качество нас не устроили. В итоге мы собираем в едином месте структурированную информацию, идущую по научному маршруту рынок/ниши/конкуренты/SWOT/боли/цели аудитории, тренды и рекомендации. На все это уходит 3-5 минут, а объем сопоставим с первичной работой аналитика и тянет на 10 листов. Отличие в том, что все это объективно, достоверно, и без завуалированной под работу аналитиков работы джунов.
Мы столкнулись именно с проблемой объективности, когда на конференции в Сколково ai2b обсуждали с другими разработчими особенности применения искусственного интеллекта в аналитике. И пришли к выводу, что самое сложное для аналитика – это найти данные, верно их трактовать, но также соблюдать объективность, а не подгонять данные под свое видение. В целом, ии-продукты в этом хороши.