ИИ для маркетолога. Как проверять гипотезы и находить реальный спрос

Это неудобные открытия. Они портят красивые схемы. Зато они ближе к жизни. Алгоритм может находить близость там, где отдел маркетинга ее не ждал. Он не уважает должностные легенды. Ему все равно, как сегмент назывался в прошлой стратегии. Он смотрит на признаки и расстояния между ними. Кто похож на кого? Чем похож? Как часто поведение повторяется? Какие признаки действительно двигают покупку, а какие просто украшают отчет?

Но без человеческой проверки и такая группировка может стать бессмыслицей. Алгоритм найдет кластеры, потому что его попросили найти кластеры. Если заставить его разделить людей на семь групп, он разделит. Если на двенадцать, тоже разделит. Вопрос не в том, может ли машина нарезать данные. Вопрос в том, помогает ли эта нарезка принять решение. Можно ли для этих групп сделать разные предложения? Разные сообщения? Разную цену? Разный сервис? Если нельзя, сегментация превращается в дорогую геометрию.

Еще один слой работы: язык. Маркетолог живет словами. Покупатель тоже живет словами, но не теми, которые удобны бренду. Бренд говорит: «инновационный продукт для динамичных людей». Покупатель говорит: «чтобы не бесило», «чтобы быстро», «чтобы не стыдно подарить», «чтобы ребенок сам открыл», «чтобы пахло нормально», «чтобы не сломалось через неделю». В этих простых фразах часто больше правды, чем в пяти страницах позиционирования.

Компьютеру долго было трудно с языком. С числами проще: больше, меньше, равно, растет, падает. Слово живет в соседстве с другими словами, в интонации, в ситуации. Одно и то же слово может хвалить, ругать, шутить, скрывать раздражение. «Ну, отлично» после хорошей новости и «ну, отлично» после сорванной поставки пишутся одинаково, а означают разное. Машина сначала видит знаки. Смысл надо вытаскивать из окружения.

Для маркетинга это особенно ценно, потому что потребитель редко излагает потребность учебным языком. Он говорит через образы и бытовые сцены. В отзыве о шампуне он может писать не о формуле, а о том, что волосы «не висят сосульками». В разговоре о банке не о финансовом продукте, а о страхе ошибиться и потом два месяца звонить в поддержку. В обсуждении доставки не о логистике, а о том, что курьер не заставил краснеть перед гостями. Тут язык касается того, что не всегда видно в чеке.

Алгоритмы обработки языка полезны не тем, что они становятся поэтами. Не надо от них этого ждать. Они полезны тем, что быстро читают массу текста и находят повторяющиеся связки: какие слова ходят вместе, какие темы всплывают рядом с жалобами, какие образы сопровождают восторг, какие выражения появляются у людей перед отказом от покупки. Они могут заметить, что слово «удобный» в одной категории связано с размером, в другой с понятной инструкцией, в третьей с тем, что товар легко вернуть.

Здесь снова появляется соблазн перестать думать. Раз машина нашла тональность, значит, все ясно: позитив, негатив, нейтрально. Но человеческая речь не так послушна. Отзыв может быть злым и при этом полезным для бренда. Клиент ругается потому, что продукт ему нужен, просто его подвели. Другой пишет вежливо, но уже ушел навсегда. Сентимент без контекста похож на градусник, который показывает температуру, но не говорит, у кого она измерена: у больного, у духовки или у комнаты после проветривания.

Работа с языком особенно важна для новых продуктов. Часто люди еще не знают, как назвать свою потребность. Они чувствуют неудобство, но не формулируют его как рыночную нишу. Они обходят проблему мелкими домашними способами. Ставят резинку, переливают, подкладывают салфетку, носят две вещи вместо одной, покупают товар не для того, для чего он создан. В этих обходных путях спрятаны будущие продукты. Машина может искать такие следы, но заметить их ценность должен человек, который понимает, что жалоба иногда дороже комплимента.

Есть еще экспертные системы. Звучит старомодно, почти как кабинет с папками и человеком в очках, который знает, что делать. По сути это попытка сохранить знания эксперта в виде правил и связей. Для бизнеса вещь важная, хотя о ней говорят меньше, чем о нейросетях. Каждый уходящий сильный сотрудник уносит с собой библиотеку решений. Он знает, когда скидка навредит, какого поставщика лучше не трогать перед праздниками, почему в одном регионе нельзя ставить упаковку такого цвета, и какой клиент улыбается перед тем, как попросить невозможное.

Компании часто проводят с такими людьми прощальные беседы. Спрашивают, что улучшить, желают удачи, забирают пропуск. А надо было бы раньше вытаскивать из них правила. Не в виде мемуаров, а в виде рабочих развилок. Если клиент делает вот это, проверь вот это. Если продажи падают при нормальном трафике, смотри не рекламу, а наличие товара. Если регион просит нестандартную промоакцию, сначала спроси, не закрывают ли они чужую ошибку скидкой. В таких простых правилах годами копится прибыль.

Конечно, экспертная система не заменит живого мастера. Она сохранит лишь часть его опыта, да и то если кто-то сумеет задавать правильные вопросы. Многое эксперт делает без слов. Он слышит фальшь в голосе партнера, видит по мелочи, что магазин плохо управляется, понимает по одной фразе, что агентство пришло не с идеей, а с красивой упаковкой пустоты. Но даже часть таких знаний лучше, чем ноль. Бизнес слишком часто позволяет опыту испаряться.

И вот здесь сходятся два подхода. С одной стороны, правила, эксперты, эвристики. С другой: статистика, обучение на данных, поиск скрытых связей. Умная компания не выбирает между ними как между старым и новым. Она использует оба. Правила дают прозрачность и опору. Машинное обучение ловит сложность, где правил уже не хватает. Эксперт подсказывает, какие признаки не забыть. Модель проверяет, правда ли эти признаки работают. Человек задает задачу. Машина перебирает варианты. Человек снова смотрит на результат и спрашивает: можно ли на этом основании тратить деньги?

Самая опасная фраза в этом процессе: «алгоритм решил». Алгоритм ничего не решал в человеческом смысле. Его настроили на цель, дали данные, выбрали метод, допустили ошибки, поставили ограничения, определили метрику успеха. Если целью было увеличить клики, он может привести клики и испортить маржу. Если целью было снизить стоимость лида, он может набрать дешевых людей, которые никогда не купят. Если целью было удержание, он может советовать скидки тем, кто и так остался бы. Машина хорошо выполняет приказ, даже если приказ глупый.

Поэтому в маркетинге надо особенно внимательно выбирать вопрос. Не «как применить искусственный интеллект», а «какое решение мы хотим сделать лучше». Прогноз спроса? Выбор аудитории? Оптимизация цены? Поиск идеи продукта? Разбор отзывов? Уменьшение оттока? Выбор момента для предложения? Каждая задача требует своих данных, своей проверки и своей меры успеха. Универсальная система, которая якобы решает все, обычно решает главное: как продать себя директору по инновациям.

Есть еще один неприятный момент. Маркетологи любят быстрые ответы, потому что рынок двигается, план горит, конкурент уже вышел с новинкой, а финансовый директор спрашивает про возврат на инвестиции. Алгоритмы тоже обещают скорость. Но скорость полезна только после того, как вы навели порядок в смысле. Быстро считать неправильную вещь хуже, чем медленно спорить о правильной. Быстрая ошибка масштабируется быстрее.

Представим сеть магазинов, которая хочет персонализировать предложения. Звучит разумно. У нее есть чеки, приложение, история промо, география, возрастные группы, иногда отзывы. Первый порыв: загрузить все в модель и ждать умных рекомендаций. Но перед этим придется ответить на десятки скучных вопросов. Что считать покупкой по рекомендации? В какой срок? Учитывать ли товары, которые человек купил бы сам? Как не приучить клиента ждать скидку? Как не раздражать его частотой сообщений? Как отличить интерес от случайной покупки для соседа? Как учитывать сезон?

Без этих вопросов персонализация легко становится навязчивой суетой. Человек купил корм для кошки один раз, потому что помог знакомой, а система два года считает его владельцем кота. Женщина купила детский подарок, и ей начинают предлагать товары для младенцев. Мужчина посмотрел дорогой товар из любопытства, а его преследуют объявления, как упрямый продавец в пустом магазине. Машина помнит событие, но не знает истории. Историю надо восстанавливать по данным осторожно, не изображая телепатию.

Хорошее применение алгоритма почти всегда скромнее рекламного обещания. Оно не говорит: мы знаем человека. Оно говорит: при таких признаках вероятность такого действия выше. Разница огромная. Первое звучит как самоуверенность. Второе оставляет место проверке, ошибке и здравому смыслу. Маркетологу полезно держаться именно этой скромности. Вероятность не равна судьбе. Сегмент не равен человеку. Прогноз не равен будущему. Рекомендация не равна приказу.

Тогда искусственный интеллект перестает быть игрушкой для презентаций и становится рабочим инструментом. Он помогает не потому, что умнее людей во всем, а потому что терпеливее в повторяющихся задачах, быстрее в переборе вариантов и строже к формулировкам. Он не устает читать отзывы. Не забывает проверить сотни признаков. Не обижается, если гипотеза директора не подтвердилась. Не делает вид, что понял, если поле пустое. Правда, он может ошибаться молча и дорого, если рядом нет человека, который умеет задавать вопросы.

Есть простая проверка для любой AI-инициативы в маркетинге. Если команда не может объяснить задачу без модных слов, проект рано запускать. Если нельзя назвать данные, которые нужны, рано. Если неясно, как будет измеряться успех, рано. Если никто не отвечает за последствия ошибки, тем более рано. Машина не обязана спасать компанию от управленческой лени.

Зато когда эти вещи прояснены, начинается нормальная работа. Не фантастика, не страх перед роботами, не поклонение черному ящику. Работа. Сначала формулируем вопрос. Потом собираем и чистим данные. Потом выбираем подход: правило, экспертная система, классификация, прогноз, языковой анализ, модель обучения. Потом проверяем на прошлом, осторожно пробуем в настоящем, смотрим на результат, исправляем. Никакого сияния. Много ремесла.

В этом ремесле и есть главный сдвиг для маркетолога. Раньше ему часто платили за способность красиво объяснять потребителя. Теперь все чаще будут ценить способность переводить рыночную реальность в проверяемые задачи. Не теряя живого понимания людей. Не превращаясь в оператора таблиц. Не отдавая машине право на смысл. Лучший специалист будущего будет не тем, кто знает больше терминов, а тем, кто умеет соединить три вещи: человеческое наблюдение, чистые данные и честный вопрос.

Машина не думает вместо нас. В этом плохая новость для ленивых и хорошая для всех остальных. Она заставляет перестать говорить расплывчато. Она показывает, где опыт подтверждается, а где он был просто уверенной привычкой. Она вытаскивает из больших массивов то, что человек не увидит глазами. И она же безжалостно множит ошибку, если мы подали ей грязные данные, слабую цель и чужие догадки под видом знания.

Поэтому следующий этап маркетинга будет не про то, что люди уступят место алгоритмам. Скорее люди, которые не умеют ясно мыслить, уступят место людям, которые умеют работать с алгоритмами. Разница существенная. Рынок не станет менее человеческим оттого, что в нем будет больше машин. Он станет менее терпимым к пустым словам. А это, пожалуй, не худшее изменение.

Большие данные и странная честность прогноза

Прогноз в бизнесе всегда звучит чуть торжественно. Как будто кто-то достает карту будущего, кладет ее на стол и говорит: вот здесь будет спрос, здесь провал, здесь покупатель передумает, а здесь конкурент ошибется. На деле прогноз чаще похож не на карту, а на мутное стекло. За ним что-то движется. Можно различить формы, скорость, направление, но стоит сделать слишком уверенный вывод, и стекло тут же мстит.

Маркетинг любит будущее больше, чем настоящее. Настоящее уже случилось, за него кто-то отвечает, там видны ошибки. Будущее удобнее. Его можно обсуждать без фактов, украшать надеждой, защищать словами «потенциал» и «стратегическая возможность». Но рынок не уважает надежду. Он уважает покупки, отказы, повторные заказы, жалобы, тишину после письма, изменение цены у конкурента, пустую полку, случайный обзор блогера и дождь в субботу, который испортил трафик в торговом центре.

Искусственный интеллект вошел в прогнозирование не потому, что люди разучились думать о будущем. Они всегда думали. Он вошел потому, что следов стало слишком много. Раньше можно было смотреть на продажи по месяцам, сезон, промо и пару крупных событий. Сейчас к этому добавились поисковые запросы, карточки товаров, отзывы, поведение в приложении, данные лояльности, геолокация, соцсети, погода, доставка, история контактов, цена клика, изменение ассортимента, скорость ответа службы поддержки и еще сотни признаков, которые сами по себе ничего не объясняют, но вместе начинают шептать.

Человек этот шепот слышит плохо. Он выхватывает знакомое. Видит то, что уже умеет видеть. Если он десять лет работал с ценой, он всюду ищет цену. Если пришел из рекламы, везде видит креатив. Если вырос в продажах, верит в переговоры и выкладку. Это не глупость, это нормальная ограниченность опыта. Мы все ходим по рынку со своим фонариком. Машина не имеет фонарика. Она одинаково бездушно перебирает признаки, которые ей дали. В этом ее слабость и сила.

Большие данные часто представляют как океан. Неплохой образ, но в нем есть подвох. Океан кажется величественным. А в реальной компании большие данные скорее напоминают огромный подвал, куда годами сносили коробки без подписей. Там есть ценные документы, старые чеки, сломанные стулья, чужие папки, кабели неизвестного назначения и мышиная пыль. Можно найти золото. Можно потратить месяц на ржавые гвозди. Масштаб сам по себе ничего не гарантирует.

Данные становятся большими не только из-за объема. Важны еще скорость и разнообразие. Продажи идут каждый день. Поиск обновляется каждую минуту. Отзывы появляются ночью. Реклама меняет ставки почти в реальном времени. Один источник дает числа, другой текст, третий картинки, четвертый координаты, пятый странные события вроде «пользователь задержался на экране, но ничего не нажал». Все это надо связать так, чтобы не потерять смысл.