Машинное обучение: друг или враг?
Подобные картины служат предупреждением, показывая, что случится, если машины вдруг обретут сознание (или его подобие). Но чтобы этот сценарий стал реальностью, люди сначала должны научить роботов думать самостоятельно. Звучит как фантастика, но это реальность. Которую мы с вами знаем под кодовым названием «машинное обучение».
Машинное обучение как дисциплина пока находится в зачаточном состоянии. Однако применяется практически повсеместно – и для помощи в избавлении от спама, и для того, чтобы подобрать вам пару на сайте знакомств, и для того, чтобы посоветовать сериал, который вы будете смотреть взахлеб.
Особенно полезно машинное обучение, конечно, маркетологам. С его помощью можно предлагать правильные товары правильной аудитории, действуя наверняка, а не вразброс, как это было раньше.
Несмотря на то, что в общем-то машинное обучение – это благо для digital-рынка, остается ряд вопросов, касающихся безопасности и этики, которые нельзя игнорировать. Будет ли маркетинг автоматизирован настолько, что люди просто «устареют»? Не навредит ли реклама, бьющая точно в цель и вызывающая сильнейшие эмоции?
Эти вопросы не риторические. Они – ключ к понимаю того, каким будет будущее маркетинга и какое место в нем отведено маркетологам.
Что такое машинное обучение?
Это сложная дисциплина, включающая огромные объемы данных, математику и кодинг. Не зная того, вы сталкиваетесь с машинным обучением ежедневно. К примеру, если вы хоть раз пользовались сервисом Netflix, то наверняка «проваливались» в раздел рекомендованных сериалов. Все рекомендации предоставляются вам при помощи именно этой технологии.
Другие примеры применения машинного обучения – это фильтрация спама, проверка правописания и даже, как уже упоминалось выше, подбор пары на сайтах знакомств. Да, любовь в наше время тоже неразрывно связана с технологиями.
Как это работает?
Со стороны, скорее всего, все выглядит как колдовство. Однако за всем стоит машина, обрабатывающая невероятные объемы данных. Так, например, технология распознавания лиц Facebook работает с 98% точностью. Чтобы это стало возможным, понадобилось несколько лет непрерывного анализа информации и разработки.
Так как именно устроено машинное обучение? Довольно сложно. Поэтому рассмотрим эту технологию, не вдаваясь в детали. И начнем с двух аспектов.
Контролируемое обучение
Для маркировки входящих данных системы контролируемого обучения полагаются на человека – по крайней мере для начала. Это позволяет системам более точно прогнозировать классификацию поступающих данных.
Отличный пример такой работы – спам-фильтр Google. Так, помечая входящие письма как спам (или не как спам), пользователь не только наводит порядок у себя в ящике, но и обучает систему лучше распознавать нежелательные письма в будущем.
Здесь можно провести аналогию с взаимоотношениями родителя и ребенка. Если ребенок делает что-то «правильно», его хвалят. Такая же похвала ждет и машину. При условии, что ее прогноз был верен, разумеется.
Неконтролируемое обучение
При помощи неконтролируемого обучения выявляются определенные закономерности во входных данных в тех условиях, когда не задаются конкретные выходные значения.
Машинное обучение и маркетологи
В настоящее время маркетологам приходится обрабатывать невероятные объемы информации для принятия решений. Обычно это многие часы копаний в аналитике и сбора данных. И несмотря на то, что это важный элемент работы маркетолога, эти часы можно было бы потратить на более интересные вещи.
Поскольку технологические достижения растут экспоненциально, разница между командами, использующими их, и теми, кто этого не делает, будет все заметнее. И здесь на сцену снова выходит машинное обучение.
Однако использовать его в своей работе не так-то просто. Чтобы внедрить машинное обучение, недостаточно просто прочесть небольшую инструкцию. Этот процесс во многом схож с попытками водить Ferrari, когда вы не владеете навыками вождения в принципе.
Однако некоторым уже удалось внедрить этот инструмент в свою работу. И вот как они его используют.
Квалификация лидов и машинное обучение
Квалификация лидов – это выявление перспективности потенциальных контактов в зависимости от их соответствия установленным критериям наиболее типичных клиентов компании. Как только отдел продаж и команда маркетологов согласуют понятие «перспективного контакта», они начинают выставлять баллы каждому проявлению маркетинговой активности. Как только сумма баллов достигнет определенного порога надежности, считается, что такой лид готов к совершению покупки.
Автоматизация этого процесса может значительно снизить нагрузку с команды маркетологов, предоставляя им время для реализации других задач.
Контент-маркетинг и копирайтинг
Машинное обучение предназначено для анализа самой разной информации, а не только цифр. Так, к примеру, машина может анализировать языковые паттерны, выбирая слова, которые ведут к повышению вовлеченности и росту кликов.
Но может ли машина написать убедительный текст? Вообще-то, да.
Нью-Йоркский стартап Persado разработал «когнитивную контент-платформу», которая использует целый комплекс инструментов и машинное обучение, чтобы создавать хорошие тексты, которые побудят прочитавшего совершить требуемое действие. Платформа анализирует все языковые данные, с которыми взаимодействовали клиенты компании, и благодаря этому подбирает наиболее точно подходящие слова и фразы.
Результаты более чем 4000 рекламных кампаний Persuado, в чьей разработке была задействована «когнитивная платформа», показали, что конверсия в среднем равнялась 49.5%.
Однако в разработке убедительных CTA-кнопок машинное обучение пока ничем помочь не может. Ведь нет ничего лучше честного призыва к действию от одного человека к другому.
Машинное обучение и прогнозирование оттока
Прогнозирование оттока клиентов в digital-индустрии – это необходимая мера, которая может предотвратить катастрофу. В некоторых случаях отток может быть настолько велик, что это приводит к закрытию компании.
Этот инструмент позволяет понять, как себя чувствуют и будут вести клиенты компании. Такие методы, как исследования и опросы – это еще один отличный способ понять их. Однако часто людям тяжело анализировать огромное количество данных, получаемых в ходе проведения исследований. И, как не сложно догадаться, теперь это легко можно переложить на плечи машинного обучения.
Этическая сторона вопроса
Эта тема заслуживает целой книги, а не пункта в статье. А все дело в том, что машинное обучение в теории может навредить.
Карл Шмидт, сооснователь Unbounce, отмечает:
Учитывая нынешний экстремально высокий уровень персонализации, в будущем мы наверняка столкнемся с этическими проблемами. Мы собираемся научить машины продажам, а они не будут заботиться о чувствах пользователей. Все, что их интересует – это успех предприятия.
Все это может привести к тому, что люди, проходящие лечение от алкогольной зависимости, будут видеть рекламу алкоголя, а те, кто борется с привязанностью к азартным играм – рекламу дешевых билетов в Лас-Вегас. Машины будут принимать решение на основании пользовательской активности онлайн, и последствия могут быть катастрофическими.
Еще одна дилемма – это реклама, бьющая по эмоциям. Конечно, копирайтеры часто пытаются давить на чувства людей для получения результата, но в случае с машинами может случиться что-то выходящее за рамки.
Здесь можно вспомнить знаменитый эксперимент Facebook, когда соцсеть добавляла в ленты примерно 689 003 пользователей различные новости, носящие негативный оттенок, чтобы проверить, как это повлияет на их эмоциональное состояние.
Разумеется, реакция общественности была бурной. Кто-то обвинял компанию во всех грехах, кто-то защищал. Но историю можно назвать показательной.
Николай Сущенко, ведущий веб-аналитик performance-агентства AdventumС помощью машинного обучения можно также, к примеру, предсказывать конверсию в зависимости от внешних факторов и автоматически корректировать ставки в контексте. Так, мы используем машинное обучение при работе с «Фабрикой Окон». На основе данных о погоде, курсе доллара, времени года, месяца, дня недели прогнозируем, насколько эффективный в плане конверсии может быть день. Исходя из этого, мы понижаем или повышаем ставки в контексте.
При этом, несмотря на автоматизацию многих процессов, маркетологи не останутся без работы. Однако, чтобы не отстать от конкурентов, им предстоит постоянно учиться новым инструментам, технологиям, умению работать с тем же машинным обучением, а именно правильно собирать, очищать и обрабатывать данные.
Главная опасность машинного обучения заключается в том, оно вынуждает компании использовать облачные сервисы и передавать туда критические данные о клиентах и продажах. Даже если сервисы не будут передавать эти данные третьим лицам, они могут использовать их для рекламных кампаний конкурентов. Чтобы этого избежать, компаниям придется иметь экспертов по машинному обучению на своей стороне или нанимать агентство, которое будет работать с данными под контролем службы безопасности.
Человеческая сторона
«Подъем» машин всегда означает «падение» людей. Иными словами, автоматизация приводит к тому, что в человеческом труде просто отпадает нужда.
Однако есть область, где компьютеры пока не могут нас обойти – это креатив. Машины не обладают сознанием, и пока не способны создавать действительно интересный развлекательный контент.
Хотя поп-культура и заявляет обратное, будущее – это не противостояние машин и людей. Скорее, это сотрудничество ради достижения наилучшего результата.
Подписывайся!
ВКонтакте
Есть о чем рассказать? Тогда присылайте свои материалы Марине Ибушевой
