Зачем маркетологу технологии data science и как их использовать

Что такое big data и кто имеет с ними дело? Как отделу маркетинга «подружиться» с постоянно растущим потоком данных и научиться правильно их использовать? Зачем внедрять искусственный интеллект и не отнимет ли он у нас работу?

Основательница компании Data Science UA Александра Богуславская и руководительница отдела консалтинга Ника Тамайо Флорес поделились полезной информацией в интервью агентству контент-маркетинга Content.UA.

Ника Тамайо Флорес: Давайте сначала разберемся с тем, что такое big data. Во-первых, речь идет о значительных объемах данных, для которых не подходят стандартные системы хранения — либо из-за высокой скорости поступления и анализа, либо из-за специфики этих данных. При этом четких границ не существует: нельзя утверждать, что 1 ТБ — это уже big data, а 999 ГБ — еще нет. Во-вторых, big data подразумевают одновременный сбор данных разных типов. Это могут быть табличные данные (любая информация, которую можно представить на листе Excel: контактные данные клиентов, характеристики товаров и подобные), изображения, тексты, сигналы от различных датчиков. И третий признак big data — необходимость проводить анализ информации в режиме реального времени.

На украинском рынке не так много компаний, в которых маркетологам действительно приходится иметь дело с big data. Это могут быть крупные маркетплейсы, высоконагруженные мобильные приложения и подобные.

Что может дать маркетологам использование данных? Информация — это ключ к принятию решений. Не имея точных данных, люди делают выводы на основе эмоций или предыдущего опыта, при этом часто попадают в ловушку собственной экспертности. А чтобы информацию было удобно и просто использовать, нужны технологии. Чаще всего человеку некомфортно работать с таблицами, большими объемами данных — гораздо лучше воспринимаются визуализации: дашборды и отдельные графики. При этом повышается эффективность работы, ведь глаз человека с легкостью находит отличия на изображениях, в отличии от многострочных файлов Excel.

Александра Богуславская: Конкретный пример использования данных в помощь маркетологам — возможность лучше узнать своих клиентов. Данные можно использовать, чтобы работать с ассортиментом услуг или товаров, оптимизировать маркетинговые бюджеты. Например, если компания размещает рекламу в различных digital-ресурсах (Facebook, Google), собранные данные помогут оценить ее эффективность и точно спланировать новую рекламную кампанию для достижения большей конверсии.

Тогда мы все каждый день имеем дело с data science? Есть ли интересные примеры решений, которые помогают компаниям в работе с клиентами?

Ника: Мы сталкиваемся с data science при покупке билетов на самолет или бронировании отелей, когда стоимость изменяется в зависимости от спроса. Когда мы строим маршрут на онлайн-карте или вводим запрос в поисковой системе — результаты формируются алгоритмами. Службы такси используют данные для того, чтобы формировать цену и объединять водителей и пассажиров. Очень много инструментов применяют в медицине: и для постановки диагноза, и для отслеживания развития болезней.

С использованием ИИ и автоматизации связаны некоторые опасения: многие переживают, не отнимут ли технологии их рабочие места. Какие отрасли все-таки остаются «человеческими»? И какие решения на основе ИИ помогут облегчить работу маркетологам?

Ника: Технологиям можно передать любые механические функции, в которых люди часто допускают ошибки. Например, стоит максимально автоматизировать ввод данных. Уже сегодня работают системы, которые сканируют документы и самостоятельно извлекают нужную информацию.

Технологии также будут полезны при выполнении различных рутинных процессов. Поставить счета на оплату, скачать информацию из заданного источника или даже провести конкурентный анализ на основе данных сайтов — такие задачи отлично поддаются автоматизации. С помощью нейросетей можно создавать контент: недавно посредством машинного перевода перевели на русский язык книгу об автоматизации. Конечно, человек ее отредактировал, но перевод получился очень качественным. При этом ряд фрагментов оставили в виде машинного перевода, чтобы наглядно показать возможности технологии.

Если в компании есть monkey job — ее стоит автоматизировать, чтобы оставить за человеком действительно интересные функции: формирование стратегий и выводов, анализ информации. Большинство моделей машинного обучения этого «не умеют» — результаты нужно интерпретировать, так что эта задача еще долгое время будет оставаться за человеком.

Сейчас в индустрии активно используется Open Source. Передовые модели машинного обучения находятся в открытом доступе. А их использованию не так трудно научиться. Нужны будут инвестиции в ИТ-инфраструктуру, так как сложные модели требуют серьезных вычислительных ресурсов.

Это значит, компании могут выбирать подходящие инструменты из таких Open Source-решений и самостоятельно собирать модели под свои потребности?

Ника: Да, для небольших компаний с небольшим количеством транзакций можно закрыть задачи на 90% с помощью таких бесплатных инструментов.

Расскажите немного о специалистах, которые могут собирать такие системы, и о тех, кто занимается интерпретацией данных. Какие навыки для них важны?

Александра: Первый специалист, который нужен для сборки модели, это инженер: для решения различных задач нужны инженеры разных типов. Это человек, который понимает, как данные из источников будут попадать в хранилище, где они будут находиться и использоваться для дальнейшего анализа. Такие специалисты хорошо умеют писать код (Python или Java, или Scala), знают, что такое менеджмент данных, как устроены данные, как их привести в порядок. Они создают элементы инфраструктуры.

Есть другой тип специалистов — инженеры машинного обучения или дата-сайентисты. Они строят модели машинного обучения и работают непосредственно с данными. В отличие от инженеров, дата-сайентисты занимаются решением задач бизнеса. Для таких специалистов крайне важно глубокое знание математики, в том числе линейной алгебры, знание статистики, хорошее владение определенными программными пакетами (Python). Для дата-сайентиста очень важна экспертиза в определенной сфере.

А какие технологии используются в маркетинге уже сейчас, чтобы повысить эффективность и облегчить работу людям?

Ника: Это модели, которые дают возможность получить больше информации о клиентах или оптимизировать бюджет. Одно из топовых решений, которые применяют аналитики-маркетологи, — это модель кластеризации клиентов. Такой подход отличается от сегментации, при которой один общий «пирог» нарезается на определенные сегменты по полу, возрасту и другим параметрам. Кластеризация дает возможность группировать клиентов в многомерном пространстве. Один из таких кластеров может называться «любители рыбалки», а другой — «клиенты, которые покупают по четвергам». У клиентов, попавших в один кластер, могут быть разные возраст, пол и другие характеристики, на основе которых обычно проводят сегментацию, а вот поведенческие характеристики будут совпадать. Зная о таких поведенческих различиях, маркетолог понимает, как лучше коммуницировать и что лучше предлагать. Можно получить более глубокое понимание клиентов, и вместо банального таргетинга по признакам «место-возраст-пол», очень точечно «доставать» своих клиентов правильными предложениями.

Вторая популярная модель — оттока клиентов, особенно актуальная для бизнеса с очень высокой стоимостью привлечения. Модель дает возможность отследить, когда лояльный клиент задумывается об уходе, — и вовремя сделать правильное предложение, которое поможет его сохранить.

Третья модель более сложная, потому что предполагает сбор большего объема данных, — это оптимизация маркетингового бюджета. С ее помощью, зная всю информацию о рекламной кампании: конверсии, CTR, CPM и так далее, можно находить наиболее эффективные каналы и объемы рекламы для удержания ключевых показателей в определенных границах.

В помощь креативщикам разработаны нейронные сети, которые создают изображения, тексты на английском, сценарии роликов или фотографии несуществующих людей. Вам не нужно заказывать фотосессию, чтобы вставить в рекламную кампанию фото людей — это сделает нейросеть.

Один из первых вопросов, которые задают компании, заинтересовавшиеся такими технологиями: а сколько это будет стоить? Когда проект начнет окупаться?

Александра: Для пилотной версии стоимость будет около нескольких тысяч долларов. Когда речь идет об интеграции проекта в системы клиента — вилка очень большая, и это связано с тем, что у компаний разная инфраструктура.

Ника: Чтобы ответить на этот вопрос, приведу пример. Представьте, что вы позвонили врачу, пожаловались на боль в животе и просите сразу прописать лекарство. Но врач не сможет этого сделать без осмотра и анализов. Здесь ситуация очень похожая. Пока не увидим данные, мы не можем оценить, сколько будет стоить проект. И даже после того, как мы их увидели, очень сложно назвать финальную цену. Одну и ту же задачу можно решать десятком разных способов. Точно так же очень сложно рассчитать эффект для каждой отдельно взятой компании, потому нужно не только ввести какое-то новшество, а еще и правильно его использовать.

Вот живой пример. Можно сделать рекомендационную систему, которая будет предлагать товары для каждого пользователя интернет-магазина. Коммуницировать рекомендации можно разными способами: e-mail, смс, ссылки статьи из блога прямо на страничке. Не достаточно, чтобы математическая модель посчитала и выдала результат — от правильности выбранного канала и времени коммуникации будет зависеть эффективность кампании.

Стоит ли задумываться о внедрении ИИ-инструментов недавно открывшемуся бизнесу, у которого еще нет своих данных? Или такие услуги актуальны только для компаний, которые находятся на стадии цифровой трансформации?

Ника: На каждом этапе — свои задачи. Для компаний, которые только создаются, очень важно максимально быстро собрать данные, чтобы принимать на их основе решения о развитии продукта или бизнеса. Для этого нужно сразу определить, какие данные нужно собирать, и спроектировать правильную систему.

Бизнес, который проходит диджитал-трансформацию, почти всегда обращается за консультацией. У таких компаний на первое место часто выходят инфраструктурные вопросы. Использование данных — ключевой момент цифровой трансформации. Нужно понимать, что данные — это такой же ценный ресурс, как финансы или таланты, который может дать компании невероятные конкурентные преимущества.

Александра: Основной навык, который необходим людям, отвечающим за использование данных и постановку задач, — это критическое мышление. Мало нанять специалистов, которые смогут создать инфраструктуру и написать модели машинного обучения. Нужно понимать, для чего это делать. Технические специалисты говорят на одном языке, а бизнес-специалисты — на другом. Если для инженеров важна производительность модели, то для бизнес-специалистов — кэш-флоу, ROI. Иногда они не понимают друг друга.

Ника: Вот тут приходит на помощь компания Data Science UA и такие специалисты, как мы. Мы помогаем построить «мостик» между бизнес-клиентами и разработчиками и понять, стоит ли игра свеч. Привлечение такого специалиста уменьшает риски и увеличивает шансы на успех.

Data Science UA также проводит обучение — расскажите, кого вы ждете на курсах и тренингах? Программа ориентирована только на технических специалистов или будет полезна руководителям, маркетологам, которые хотят лучше понять возможности технологий?

Александра: У нас есть три основных направления обучения. Первое ориентировано на руководителей и всех, кто принимает решения. Им нужно понять, что это за технологии, чего можно достичь с их помощью. Есть программы для технических специалистов двух направлений: для аналитиков и разработчиков. У каждого из этих направлений обучения — свои цели.

Как локдауны и частичные ограничения, связанные с пандемией, повлияли на внедрение ИИ-проектов в маркетинге?

Ника: Пандемия сделала для диджитал-трансформации во всем мире больше, чем все остальные факторы. Руководители захотели управлять своими компаниями со смартфонов и компьютеров. Очень многие оказались не готовы к этому, но были и компании, которые до пандемии уже шли по пути трансформации, — для них внедрение технологий ускорилось. Не всегда легко оценить, как повлияла пандемия на компании. Мы видели разные сценарии: кто-то три месяца не мог наладить удаленную работу, а кто-то за пару дней принимал важные сложные решения и развивался дальше. Если у компании до пандемии не было стратегии развития технологий и внедрения решений, то и во время пандемии внезапно она не появится.

Александра: В этом вопросе важно принятие решений, а не просто заявление: «Мы теперь — data-driven». И стоит приготовиться к тому, что сотрудники не всегда их поддержат: многие не понимают, что компания не планирует сразу заменить их роботами, что технологии улучшают и упрощают их работу, а не забирают ее.

Можете ли вы описать маркетолога будущего — 5–10 ближайших лет? Каким навыкам и направлениям, помимо классического образования и знаний сферы диджитал, нужно уделить внимание?

Александра: Маркетологам нужно научиться принимать решения на основе данных, освоить базовую статистику, научиться ставить эксперименты. Важно постоянно учиться и улучшать свои навыки решения задач. Еще один очень полезный навык — умение задавать вопросы.

Директора по маркетингу — это разноплановые специалисты, компетенции которых связаны со сферой, в которой они работают. Есть много решений, некоторые потребуют вложений финансов и времени, поэтому для руководителя очень важно разбираться в технологиях, и не только в маркетинговых.

Ника: Нужно самому подавать пример, быть лидером, иметь «технологическую насмотренность» и не бояться рисковать. Стратегические моменты, эмоциональное вовлечение, которого много в коммуникациях, не передаются машинам. Я — технооптимист, и считаю, что перспектива не за автоматизацией, а за augmentation — взаимодополняющей системой «человек + машина» как рабочая единица. Работая вместе, они смогут давать очень хорошие результаты. Поэтому нужно говорить не о том, как нам сократить штат за счет внедрения разных технологий, а о том, как научить людей использовать эти технологии.

С чего начался ваш путь в сфере big data? Что сейчас приносит вам больше драйва и позитивных эмоций?

Александра: Мой путь начался с работы в американской IT компании, где я была единственным не-разработчиком в команде. Я отвечала как раз за все остальные функции в IT компании. Со мной работали очень талантливые ребята-разработчики, которые однажды и повели меня на AI-meet up. Спикер вдохновил меня: настолько интересным был рассказ об искусственном интеллекте и его возможностях. Я спросила у коллег, проводятся ли в Киеве конференции по AI — оказалось, что нет.

Тогда я поняла, что хочу создать площадку для супер-талантливых разработчиков, на которой они могли бы общаться, развиваться, получать знания и находить новые идеи. Так в ноябре 2016 года мы с командой провели первую конференцию Data Science UA, после этого мы начали проводить каждый месяц митапыпо data science и AI.

Сейчас я больше всего радуюсь, когда вижу, как выросло наше Data Science комьюнити. Мы уже провели 9 международных Data Science UA конференций, устроили сотни специалистов в классные data science проекты. Я очень рада, что количество дата сайентистов в Украине растет, заходят международные интересные проекты.

Мне кажется, будущее Украины — как раз за такими сложными технологиями, как AI. И наша компания вносит свой вклад в развитие таких технологий. Наша миссия — объединять разработчиков и представителей бизнеса.

Ника: Я начинала с маркетингового анализа. Училась в КНТЭУ, работала в розничной сети. В один прекрасный день я получила задачу проанализировать товарооборот за год, и оказалось, что я не могу скачать его в Excel, потому что файл слишком большой. Так в 2015 году я выяснила, что существует big data и другие технологии, что есть множество видов данных и способов их анализа. И за всем этим — будущее. Я решила сменить профессию и отправилась учиться в Испанию, в IE Business School получила второе высшее образование. Что, кстати, развенчивает миф о том, что только технические специалисты могут заниматься data science — вовсе нет, и бизнес-специалисты тоже очень нужны.

Больше всего драйвит решение реальных задач, помощь людям. А еще я преподаю. В этой области сейчас очень мало специалистов, и очень нужно, чтобы их становилось больше. Я вношу свой вклад: рассказывая о технологиях, о том, как это работает и чего можно достичь с их помощью. Это тоже драйвит.

Как компания Data Science UA помогает бизнесу в вопросах внедрения или оценки эффективности ИИ-проектов?

Александра: Компания занимается несколькими направлениями. Мы учим и менеджеров, и технических специалистов тому, как адаптироваться к вызовам нового времени, как использовать новые инструменты. У нас есть несколько курсов с фиксированной программой и курсы, которые мы создаем специально для разных компаний.

Есть еще одно направление, которым руководит Ника, — консалтинг. Это непосредственно работа с компаниями для внедрения таких технологий. Она включает вопросы создания инфраструктуры, выбор решений, которые принесут наибольшую эффективность в наименьшие сроки. Сюда входят создание пилотов, проверка их результатов, запуск в эксплуатацию, создание новых внутренних продуктов для компаний на основе машинного обучения.

Мы также подбираем специалистов в ИТ, но специализируемся на сфере данных: дата-сайентистах, дата-аналитиках и топ-менеджменте — людях, которые занимаются инновациями, аналитикой, и которые драйвят диджитал-трансформацию в компаниях.