Навіщо маркетологу технології data science і як їх використовувати

Засновниця компанії Data Science UA Олександра Богуславська і керівниця відділу консалтингу Ніка Тамайо Флорес поділилися корисною інформацією в інтерв'ю агентству контент-маркетингу Content.UA.

Ніка Тамайо Флорес: Давайте передусім розберемося з тим, що таке big data. По-перше, мова йде про значні обсяги даних, для яких не підходять стандартні системи зберігання — чи то через високу швидкість надходження й аналізу, чи через специфіку цих даних. При цьому чітких меж не існує: не можна стверджувати, що 1 ТБ — це вже big data, а 999 ГБ — ще ні. По-друге, big data передбачає одночасний збір даних різних типів. Це можуть бути табличні дані (будь-яка інформація, яку можна уявити на аркуші Excel: контактні дані клієнтів, характеристики товарів тощо), зображення, тексти, сигнали від різних датчиків. І третя ознака big data — необхідність проводити аналіз інформації в режимі реального часу.

На українському ринку не так багато компаній, у яких маркетологам справді доводиться мати справу з big data. Це можуть бути великі маркетплейси, високонавантажені мобільні застосунки тощо.

Що може дати маркетологам використання даних? Інформація — це ключ до прийняття рішень. Не маючи точних даних, люди роблять висновки на основі емоцій або попереднього досвіду, при цьому часто потрапляють в пастку власної експертності. А щоб інформацію було зручно і просто використовувати, потрібні технології. Найчастіше людині некомфортно працювати з таблицями, великими обсягами даних — значно краще сприймаються візуалізації: дашборди й окремі графіки. Водночас підвищується ефективність роботи, адже око людини з легкістю знаходить розбіжності на зображеннях, на відміну від багаторядкових файлів Excel.

Олександра Богуславська: Конкретний приклад використання даних на допомогу маркетологам — можливість краще пізнати своїх клієнтів. Дані можна використовувати, щоб працювати з асортиментом послуг або товарів, оптимізувати маркетингові бюджети. Наприклад, якщо компанія розміщує рекламу в різних digital-ресурсах (Facebook, Google), зібрані дані допоможуть оцінити її ефективність і точно спланувати нову рекламну кампанію для досягнення більшої конверсії.

Тоді ми всі щодня маємо справу з data science? Чи є цікаві приклади рішень, які допомагають компаніям у роботі з клієнтами?

Ніка: Ми стикаємося з data science під час купівлі квитків на літак або бронюванні готелів, коли вартість змінюється залежно від попиту. Коли ми будуємо маршрут на онлайн-карті чи вводимо запит у пошуковій системі — результати формуються алгоритмами. Служби таксі використовують дані для того, щоб формувати ціну й об'єднувати водіїв і пасажирів. Дуже багато інструментів застосовують в медицині: і для встановлення діагнозу, і для відстеження розвитку хвороб.

З використанням ШІ й автоматизації пов'язані певні побоювання: багато хто переживає, чи не заберуть технології їхні робочі місця. Які галузі все-таки залишаються «людськими»? І які рішення на основі ШІ допоможуть полегшити роботу маркетологам?

Ніка: Технологіям можна передати різні механічні справи, в яких люди часто припускаються помилок. Наприклад, варто максимально автоматизувати введення даних. Уже сьогодні працюють системи, які сканують документи і самостійно витягують необхідну інформацію.

Технології також будуть корисними під час виконання різних рутинних процесів. Виставити рахунки на оплату, завантажити інформацію із заданого джерела чи навіть провести конкурентний аналіз на основі даних сайтів — такі завдання чудово піддаються автоматизації. За допомогою нейромереж можна створювати контент: нещодавно за допомогою машинного перекладу переклали на російську мову книгу про автоматизацію. Звичайно, людина її відредагував, але переклад вийшов дуже якісним. При цьому низку фрагментів залишили у вигляді машинного перекладу, щоб наочно показати можливості технології.

Якщо в компанії є monkey job — її варто автоматизувати, щоб залишити за людиною справді цікаві функції: формування стратегій і висновків, аналіз інформації. Більшість моделей машинного навчання цього «не вміють» — результати потрібно інтерпретувати, тож це завдання ще тривалий час залишатиметься за людиною.

Зараз в індустрії активно використовується Open Source. Передові моделі машинного навчання містяться у відкритому доступі. І не так важко навчитися їх використовувати. Потрібні будуть інвестиції в ІТ-інфраструктуру, адже складні моделі вимагають серйозних обчислювальних ресурсів.

Це означає, що компанії можуть вибирати відповідні інструменти з таких Open Source-рішень і самостійно збирати моделі для своїх потреб?

Ніка: Так, для невеликих компаній із невеликою кількістю транзакцій можна закрити завдання на 90% за допомогою таких безкоштовних інструментів.

Розкажіть трохи про фахівців, які можуть збирати такі системи, і про тих, хто займається інтерпретацією даних. Які навички для них важливі?

Олександра: Перший фахівець, який потрібен для складання моделі, це інженер: для вирішення різних завдань потрібні інженери різних типів. Це людина, яка розуміє, як дані з джерел будуть потрапляти до сховища, де вони перебуватимуть і використовуватимуться для подальшого аналізу. Такі фахівці добре вміють писати код (Python чи Java, або Scala), знають, що таке менеджмент даних, як влаштовані дані, як їх привести до ладу. Вони створюють елементи інфраструктури.

Є інший тип фахівців — інженери машинного навчання чи дата-саєнтист. Вони будують моделі машинного навчання і працюють безпосередньо з даними. На відміну від інженерів, дата-саєнтисти займаються вирішенням завдань бізнесу. Для таких фахівців вкрай важливо глибоке знання математики, зокрема лінійної алгебри, знання статистики, добре володіння певними програмними пакетами (Python). Для дата-саєнтиста дуже важлива експертиза в певній галузі.

А які технології використовують в маркетингу вже зараз, щоб підвищити ефективність і полегшити роботу людям?

Ніка: Це моделі, які дають можливість отримати більше інформації про клієнтів чи оптимізувати бюджет. Одне з топових рішень, які застосовують аналітики-маркетологи, — це модель кластеризації клієнтів. Такий підхід відрізняється від сегментації, у якій один загальний «пиріг» нарізається на певні сегменти за статтю, віком та іншими параметрами. Кластеризація дає можливість групувати клієнтів у багатовимірному просторі. Один із таких кластерів може називатися «любителі риболовлі», а інший — «клієнти, які здійснюють покупки щочетверга». У клієнтів, які потрапили в один кластер, можуть бути різний вік, стать та інші характеристики, на основі яких зазвичай проводять сегментацію, а ось поведінкові характеристики будуть збігатися. Знаючи про такі поведінкові відмінності, маркетолог розуміє, як краще комунікувати і що краще пропонувати. Можна отримати більш глибоке розуміння клієнтів, і замість банального таргетингу за ознаками «місце-вік-стать», дуже точково «діймати» своїх клієнтів правильними пропозиціями.

Друга популярна модель — відтік клієнтів, особливо актуальна для бізнесу з дуже високою вартістю залучення. Модель дає можливість відстежити, коли лояльний клієнт збирається піти, — і вчасно зробити правильну пропозицію, яка допоможе його зберегти.

Третя модель складніша, адже передбачає збір більшого обсягу даних, — це оптимізація маркетингового бюджету. З її допомогою, знаючи всю інформацію про рекламну кампанію: конверсії, CTR, CPM тощо, можна знаходити найефективніші канали та обсяги реклами для утримання ключових показників у певних межах.

На допомогу креативників розроблені нейронні мережі, які створюють зображення, тексти англійською, сценарії роликів або фотографії вигаданих людей. Вам не потрібно замовляти фотосесію, щоб вставити в рекламну кампанію фото людей — це зробить нейромережа.

Одне з перших питань, які ставлять компанії, що зацікавилися такими технологіями: а скільки це коштуватиме? Коли проєкт почне окупатися?

Олександра: Для пілотної версії вартість становитиме близько кількох тисяч доларів. Коли мова йде про інтеграцію проєкту в системи клієнта — вилка дуже велика, і це пов'язано з тим, що у компаній різна інфраструктура.

Ніка: Щоб відповісти на це запитання, наведу приклад. Уявіть, що ви зателефонували до лікаря, поскаржилися на біль у животі й просите одразу прописати ліки. Але лікар не зможе цього зробити без огляду й аналізів. Тут ситуація дуже схожа. Доки не побачимо дані, ми не можемо оцінити, скільки коштуватиме проєкт. І навіть після того, як ми їх побачили, дуже складно назвати фінальну ціну. Одне й те ж завдання можна вирішити десятьма різними способами. Так само дуже складно розрахувати ефект для кожної окремої компанії, тому потрібно не лише запровадити якесь нововведення, а ще й правильно його використовувати.

Ось живий приклад. Можна зробити рекомендаційну систему, яка пропонуватиме товари для кожного користувача інтернет-магазину. Комунікувати рекомендації можна різними способами: e-mail, смс, посилання статті з блогу прямо на сторінці. Не достатньо, щоб математична модель порахувала і видала результат — від правильності обраного каналу і часу комунікації залежатиме ефективність кампанії.

Чи варто замислюватися над впровадженням ШІ-інструментів бізнесу, який нещодавно відкрився, у якого ще немає своїх даних? Чи такі послуги актуальні лише для компаній, які перебувають на стадії цифрової трансформації?

Ніка: На кожному етапі — свої завдання. Для компаній, які тільки створюються, дуже важливо максимально швидко зібрати дані, щоб приймати на їхній основі рішення про розвиток продукту чи бізнесу. Для цього потрібно одразу визначити, які дані потрібно збирати, і спроєктувати правильну систему.

Бізнес, який проходить діджитал-трансформацію, майже завжди звертається за консультацією. У таких компаній на перше місце часто виходять інфраструктурні питання. Використання даних — ключовий момент цифровий трансформації. Потрібно розуміти, що дані — це такий самий цінний ресурс, як фінанси чи таланти, які можуть дати компанії неймовірні конкурентні переваги.

Олександра: Головна навичка, яка необхідна людям, котрі відповідають за використання даних і постановку завдань, — це критичне мислення. Недостатньо найняти фахівців, які зможуть створити інфраструктуру і написати моделі машинного навчання. Потрібно розуміти, для чого це робити. Технічні фахівці говорять однією мовою, а бізнес-фахівці — іншою. Якщо для інженерів важлива продуктивність моделі, то для бізнес-фахівців — кеш-флоу, ROI. Іноді вони не розуміють одне одного.

Ніка: Ось тут приходить на допомогу компанія Data Science UA і такі фахівці, як ми. Ми допомагаємо побудувати «місток» між бізнес-клієнтами та розробниками і зрозуміти, чи варта гра свічок. Залучення такого фахівця зменшує ризики і збільшує шанси на успіх.

Data Science UA також проводить навчання — розкажіть, кого ви чекаєте на курсах і тренінгах? Програма орієнтована лише на технічних фахівців чи також буде корисна керівникам, маркетологам, які хочуть краще зрозуміти можливості технологій?

Олександра: Ми маємо три основні напрями навчання. Перший орієнтований на керівників і всіх, хто приймає рішення. Їм потрібно зрозуміти, що це за технології, чого можна досягти за їхньою допомогою. Є програми для технічних фахівців двох напрямів: для аналітиків і розробників. У кожного з цих напрямів навчання — свої цілі.

Як локдауни і часткові обмеження, повязані з пандемією, вплинули на впровадження ШІ-проєктів у маркетингу?

Ніка: Пандемія зробила для діджитал-трансформації в усьому світі більше, ніж усі інші чинники. Власники захотіли керувати своїми компаніями зі смартфонів і комп'ютерів. Багато хто виявився не готовим до цього, але були і компанії, які до пандемії вже йшли шляхом трансформації, — для них впровадження технологій прискорилося. Не завжди легко оцінити, як вплинула пандемія на компанії. Ми бачили різні сценарії: хтось три місяці не міг налагодити віддалену роботу, а хтось за кілька днів приймав важливі складні рішення і розвивався далі. Якщо у компанії до пандемії не було стратегії розвитку технологій і впровадження рішень, то і під час пандемії вона не з'явиться раптово.

Олександра: У цьому питанні важливе прийняття рішень, а не просто заява: «Ми тепер — data-driven». І варто приготуватися до того, що працівники не завжди їх підтримають: багато хто не розуміє, що компанія не планує одразу замінити їх роботами, що технології покращують і полегшують їхню роботу, а не забирають її.

Чи можете ви описати маркетолога майбутнього — 5‒10 найближчих років? Яким навичкам і напрямам, окрім класичної освіти і знань у сфери діджитал, потрібно приділити увагу?

Олександра: Маркетологам потрібно навчитися приймати рішення на основі даних, освоїти базову статистику, навчитися ставити експерименти. Важливо постійно вчитися і покращувати свої навички вирішення завдань. Ще одна дуже корисна навичка — вміння ставити запитання.

Директор із маркетингу — це різнопланові фахівці, компетенції яких повязані зі сферою, в якій вони працюють. Є багато рішень, деякі вимагатимуть вкладень фінансів і часу, тому для керівника надзвичайно важливо розбиратися в технологіях, і не лише в маркетингових.

Ніка: Потрібно самому показувати приклад, бути лідером, мати «технологічну підкованість» і не боятися ризикувати. Стратегічні моменти, емоційне залучення, якого багато в комунікаціях, не передаються машинам. Я — технооптиміст, і вважаю, що перспектива не за автоматизацією, а за augmentation — взаємодоповнювальною системою «людина + машина» як робочою одиницею. Працюючи разом, вони зможуть давати дуже хороші результати. Тому потрібно говорити не про те, як нам скоротити штат за рахунок впровадження різних технологій, а про те, як навчити людей використовувати ці технології.

З чого почався ваш шлях у сфері big data? Що зараз приносить вам більше драйву та позитивних емоцій?

Олександра: Мій шлях почався з роботи в американській IT-компанії, де я була єдиною нерозробницею в команді. Я відповідала саме за всі інші функції в IT-компанії. Зі мною працювали дуже талановиті хлопці-розробники, які одного разу і повели мене на AI-meet up. Спікер надихнув мене: настільки цікавим була розповідь про штучний інтелект і його можливості. Я запитала у колег, чи проводяться в Києві конференції по AI — виявилося, що ні.

Тоді я зрозуміла, що хочу створити майданчик для суперталановитих розробників, на якому вони могли б спілкуватися, розвиватися, отримувати знання та знаходити нові ідеї. Так, у листопаді 2016 року ми з командою провели першу конференцію Data Science UA, після цього ми почали проводити щомісяця мітапи із data science і AI.

Зараз я найбільше радію, коли бачу, як виросло наше Data Science-ком'юніті. Ми вже провели 9 міжнародних конференцій Data Science UA, влаштували сотні фахівців e класні data science-проєкти. Я дуже рада, що кількість дата-саєнтистів в Україні зростає, заходять міжнародні цікаві проєкти.

Мені здається, майбутнє України — саме за такими складними технологіями, як AI. І наша компанія робити свій внесок у розвиток таких технологій. Наша місія — об'єднувати розробників і представників бізнесу.

Ніка: Я починала з маркетингового аналізу. Навчалася в КНТЕУ, працювала в роздрібній мережі.Одного чудового дня я отримала завдання проаналізувати товарообіг за рік, і виявилося, що я не можу завантажити його в Excel, оскільки файл завеликий. Так, у 2015 році я з'ясувала, що існує big data та інші технології, що є безліч видів даних і способів їхнього аналізу. І за всім цим — майбутнє. Я вирішила змінити професію і вирушила вчитися до Іспанії, в IE Business School отримала другу вищу освіту. Що, до речі, розвінчує міф про те, що лише технічні фахівці можуть займатися data science — зовсім ні, бізнес-фахівці теж дуже потрібні.

Найбільше драйвить вирішення реальних завдань, допомога людям. А ще я викладаю. У цій галузі зараз дуже мало фахівців, і вкрай потрібно, щоб їх ставало більше. Я вношу свій вклад: розповідаючи про технології, про те, як це працює і чого можна досягти з їхньою допомогою. Це теж драйвить.

Як компанія Data Science UA допомагає бізнесу щодо питань впровадження чи оцінки ефективності ШІ-проєктів?

Олександра: Компанія займається кількома напрямами. Ми навчаємо і менеджерів, і технічних фахівців, як адаптуватися до викликів нового часу, як використовувати нові інструменти. У нас є кілька курсів із фіксованою програмою і курси, які ми створюємо спеціально для різних компаній.

Є ще один напрям, яким керує Ніка, — консалтинг. Це безпосередньо робота з компаніями для впровадження таких технологій. Вона містить питання створення інфраструктури, вибір рішень, які принесуть найбільшу ефективність у найкоротші терміни. Сюди входять створення пілотів, перевірка їх результатів, запуск в експлуатацію, створення нових внутрішніх продуктів для компаній на основі машинного навчання.

Ми також підбираємо фахівців у ІТ, але спеціалізуємося на сфері даних: дата-саєнтистів, дата-аналітиків і топ-менеджменті - людей, які займаються інноваціями, аналітикою, і які драйвлять діджитал-трансформацію в компаніях.