Как нейросети изменят маркетинг
Бизнес давно освоил автоматическую закупку рекламы и таргетирование сообщений на основе больших данных. Однако тренды развития маркетинга, в том числе все более «узкая» сегментация аудитории, диверсификация рекламных площадок, формирование закрытых рекламных вертикалей, потребуют решений качественно нового технологического уровня. Будущее маркетинга — использование нейронных сетей и машинного обучения, которые радикально трансформируют рынок. Какие технологии окажут решающее влияние на рынок маркетинга?
Матчасть: что такое нейросеть-трансформер
Big Data и машинное обучение — не новые понятия. Термин «большие данные» закрепился в языке после статьи в журнале Nature 2008 года, посвященной накоплению и обработке огромных массивов данных. За следующие три года понятие вышло за пределы научной литературы, распространилось в СМИ и стало заметным трендом. К 2011 году большинство крупнейших поставщиков информационных технологий для В2В-клиентов, в том числе IBM, Oracle, Microsoft и Hewlett-Packard, стали использовать в своих стратегиях Big Data. Машинное обучение существовало и раньше, но только к 2010-м годам у бизнеса накопились достаточные объемы данных, чтобы их анализ, с одной стороны, требовал алгоритмов, а с другой — давал видимый экономический эффект.
В 2017–2020 годах произошел еще один прорыв в области машинного обучения. В 2017 году аналитики лаборатории Google Brain представили новый тип нейронной сети — сеть-трансформер. Она была придумана для решения лингвистических задач — например, распознавания и перевода текста. Основное отличие трансформера от более ранних «версий» нейросетей заключается в том, что она может обрабатывать данные не последовательно, а одновременно «с разных концов». Это не совсем точное описание, однако оно довольно четко описывает суть. Это дает возможность по-другому анализировать данные: например, не последовательно слова в предложениях, а текст целиком.
В повседневной жизни нейросети-трансформеры применяются в программах-переводчиках. Это позволило уйти от «корявых» формулировок, которые такие программы выдавали в начале «нулевых», в поисковиках крупных браузеров и в голосовых помощниках. Более сложные сферы использования — машинное зрение для беспилотников, определение депрессии по записи разговоров или тексту сообщений. Самые наглядные примеры работы трансформенной нейросети — генератор текста GPT-3, представленный исследовательской организацией OpenAI летом 2020 года, и генераторы изображений на основе текста Dalle и Imagen от OpenAI и Microsoft.
Развитие вычислительных ресурсов, рост объема данных и увеличение числа data-специалистов постепенно привело к тому, что новейшие ML-технологии проникли в более прикладные сферы, одна из которых — маркетинг. В ближайшие годы на основе нейросетей-трансформеров и других технологий появятся инструменты для более точной сегментации аудитории, кросс-канальной аналитики, создания сообщений и креативов.
Зачем «нейронки» маркетингу
Маркетологи стали одними из самых активных пользователей больших данных в бизнесе. На сегодняшний день именно реклама — одна из основных сфер применения Big Data. Нейросети сегментируют аудиторию и закупают programmatic-рекламу. Пока рынку этого хватает, но в ближайшие пять лет ситуация изменится, и спрос на ML-модели вырастет кратно. Именно доступ к новейшим технологиям аналитики будет определять успешность рекламы и маркетинга в горизонте пяти лет.
О каких изменениях идет речь?
В сумме эти тенденции приведут нас к тому, что уже через несколько лет брендам придется под каждую кампанию изготавливать десятки сообщений и креативов, которые будут направлены на очень узкий сегмент аудитории, а возможно, и на конкретного пользователя. А затем надо будет каким-то образом адресовать каждое сообщение нужному пользователю или сегменту и оценивать итоговую эффективность рекламы. И тут на арену выходят нейронные сети.
Посчитать «чужую» аудиторию
Нейросети-трансформеры — один из способов расширить знания о своей аудитории. Все экосистемы достаточно неплохо анализируют своих клиентов, но мало что знают о чужих. При этом теоретически при помощи нейросетей можно «достроить» часть информации о сторонних пользователях. Например, Big Data МТС обладает огромным массивом обезличенных данных о пользователях экосистемы, а рекламная платформа «МТС Маркетолог» знает некоторые критерии о сторонних пользователях. «Кусочки» информации об абонентах других операторов мы можем собрать с платформы, через которую запускаем programmatic, — это способ закупки рекламы в интернете, когда место размещения подбирает алгоритм под заданную аудиторию. В результате мы видим, на каких площадках была размещена реклама по заданному сегменту, на что пользователь кликнул, какие были критерии для подбора аудитории.
Обучив модель находить определенный сегмент на собственных данных — а МТС обладает самой большой клиентской базой среди операторов, что дает нам существенное преимущество, — мы можем наложить ее на данные из DSP-платформы и предположить, в какие сегменты попадает сторонний пользователь. Далее мы запускаем рекламу на получившийся сегмент, смотрим конверсию и дообучаем модель. Таким образом мы получаем модель, которая сможет сегментировать аудиторию всех операторов.
Оценить эффективность ТВ- и радиорекламы
Над оценкой медийной аудио- и видеорекламы агентства и системы измерения бьются не первый год, и пока никому не удалось найти идеальное решение. У существующей аналитики — пиплметров — есть несколько очевидных недостатков: небольшая выборка, привязка к телевизору, то есть домохозяйству, а не конкретному человеку, невозможность измерять аудио- и видеорекламу на других носителях или вне дома. Долгое время пиплметры были единственным средством измерения, но по мере диверсификации каналов недовольство существующей технологией растет.
Перспективной технологией кажутся аудиометки, или audio watermarks. Это неслышные человеческому уху звуковые сигналы, которые считывают специальные устройства или программное обеспечение. Изначально их использовали для того, чтобы пометить звуковые объекты авторского права. Аудиометки по сути —звуковой аналог водяного знака на фотографии. Постепенно компании начинают экспериментировать с использованием технологии для оценки эффективности рекламы.
На западном рынке технологию с 2014 года использует аналитическое агентство Nielsen. В России измерить аудиторию телесмотрения по аудиометкам впервые попробовало агентство Mediascope в 2020 году. Компания делала оценку смотрения контента канала НТВ на YouTube. В контент встраивались аудиометки, которые считывали те самые приставки-пиплметры. Компания отчиталась об успешном «пилоте», однако у технологии по-прежнему есть недостатки, и главный из них — привязка к специальным приставкам.
Скорее всего, в ближайшем будущем мы увидим новые эксперименты с технологиями, способными оценить аудио- и видеосмотрение. Разработка эффективного решения требует консолидации разных игроков рынка. И судя по публичным заявлениям, они уже близки к тому, чтобы сплотиться ради достижения общей цели.
Генерировать индивидуальные сообщения
Несмотря на то что маркетологи уже несколько лет говорят о необходимости дробить аудиторию на множество рекламных сегментов, к нам все еще часто приходят компании с просьбой запустить рекламу на аудиторию, например, женщин 18–55 лет. Отчасти такие запросы объясняются недостатком информации, а отчасти недостатком возможностей для генерации контента: ведь нет смысла бить аудиторию на десятки сегментов, если ты все равно можешь разработать только один-два креатива. Эта проблема будет становиться все более актуальной в свете трендов на сегментацию аудитории, диверсификацию каналов и персонализацию контента.
Здесь нам снова помогают нейросети, уже научившиеся генерировать изображения по текстовому описанию и текст по заданным фразам. Последний нашумевший кейс — Cosmopolitan впервые выпустил журнал, обложку которого сгенерировала «нейронка» DALL-E 2. Как мы знаем, создание текста или картинки на основе описания — задача, решаемая нейросетями-трансформерами. Они могут не только генерировать, но и анализировать текст. Например, предсказывать, насколько он «зайдет» той или иной категории пользователей.
Сейчас текст СМС или картинку для промо делает человек. Он может ориентироваться на собственный опыт и писать достаточно конверсионные сообщения и картинки. Но что если можно сделать лучше? Нейросеть может проанализировать текст и предсказать, каков будет CTR сообщения для заданной аудитории. А если она может предугадать конверсию, то следующий шаг — научить ее давать рекомендации, как заданный текст или визуал можно улучшить. И наконец, финальная стадия — научить алгоритм самостоятельно создавать тексты и креативы для рекламы. Конечно, человек все равно будет следить за ситуацией — ставить задачу, проверять результат, но основная проблема — генерация десяток и сотен сообщений — будет решена. Со временем алгоритмы смогут создавать сообщения не просто на сегмент, а подстраивать его под каждого конкретного пользователя.
Останутся ли маркетологи
В результате технологической революции маркетинг станет одной из самых цифровых отраслей. Я часто говорю, что маркетинг — это математика. В скором будущем маркетинг станет еще и технологией. С одной стороны, алгоритмы и машинное обучение сильно облегчат нашу работу и возьмут на себя множество рутинных задач. С другой — всем, кто хочет остаться в профессии или войти в нее, нужно будет подтянуть свои знания в части ИТ и научиться эффективно взаимодействовать с нейронными системами и алгоритмами. Это не значит, что дизайнеры, маркетологи, аналитики и райтеры станут не нужны. Просто мы будем закрывать немного другие вопросы: ставить нейросетям задачи, больше времени уделять стратегии и позиционированию, изучать свою аудиторию, креативить и искать все новые способы встретиться с клиентом, стать его партнером. Маркетинг будущего — это не только про технологии. Это в первую очередь про человекоцентричность и партнерство. И построить его может только человек.
Этот материал опубликован на платформе бизнес-сообщества Forbes Экспертиза
Матчасть: что такое нейросеть-трансформер
Big Data и машинное обучение — не новые понятия. Термин «большие данные» закрепился в языке после статьи в журнале Nature 2008 года, посвященной накоплению и обработке огромных массивов данных. За следующие три года понятие вышло за пределы научной литературы, распространилось в СМИ и стало заметным трендом. К 2011 году большинство крупнейших поставщиков информационных технологий для В2В-клиентов, в том числе IBM, Oracle, Microsoft и Hewlett-Packard, стали использовать в своих стратегиях Big Data. Машинное обучение существовало и раньше, но только к 2010-м годам у бизнеса накопились достаточные объемы данных, чтобы их анализ, с одной стороны, требовал алгоритмов, а с другой — давал видимый экономический эффект.
В 2017–2020 годах произошел еще один прорыв в области машинного обучения. В 2017 году аналитики лаборатории Google Brain представили новый тип нейронной сети — сеть-трансформер. Она была придумана для решения лингвистических задач — например, распознавания и перевода текста. Основное отличие трансформера от более ранних «версий» нейросетей заключается в том, что она может обрабатывать данные не последовательно, а одновременно «с разных концов». Это не совсем точное описание, однако оно довольно четко описывает суть. Это дает возможность по-другому анализировать данные: например, не последовательно слова в предложениях, а текст целиком.
В повседневной жизни нейросети-трансформеры применяются в программах-переводчиках. Это позволило уйти от «корявых» формулировок, которые такие программы выдавали в начале «нулевых», в поисковиках крупных браузеров и в голосовых помощниках. Более сложные сферы использования — машинное зрение для беспилотников, определение депрессии по записи разговоров или тексту сообщений. Самые наглядные примеры работы трансформенной нейросети — генератор текста GPT-3, представленный исследовательской организацией OpenAI летом 2020 года, и генераторы изображений на основе текста Dalle и Imagen от OpenAI и Microsoft.
Развитие вычислительных ресурсов, рост объема данных и увеличение числа data-специалистов постепенно привело к тому, что новейшие ML-технологии проникли в более прикладные сферы, одна из которых — маркетинг. В ближайшие годы на основе нейросетей-трансформеров и других технологий появятся инструменты для более точной сегментации аудитории, кросс-канальной аналитики, создания сообщений и креативов.
Зачем «нейронки» маркетингу
Маркетологи стали одними из самых активных пользователей больших данных в бизнесе. На сегодняшний день именно реклама — одна из основных сфер применения Big Data. Нейросети сегментируют аудиторию и закупают programmatic-рекламу. Пока рынку этого хватает, но в ближайшие пять лет ситуация изменится, и спрос на ML-модели вырастет кратно. Именно доступ к новейшим технологиям аналитики будет определять успешность рекламы и маркетинга в горизонте пяти лет.
О каких изменениях идет речь?
- Рост объемов информации. Объем информации в мире возрастает ежегодно на 30%, а пользователь видит несколько сотен рекламных сообщений в день. В результате «пробиться» к своему потенциальному клиенту становится сложнее. Теперь задача маркетолога — не «стрелять из пушки по воробьям», а находить узкий сегмент аудитории и в аффинитивных каналах доносить сообщение с нужным именно этой группе посылом.
- Персонализация коммуникаций. Пользователи все чаще ждут от компаний персонализированной коммуникации. Согласно McKinsey, 80% потребителей склонны отдать предпочтение брендам с персонализированным подходом, 77% из них готовы заплатить за персонализированный опыт больше.
- Диверсификация рекламных носителей. Реклама начинает завоевывать все новые площадки. Например, просачивается в гейм-индустрию. Только в России количество активных геймеров, по данным ВШЭ, составляет от 30 до 74 млн человек, а по оценкам PwC, отечественный рынок гейминга по итогам 2021 года вырос почти на 8%. Разумеется, рекламодатели не могут обойти стороной такие возможности. Растет интерес к AR- и VR-технологиям, которые постепенно становятся более доступными: в мире уже 1,5 млрд постоянных пользователей технологий дополненной реальности. В 2021 году Марк Цукерберг подлил масла в огонь, заявив о планах строить метавселенную на базе своих сервисов. Бренды тут же стали изучать новые каналы коммуникации. Например, модный дом Balenciaga разработал экипировку для персонажей компьютерной онлайн-игры Fortnite, а Gucci и Vans создали собственные виртуальные миры на платформе для создания игровых пространств Roblox.
- Формирование закрытых рекламных вертикалей. Под лозунгом борьбы за анонимность пользователя и защиту конфиденциальности ИТ-гиганты ограничивают возможности для обмена данными между площадками и аналитиками. Браузеры Safari и Firefox уже блокируют сторонние cookies, а с 2023 года к ним присоединится и Chrome — самый распространенный браузер в мире. Однако главное последствие блокировок — отнюдь не безопасность пользователя, а формирование нескольких «монополий» рекламного рынка. Каждая рекламная экосистема на основе браузера или соцсети будет собирать подробную аналитику о рекламных кампаниях на своем инструментарии — и практически не иметь информации о кампаниях, запущенных на других площадках. В результате каждая рекламная вертикаль стремится расширить свои знания о пользователях вне экосистемы, а каждый поставщик кросс-канальной рекламы ищет решения для прозрачной аналитики по всему сплиту.
В сумме эти тенденции приведут нас к тому, что уже через несколько лет брендам придется под каждую кампанию изготавливать десятки сообщений и креативов, которые будут направлены на очень узкий сегмент аудитории, а возможно, и на конкретного пользователя. А затем надо будет каким-то образом адресовать каждое сообщение нужному пользователю или сегменту и оценивать итоговую эффективность рекламы. И тут на арену выходят нейронные сети.
Посчитать «чужую» аудиторию
Нейросети-трансформеры — один из способов расширить знания о своей аудитории. Все экосистемы достаточно неплохо анализируют своих клиентов, но мало что знают о чужих. При этом теоретически при помощи нейросетей можно «достроить» часть информации о сторонних пользователях. Например, Big Data МТС обладает огромным массивом обезличенных данных о пользователях экосистемы, а рекламная платформа «МТС Маркетолог» знает некоторые критерии о сторонних пользователях. «Кусочки» информации об абонентах других операторов мы можем собрать с платформы, через которую запускаем programmatic, — это способ закупки рекламы в интернете, когда место размещения подбирает алгоритм под заданную аудиторию. В результате мы видим, на каких площадках была размещена реклама по заданному сегменту, на что пользователь кликнул, какие были критерии для подбора аудитории.
Обучив модель находить определенный сегмент на собственных данных — а МТС обладает самой большой клиентской базой среди операторов, что дает нам существенное преимущество, — мы можем наложить ее на данные из DSP-платформы и предположить, в какие сегменты попадает сторонний пользователь. Далее мы запускаем рекламу на получившийся сегмент, смотрим конверсию и дообучаем модель. Таким образом мы получаем модель, которая сможет сегментировать аудиторию всех операторов.
Оценить эффективность ТВ- и радиорекламы
Над оценкой медийной аудио- и видеорекламы агентства и системы измерения бьются не первый год, и пока никому не удалось найти идеальное решение. У существующей аналитики — пиплметров — есть несколько очевидных недостатков: небольшая выборка, привязка к телевизору, то есть домохозяйству, а не конкретному человеку, невозможность измерять аудио- и видеорекламу на других носителях или вне дома. Долгое время пиплметры были единственным средством измерения, но по мере диверсификации каналов недовольство существующей технологией растет.
Перспективной технологией кажутся аудиометки, или audio watermarks. Это неслышные человеческому уху звуковые сигналы, которые считывают специальные устройства или программное обеспечение. Изначально их использовали для того, чтобы пометить звуковые объекты авторского права. Аудиометки по сути —звуковой аналог водяного знака на фотографии. Постепенно компании начинают экспериментировать с использованием технологии для оценки эффективности рекламы.
На западном рынке технологию с 2014 года использует аналитическое агентство Nielsen. В России измерить аудиторию телесмотрения по аудиометкам впервые попробовало агентство Mediascope в 2020 году. Компания делала оценку смотрения контента канала НТВ на YouTube. В контент встраивались аудиометки, которые считывали те самые приставки-пиплметры. Компания отчиталась об успешном «пилоте», однако у технологии по-прежнему есть недостатки, и главный из них — привязка к специальным приставкам.
Скорее всего, в ближайшем будущем мы увидим новые эксперименты с технологиями, способными оценить аудио- и видеосмотрение. Разработка эффективного решения требует консолидации разных игроков рынка. И судя по публичным заявлениям, они уже близки к тому, чтобы сплотиться ради достижения общей цели.
Генерировать индивидуальные сообщения
Несмотря на то что маркетологи уже несколько лет говорят о необходимости дробить аудиторию на множество рекламных сегментов, к нам все еще часто приходят компании с просьбой запустить рекламу на аудиторию, например, женщин 18–55 лет. Отчасти такие запросы объясняются недостатком информации, а отчасти недостатком возможностей для генерации контента: ведь нет смысла бить аудиторию на десятки сегментов, если ты все равно можешь разработать только один-два креатива. Эта проблема будет становиться все более актуальной в свете трендов на сегментацию аудитории, диверсификацию каналов и персонализацию контента.
Здесь нам снова помогают нейросети, уже научившиеся генерировать изображения по текстовому описанию и текст по заданным фразам. Последний нашумевший кейс — Cosmopolitan впервые выпустил журнал, обложку которого сгенерировала «нейронка» DALL-E 2. Как мы знаем, создание текста или картинки на основе описания — задача, решаемая нейросетями-трансформерами. Они могут не только генерировать, но и анализировать текст. Например, предсказывать, насколько он «зайдет» той или иной категории пользователей.
Сейчас текст СМС или картинку для промо делает человек. Он может ориентироваться на собственный опыт и писать достаточно конверсионные сообщения и картинки. Но что если можно сделать лучше? Нейросеть может проанализировать текст и предсказать, каков будет CTR сообщения для заданной аудитории. А если она может предугадать конверсию, то следующий шаг — научить ее давать рекомендации, как заданный текст или визуал можно улучшить. И наконец, финальная стадия — научить алгоритм самостоятельно создавать тексты и креативы для рекламы. Конечно, человек все равно будет следить за ситуацией — ставить задачу, проверять результат, но основная проблема — генерация десяток и сотен сообщений — будет решена. Со временем алгоритмы смогут создавать сообщения не просто на сегмент, а подстраивать его под каждого конкретного пользователя.
Останутся ли маркетологи
В результате технологической революции маркетинг станет одной из самых цифровых отраслей. Я часто говорю, что маркетинг — это математика. В скором будущем маркетинг станет еще и технологией. С одной стороны, алгоритмы и машинное обучение сильно облегчат нашу работу и возьмут на себя множество рутинных задач. С другой — всем, кто хочет остаться в профессии или войти в нее, нужно будет подтянуть свои знания в части ИТ и научиться эффективно взаимодействовать с нейронными системами и алгоритмами. Это не значит, что дизайнеры, маркетологи, аналитики и райтеры станут не нужны. Просто мы будем закрывать немного другие вопросы: ставить нейросетям задачи, больше времени уделять стратегии и позиционированию, изучать свою аудиторию, креативить и искать все новые способы встретиться с клиентом, стать его партнером. Маркетинг будущего — это не только про технологии. Это в первую очередь про человекоцентричность и партнерство. И построить его может только человек.
