Что делать, когда маркетинговые технологии не работают | Harvard Business Review Russia
Маркетинговая стратегия

Что делать, когда маркетинговые технологии не работают

Брюс Харди , Ева Аскарза , Майкл Росс
Что делать, когда маркетинговые технологии не работают

Когда крупная телекоммуникационная компания решила бороться с оттоком клиентов, ее маркетологи определили с помощью ИИ, кто из пользователей, вероятнее всего, откажется от дальнейшего сотрудничества. Вооружившись прогнозами и пытаясь удержать людей из группы риска, сотрудники компании забросали потенциальных «перебежчиков» рекламными акциями. Но многие все равно ушли, несмотря на приложенные усилия. Почему так случилось? Маркетологи допустили принципиальную ошибку: поставили перед алгоритмом не ту задачу. Его прогноз был верен, но не соответствовал проблеме, которую надо было решить.

Подобное часто случается в компаниях, принимающих деловые решения с опорой на ИИ. Из 2500 участников опроса руководителей, проведенного журналом Sloan Management Review и компанией Boston Consulting Group в 2019 году, 90% сообщили, что вкладываются в ИИ, но выиграли от этого за предыдущие три года менее 40%.

Выступая как ученые, советники и внешние директора фирм, мы, авторы этой статьи, изучили и проконсультировали более 50 организаций и знаем, с какими главными проблемами они сталкиваются в попытках внедрить в свой маркетинг технологии ИИ. Это позволило нам найти и систематизировать наиболее частые ошибки маркетологов и выработать меры по их предотвращению.

Для начала мы опишем эти ошибки.

постановка целей

НЕВЕРНОЕ ОПРЕДЕЛЕНИЕ ЗАДАЧИ

На самом деле маркетологам вышеупомянутой телеком-фирмы надо было искать не тех, кто думает уйти, а как сократить отток клиентов за счет маркетингового бюджета. Другими словами, вместо поиска потенциальных беглецов ИИ мог ответить на вопрос, кого можно удержать с помощью выгодных предложений. Маркетологам стоит направлять усилия на колеблющихся клиентов так же, как политикам — на сомневающихся избирателей. Дав ИИ не то задание, маркетологи зря потратили деньги на клиентов, которые ушли бы в любом случае, и мало инвестировали в удержание тех, кто мог бы остаться.

Аналогичный случай произошел в компании по производству игр, когда маркетологи пытались побудить геймеров тратить больше денег во время игры. Они поручили аналитикам выяснить, какие новые функции максимально повысили бы вовлеченность пользователей. Специалисты применили алгоритмы, нашли связь между потенциальными возможностями и количеством проводимого за игрой времени и предсказали, что дольше всего удержали бы внимание людей вероятность выиграть приз и более наглядная демонстрация места в рейтинге. Компания скорректировала игру, но выручка не выросла. Почему? Менеджеры и тут неверно сформулировали задачу: им надо было нарастить не вовлеченность, а расходы игроков. Большинство геймеров не тратили деньги во время игры, поэтому стратегия не сработала.

Маркетологи обеих компаний не сумели правильно поставить цель и определить данные, нужные для принятия верного решения. ИИ сослужил бы им добрую службу, если бы указал, каких клиентов удастся переубедить и какие функции игры повысили бы расходы игроков. 

асимметричность информации

НЕУМЕНИЕ РАЗЛИЧИТЬ ВЫГОДУ ОТ ВЕРНОГО РЕШЕНИЯ И УЩЕРБ ОТ НЕПРАВИЛЬНОГО

Правда ли, что выдаваемые ИИ прогнозы должны быть максимально выверенными? Необязательно. Результат, содержащий погрешность, может в одних случаях принести много вреда, а в других оказаться приемлемым. То же самое со сверхточными выводами: они не всегда дают сверхвыгоду. Маркетологи — и, что еще важнее, аналитики, на которых они полагаются, — часто забывают об этом.

Так, аналитики данных одного производителя потребительских товаров с гордостью заявили, что они повысили точность новой системы прогнозирования объемов продаж, снизив частоту ошибок с 25 до 17%. К сожалению, они добились этого за счет низкомаржинальных продуктов, но достоверность прогноза для высокомаржинальных  товаров, напротив, ухудшилась. Поскольку ущерб от неверной оценки спроса на высокомаржинальные товары в разы превышает выгоду от сверхточного прогноза для низкомаржинальных, внедрение «более точной» системы привело к падению прибыли.

Важно понимать, что предлагаемые ИИ решения могут быть ошибочными в разных аспектах. Помимо завышенных или заниженных оценок они выдают ложноположительные результаты (клиенты, не помышляющие об уходе, идентифицируются как вероятные «перебежчики») или ложноотрицательные (клиенты, которые впоследствии уходят, описываются как маловероятные «перебежчики»).

Задача маркетолога — сравнить цену самых разных ошибок. Аналитики часто игнорируют этот момент или просто ничего о нем не знают. В результате они считают любые промахи равнозначными, что приводит к серьезному ущербу.

агрегирование

НЕСПОСОБНОСТЬ ИСПОЛЬЗОВАТЬ ВСЕ ДЕТАЛИ ПРОГНОЗА

Фирмы генерируют огромные массивы производственных и клиентских данных, на основе которых ИИ формирует подробные и частые прогнозы. Но многие маркетологи продолжают использовать только старые шаблоны решений. Так, менеджеры одной гостиничной сети еженедельно встречаются и корректируют цены для отелей, хотя внедренный в компании ИИ способен ежечасно обновлять прогнозы спроса на каждый тип номера в отдельности. Решения принимаются долго, и это наследие старой системы бронирования.

Другая серьезная помеха — неспособность менеджеров определить, как часто и детально им стоит корректировать цены. Им нужно пересмотреть темп принятия решений и подумать о переходе с обобщенных прогнозов на более подробные. Представьте себе маркетологов, решающих потратить свой рекламный бюджет на поиск по ключевым словам в Google и Amazon. Имеющиеся у аналитиков алгоритмы способны предсказать пожизненную ценность полученных через эти каналы клиентов. При этом маркетологи больше выиграют, если используют более подробные прогнозы ценности клиента из расчета на каждое ключевое слово и каждый канал.

ПРОБЛЕМЫ КОММУНИКАЦИИ

Маркетологи должны стараться не только не делать подобных ошибок, но и улучшать коммуникацию и взаимодействие с аналитиками, четко описывая им свои проблемы. Это не бином Ньютона, но менеджеры часто не справляются с такой задачей.

На пути успешного сотрудничества маркетинга и анализа данных есть несколько помех. Некоторые менеджеры затевают ИИ-инициативы, толком не разобравшись в возможностях технологии. А плохо представляя процесс, они задают ИИ либо невыполнимые, либо легко достижимые цели. Если руководители не хотят признаться, что с трудом понимают, что делают, они наступают на все грабли одновременно.

Аналитики тоже создают проблемы коммуникации. Они часто предпочитают проекты со знакомыми требованиями, даже если маркетингу нужно нечто иное. Не получая от маркетологов нужных разъяснений о финансовых целях инициативы, специалисты по данным предпочитают оставаться в зоне комфорта. Маркетологам часто не хочется задавать вопросы (а также обнаруживать недостаток знаний), а аналитикам — объяснять неспециалистам, что возможно и что нет.

Мы разработали трехчастную схему, способную упростить общение маркетологов и аналитиков. Применив ее в нескольких компаниях, мы убедились, что командам удается объединить свои наработки и создать цикл обратной связи между ИИ-прогнозами и бизнес-решениями, ради которых их получают.

КАК РАБОТАЕТ НАША СХЕМА

Чтобы представить принципы ее работы, вернемся к примеру с телеком-компанией.

1. Какую задачу маркетинга мы пытаемся решить? Вопрос, который мы ставим перед ИИ, должен быть осмысленным и очень точным. Скажем, формулировка «Как снизить отток клиентов?» чересчур широка, разработчики ИИ-системы просто не смогут ее использовать. «Как лучше распределить бюджет на удерживающие акции, чтобы снизить отток?» — уже лучше, но все еще слишком общо. (Этот бюджет уже задан или его только предстоит рассчитать? Что в данном случае означает «распределить»? По разным кампаниям удержания или?..) В конечном итоге должна получиться максимально четкая задача, например: «На каких клиентов стоит таргетировать кампанию удержания при бюджете в $х млн?» (да, ее тоже можно уточнить, но идею вы поняли). Обратите внимание, что вопрос «Как предсказать отток клиентов?» вообще не возникает: подобный прогноз не является задачей маркетинга.

Формулируя задачу, менеджер должен препарировать ее «до молекул» — до самого низкого уровня, на котором еще возможно принять решение или меры. В данном случае на базовом уровне вопрос звучит так: направлять ли конкретному клиенту предложение с целью удержать его?

Чтобы понять, как ставить задачу ИИ, полезно прописать весь привычный путь принятия решений. Допустим, наша телеком-компания с помощью ИИ ранжирует клиентов по риску их ухода в следующем месяце. Она высылает клиентам удерживающие предложения — сначала тем, у кого риск максимален, и дальше вниз по рейтингу, пока бюджет на кампанию удержания не будет исчерпан. Кажется, что этап фиксации процесса формален и не помогает иначе взглянуть на постановку задачи, но наш опыт показывает: часто именно здесь аналитики впервые понимают, как на самом деле используются их прогнозы.

Важно, чтобы маркетологи были готовы возвращаться к проблеме раз за разом, пока не добьются ясной формулировки. Она должна полностью отражать влияние принимаемого решения на работу фирмы, учитывать компромиссы и конкретизировать желаемые результаты. Как правило, руководство фирмы хорошо понимает суть задачи, но ему бывает трудно формулировать ее или понятно объяснить сотрудникам, какую роль ИИ сыграет в ее решении.

советуем прочитать
Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Перехитрить искусственный интеллект
Дейвенпорт Томас,  Кирби Джулия