Маркетинг 5.0. Технологии следующего поколения

1. Сбор предпочтений на большой выборке покупателей

Для измерения того, насколько сильны предпочтения к продукту, маркетологи могут создать общественную систему рейтинга, в которой покупатели будут ранжировать продукты либо через простые кнопки «нравится» / «не нравится» (как на YouTube), либо по пятибалльной шкале (как звезды в Amazon). Альтернативно маркетологи могут использовать целевые действия, отражающие предпочтения, например, прочтение статьи, просмотр видео, добавление продукта в список желаемых покупок или корзину. Netflix, например, определяет предпочтения по просмотренным пользователями на протяжении всего времени фильмов.

2. Распределение по кластерам покупателей и товаров

Покупатели, которые схожим образом ранжировали товары и показали схожее поведение, могут быть классифицированы в один кластер. Предполагается, что они относятся к одному психографическому (на основании «нравится» / «не нравится») и поведенческому (на основании действий) сегментам. Как вариант, маркетологи также могут распределить по кластерам товары, которые получили похожую оценку от отдельной группы покупателей.

3. Прогнозирование оценки покупателями нового продукта

Теперь маркетологи могут прогнозировать рейтинги, которые покупатели будут ставить продуктам, которых они еще не видели, но ранжированные на основе рейтингов покупателей со схожими предпочтениями. Этот прогнозный показатель оценки необходим маркетологам для предложения подходящих товаров, которые могут понравиться покупателям и которые они с наибольшей вероятностью купят в будущем.

Нейронные сети для сложного прогнозирования

Нейронная сеть, как следует из названия, условно смоделирована по образцу биологической нейронной сети, работающей внутри человеческого мозга. Это один из наиболее популярных инструментов машинного обучения, который помогает бизнесу строить сложные модели для прогнозирования. Модель нейронной сети обучается на опыте, обрабатывая большое число разных примеров из прошлого. Сегодня модели нейронных сетей легко доступны. Например, Google создал TensorFlow – доступную всем программную библиотеку для машинного обучения нейронных сетей с открытым исходным кодом.

В отличие от регрессионной модели, нейронные сети считаются «черным ящиком», потому что механизм их внутренней работы часто людям тяжело интерпретировать. Это похоже на то, что люди иногда не могут объяснить, как они принимают решения на основе предоставленной информации. Однако нейронные сети также подходят для построения моделей на основе неструктурированных данных, определить лучший алгоритм для которых не могут ученые наук о данных и бизнес-команды.

В простой терминологии следующие шаги объясняют, как работает нейронная сеть.