Что делать, когда маркетинговые технологии не работают
Harvard Business Review, 14 сентября 2021. Опубликовано 07:20 19 сентября 2021 года Маркетингу нужен ИИ. Но чтобы реализовать весь свой потенциал, ИИ должен научиться думать как маркетолог.
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.
2. Есть ли в нынешнем подходе ненужные усилия или упущенные возможности? Осознавая, что компании есть куда расти, маркетологи, тем не менее, часто тормозят на этом этапе. Другой вариант — они видят, что результаты недостаточны, но сомневаются, что лучшие в принципе возможны. Тут требуется сделать шаг назад и понять, что лишнее в текущем процессе и какие возможности упускает компания.
Например, большая часть авиакомпаний и отелей отслеживает показатели избыточного спроса и предложения: первый показывает ситуации, когда места или номера выкупались слишком быстро (вероятно, цены были слишком низкими), второй — ситуации, когда, наоборот, много мест остались пустыми (цены чересчур взвинтили). Это прекрасные мерила упущенных возможностей, принципиально отличающиеся от таких критериев, как обобщенная заполняемость или средняя сумма чека. Чтобы извлечь максимум из вложений в ИИ, отдел маркетинга должен оценить, насколько избыточны спрос и предложение, причем не в самом общем виде, а буквально на “молекулярном” уровне.
Задумайтесь, что для вашей фирмы является успехом, а что провалом. В телеком-компании на этот вопрос все сразу отвечали: “Успех — это когда таргетированные клиенты продлили договор”. Но это упрощенный взгляд: а вдруг клиенты и без таргетинга и выгодных акций продлили бы договор, и компания просто зря потратила на них деньги? И если нетаргетированный клиент не продлит договор, это успех? Необязательно. Если удержать его было в принципе невозможно, не тратить лишние деньги и силы было правильным решением. Но если мы имели шанс его переубедить, сделав выгодное предложение, это упущенная выгода. Итак, как мы определяем успех на самом базовом уровне? Это таргетирование клиентов с высоким риском ухода и высокими шансами на переубеждение. И отказ от таргетирования тех, кого переубедить не удалось бы.
После того, как упущенные возможности и их источники определены, надо измерить их при помощи данных. Иногда это легко, а иногда весьма непросто. Если аналитики могут быстро понять по имеющейся информации, что фирме удается и что нет на молекулярном уровне, то вам повезло! Оцените распределение успехов и неудач, чтобы просчитать, какие возможности утекают сквозь пальцы.
Впрочем, бывают случаи, когда вычислить неудачи на низовом уровне трудно. Аналитики телеком-компании ранее не изучали вероятность убеждения клиентов, что мешало систематизировать причины провалов. В подобной ситуации можно оценить лишние действия и неиспользованные возможности с помощью более общих данных, хоть результаты и будут неточны. Нашей телеком-компании можно было посоветовать сравнить затраты на удерживающие акции с ростом пожизненной ценности получивших их клиентов. Чтобы изучить клиентов, не охваченных акциями, аналитикам стоило для начала оценить прибыль, недополученную организацией из-за прекращения договоров с ними.
Такая тактика помогла фирме выявить тех клиентов, которых она сохранила, заплатив слишком большую цену, тех, кто прекратил сотрудничество, несмотря на все ее усилия, и тех, кто ушел, потому что компания не догадалась, что их надо было удерживать. Этот анализ оказался возможен благодаря выделению контрольной группы клиентов, с которыми специальная работа по удержанию не проводилась.
3. Что порождает ненужные усилия или упущенные возможности? Это почти всегда самый сложный вопрос: чтобы его решить, руководители должны пересмотреть исходные посылки текущей работы фирмы. Чтобы отыскать ответ, надо проверить данные организации и привлечь к сотрудничеству профильных специалистов и аналитиков с акцентом на решение вышеописанных проблем с постановкой целей, асимметричностью и агрегированием.
Как добиться наибольшей адекватности при постановке целей? В конечном итоге здесь нужно стремиться зафиксировать все взаимосвязи ИИ-прогнозов, принимаемых решений и бизнес-результатов. Для этого нужно рассмотреть гипотетические сценарии. Мы рекомендуем командам ответить на следующие вопросы.
Какие знания, позволяющие полностью устранить лишние действия и использовать все открывающиеся возможности, вы бы хотели иметь в идеальном случае? Насколько близкую к идеальной информацию вы, вероятнее всего, получите от имеющихся прогностических алгоритмов?
Если бы сотрудники телеком-компании ответили на первый вопрос, то осознали бы, что, давай их ИИ абсолютно точные прогнозы о людях, которых можно было бы удержать акциями (а не о тех, кто был склонен уйти), они бы перестали разбазаривать ресурсы (рассылать предложения тем, кого сложно уговорить) и упускать возможности (охватывать лишь часть убеждаемых). В реальном мире сделать идеальный прогноз невозможно, однако его можно всерьез улучшить, сосредоточившись на вероятности убедить клиентов.
Когда критерии идеальной информации определены, встает вопрос, способны ли аналитики спрогнозировать ее с нужной точностью. Важно отвечать на него сообща: маркетологи обычно толком не знают возможностей технологий, а аналитикам трудно увязывать прогнозы с решениями в незнакомых им областях.
Соответствует ли полученный результат бизнес-целям?
Помните производителя игр, который искал с помощью алгоритмов функции, повышающие вовлеченность геймеров? Представьте, чего он мог бы добиться, настроив ИИ для предсказания доходности пользователей.
Частая ошибка — радоваться найденной корреляции между прогнозом и бизнес-целями как доказательству его правильности. Но корреляция — это не каузация (причинно-следственная связь): прогноз может предсказывать изменения в чем-то, что связано с прибыльностью, но не повышает ее. И даже если каузация существует, она может не на 100% соответствовать целям, и тогда ваши усилия будут неточно направлены на нужный результат, и вы упустите возможности.
Если бы телеком-компания задалась этим третьим вопросом, она бы учла не только вероятность убедить пользователей, но и рост или падение их прибыльности. Клиент, которого компания пытается удержать, но который принесет ожидаемо низкий доход, должен иметь более низкий приоритет при рассылке предложений, чем клиент с высокой ожидаемой доходностью.
Что делать с асимметричностью информации? Получив ясную картину соотношения ИИ-прогноза с решением и бизнес-результатом, следует измерить потенциальную цену ошибок в системе. Для этого надо ответить на вопрос: учитывая, что данные ИИ не вполне точны, насколько мы отклоняемся от нужных бизнес-результатов?
Цена рассылки удерживающих предложений клиенту, которого невозможно убедить, (то есть лишние затраты) ниже, чем цена потери высокомаржинального клиента, которого легко убедить (то есть упущенные возможности). Поэтому компания окажется в выигрыше, если ее ИИ сфокусируется на том, чтобы не упустить тех, кого можно удержать, даже рискуя охватить лишних.
Разницу между ненужными усилиями и упущенными возможностями зачастую трудно оценить. Но даже приблизительный расчет соотношения того и другого полезен. В противном случае есть шанс принять решение на основе ИИ-прогнозов, которые будут точны в некоторых аспектах, но неверны в их пропорции, и в этом случае высока вероятность получения искаженного результата.
Как улучшить агрегирование данных? Большинство маркетинговых ИИ-систем не принимают принципиально новые решения, а корректируют старые: сегментацию, таргетинг, распределение бюджета — на основе более расширенных данных, собранных и обработанных алгоритмами. Проблема в том, что человек, как правило, противится переменам. Многие менеджеры не привыкли к тому, что ИИ способен выдавать решения с гораздо большей частотой и с учетом мельчайших деталей. Так имеет ли смысл продолжать принимать их с прежней регулярностью, ограничиваясь устаревшими рамками? Как мы успели убедиться, порой это прямой путь к провалу.
Чтобы узнать, пора ли вам меняться, проведите два исследования. Во-первых, команде надо проверить, каким образом устраняются лишние усилия и упущенные возможности по другим маркетинговым мероприятиям на основе ИИ-прогнозов. Сотрудники телеком-компании выбрали для проверки удерживающие скидки. Что, если учесть в принимаемом решении другие инструменты поощрения? Это поможет предсказать, кто окажется восприимчивым к ним? Можно ли с помощью ИИ узнать, какое поощрение оптимально для конкретного типа клиентов?
Во-вторых, стоит измерить потенциальную выгоду от учащения и (или) детализации ИИ-прогнозов. Например, аналитики одной розничной фирмы разработали алгоритмы, предсказывающие индивидуальную реакцию покупателей на маркетинговые акции ежедневно, в то время как маркетологи привыкли принимать решения по 16 основным потребительским сегментам и раз в неделю. Конечно, изменение привычек в принятии решений имеет свою цену, но не окажется ли потом, что ритейлер получил больше, чем потерял?
Маркетингу нужен ИИ. Но чтобы реализовать весь свой потенциал, ИИ должен научиться думать как маркетолог. Для этого маркетингу и аналитике необходимо находиться в непрерывном диалоге, который поможет понять, как от теории перейти к практике.
Представленная выше схема эффективно улучшает сотрудничество двух этих подразделений и повышает отдачу от вложений в современные технологии. Описанный подход поможет привести прогнозы ИИ в соответствие с желаемыми бизнес-результатами, осознать асимметрию цены неверных прогнозов и изменить масштаб принимаемых решений, позволив команде иначе взглянуть на частоту и детализацию корректировок.
Чтобы использовать нашу схему, специалистам по маркетингу и аналитикам надо создать комфортную современную среду, где результаты работы будут прозрачными, и их можно будет критиковать, а подходы — регулярно пересматривать, стремясь не к совершенству, а к совершенствованию.
Об авторах
Ева Аскарза (Eva Ascarza) — адъюнкт-профессор бизнес-администрирования в Гарвардской школе бизнеса.
Майкл Росс (Michael Ross) — сооснователь компании DynamicAction, предлагающей облачную аналитику для розничных фирм, член руководства Лондонской школы бизнеса.
Брюс Харди (Bruce G.S. Hardie) — профессор маркетинга в Лондонской школе бизнеса.
