25
Sep
2019

სწორ მონაცემებზე დაფუძნებული ბიზნესი – ქეთი მეფარიშვილი

25 Sep 2019

ცნობილი ბლოკბასტერის „უკან მომავალში“ გმირის მეშვეობით, რომელმაც 2015 წლის 21 ოქტომბერში იმოგზაურა, მსოფლიოს შეუქმნა განცდა კომფორტული და ტექნოლოგიებით მოდერნიზირებული მომავლის, სადაც მანქანები და ხელსაწყოები ზრუნავენ ხალხზე. შესაძლოა, ფილმის სცენარის მიხედვით მსოფლიო ჯერ კიდევ არ განვითარებულა, მაგრამ ნათელია, რომ მრავალი დარგი განიცდის გარდატეხას და პროგრესს პროცესების ავომატიზაციის მიმართ. ხშირად, საზოგადოებაში ისმის კითხვა: „ჩაანაცვლებს თუ არა ხელოვნური ინტელექტი ადამიანს, რომელიც ჩვენ მაგივრად შეასრულებს მოქმედებებს? “ უფრო მართებული იქნება ჯერ ხელოვნური ინტელექტისა და მანქანური სწავლების (ე.წ machine learning) ფუნქცია გავიგოთ და მისი სწორად გამოყენება ვისწავლოთ ჩვენს ყოველდღიურობაში, სანამ მათ მიმართ შიში დაგვეუფლება.

მანქანური (კომპიუტერული) სწავლება და ხელოვნური ინტელექტი 21-საუკუნეში დაბადებული დარგებია. საფუძველი გასული საუკუნის 50-იან წლებში ჩაეყარა, როდესაც ამერიკელმა მათემატიკოსმა ჯონ მაკ-კარტიმ ხელოვნური ინტელექი გამოიყენა. მოწყობილობა, რომელიც იყენებს ცოდნას ადამიანური მოქმედებების შესასრულებლად – ხელოვნური ინტელექტი ეწოდა. მანქანური სწავლება კი პროგრამირების გარეშე სწავლობს და აუმჯობესებს მოქმედებებს. პრაქტიკულად, ალგორითმი თავად სწავლობს, იყენებს წარსულ გამოცდილებას და კომბინაციაში იძლევა ინსტრუქციებს. მანქანური სწავლებისთვის უმთავრესი კომპონენტი სწორი მონაცემებია, რომელზე დაყრდნობითაც მოქმედებებს მოწყობილობა ასრულებს.

თანამედროვე ბიზნესმა მყისიერად შეძლო ამ დარგის სწორად გამოყენება ბიზნეს პროცესების ოპტიმიზაციისათვის. მონაცემების ანალიზის მეშვეობით მიმდინარეობს პროცესების შესწავლა, რაც ბიზნესს „დიდი სურათის“ დანახვაში ეხმარება. თუმცა, სირთულე სწორი თავსართი მონაცემების მიწოდებაშია, რამაც  მანქანური მოწყობილობა შესაძლოა გამოიყვანოს მწყობრიდან და ბიზნეს პროცესები უმართავი გახადოს.

როცა მარკეტინგი ხვდება მანქანურ მოწყობილობებს…

ხელოვნური ინტელექტი აღარ არის ფილმის სიუჟეტი, ეს ყოველდღიური რეალობაა. გუგლის რუქა, რითაც საბოლოო დანიშნულებას ვეძებთ, ტაქსის აპლიკაცია რომელსაც ვიყენებთ, სპოთიფაიზე მოსმენილი მუსიკა ან სოციალური ქსელი, რომელთანაც ყოველდღიურად გვაქვს შეხება, ყველა მათგანი ხელოვნური ინტელექტის ნაყოფს წარმოადგენენ. ისინი მანქანურ სწავლებას (machine learning) იყენებენ, რათა მომსახურების ხარისხი გააუმჯობესონ. სწორედ მომსახურების გაუმჯობესებისათვის და ავტომატიზაციისათვის მარკეტინგის დარგს უერთდება მანქანური სწავლება. მარკეტინგული ავტომატიზაციის ამოცანას წარმოადგენს გაყიდვებისა და მარკეტინგის დეპარტამენტების პროცესების ოპტიმიზაცია. ავტომატიზაცია იწყება მომხმარებლის ვებ-გვერდზე ვიზიტიდან და გასდევს საბოლოო შესყიდვის შემდგომაც. მარკეტინგული პლატფორმები მონიტორინგს უწევენ კლიენტის ქცევას Cookie files მეშვეობით. მომხმარებლის მოპოვების პროცესში (customer acquisition) უმთავრესი ამოცანაა საკონტაქტო ინფორმაციის, ქცევითი მახასიათებლებისა და ტრანზაქციული მონაცემების მოპოვება. ყოველი მომხმარებელი წარმოადგენს მარკეტინგული სისტემების უნიკალურ ცვლადს, რომელსაც წვლილი შეაქვს ალგორითმების სწავლებაში. მომხმარებელსა და ორგანიზაციას შორის ცვლადების განმსაზღვრელ ფაქტორს წარმოადგენს მათ მიერ  განხორციელებული ნებისმიერი მოქმედება. ვებ-გვერდზე ვიზიტი, ელ.ფოსტის გახსნა, პროდუქტის/მომსახურების შეძენა, სოც მედია გვერდზე აქტივობა და სხვა. მანქანური პროგნოზირების ფუნქციასაც იყენებენ, რათა სხვადასხვა ცვლადების კორელაციით გამოითვალონ მომხმარებლის მზაობა პროდუქტის შეძენისადმი.

თითოეული მოქმედების (event) შესახებ მონაცემებს აგროვებენ მანქანები და ამ მონაცემების ანალიზის საფუძველზე ქმნიან სხვადასხვა სამომხმარებლო სეგმენტებს, რომელთანაც კავშირს მარკეტინგული არხების მეშვეობით ამყარებენ.

მარკეტინგული ავტომატიზაციის მეთოდით მიღებული მონაცემების ანალიზით, მარტივი ხდება მომხმარებლის პროფილის შედგენა (ე.წ buying persona) რათა შესაბამისი კონტენტი და გამოსახულება მიეწოდოს მათ.

მარკეტინგული ავტომატიზაციისათვის დგინდება ეს ჯაჭვი, რომელიც მომხმარებელმა უნდა განვლოს. მარკეტოლოგის ამოცანაა სამომხმარებლო მოგზაურობის (customer journey) პროცესი გახადოს უწყვეტი, მარტივი და კომფორტული. თუკი მომხმარებელი მომსახურების მიღებამდე გამოეთიშება პროცესს (დატოვებს ვებ-გვერდს ან შეწყვიტავს სესიას) ავტომატიზაციის მეშვეობით მას ეგზავნება მასზე მორგებული შეტყობინება სხვადასხვა საკომუნიკაციო არხების მეშვეობით, რომელიც მოქმედების დასრულებისაკენ არის მიმართული. თუკი პროცესის დროს არაორდინალური ქცევა ფიქსირდება, მანქანები მას სწავლობენ და სათანადო ინდიკატორებით აწვდიან ინფორმაციას მარკეტოლოგს, რათა  რეაქცია მოახდინოს.

მანქანური მოწყობილობების საშუალებით, შესაძლებელია მომხმარებლის მოგზაურობის პროცესის სხვადასხვა სცენარების შექმნა და ცდის ჩატარება. მთვლელები ითვლიან კონვერსიის რაოდენობას, ინტერაქციებს შორის კორელაციას და ეფექტურ მარკეტინგულ არხებს, რომელმაც შედეგი გამოიღო. მიღებულ მონაცემებზე დაყრდნობით, მარკეტერს შეუძლია ახალი ამოცანების დასახვა და პროცესის გაუმჯობესება.

მარკეტინგული მონაცემები, რასაც მანქანური მოწყობილობები აგროვებენ მომხმარებლის შესახებ:

 

განსხვავება ტრადიციულ და ხელოვნური ინტელექტის მეშვეობით გამოყენებულ მარკეტინგულ ავტომატიზაციას შორის რადიკალურად განსხვავებულია. ტრადიციული ტიპის ავტომატიზაცია (კოდური ტიპის ავტომატიზაცია), დაფუძნებულია სხვადასხვა წარსულ გამოცდილებაზე და მისგან გამომდინარე დადგენილ გამოსავალზე. ტრადიციული მიდგომა აანალიზებს წარსულ მოვლენებს და ექსპერტული დასკვნების შედეგად ნერგავს პასუხებს სპეციფიკურ სიტუაციებში პრობლემისადმი რეაგირებისათვის. მანქანური სწავლების უპირატესობას წარმოადგენს ის კომპლექსური გარემო, სადაც სხვადასხვა ცვლადების მეშვეობით სისტემა თავად განაგებს, თუ რომელი მონაცემიდან ისწავლოს და გადაჭრას პრობლემა. სისტემა თავად ითვალისწინებს სხვადასხვა ფაქტორებს, რომელსაც ადამიანის გონება ვერ გაწვდება და ამ ფაქტორებზე დაყრდნობით ქმნის ახალ ლოგიკას. შესაბამისად, მონაცემთა ბაზა მუდმივად მზარდია და მანქანებს მუდმივად ემატებათ ახალი მონაცემთა ჯაჭვი გადასამუშავებლად.

მანქანური მოწყობილობა სწავლობს მომხმარებლის ქცევას და პროგნოზირებს მის სამომავლო მოქმედებებს. იგი აგზავნის პერსონალურ შეთავაზებას იმ მომხმარებელთან, რომელიც განწყობილია ყიდვისაკენ. ანალიზის მომენტში მანქანა ითვლის მომხმარებლის შესყიდვის ისტორიას, მოგზაურობის პროცესს, პროდუქტებს და კატეგორიებს შორის კორელაციას და Cookie ჩანაწერებს. ერთობლიობაში სისტემა იყენებს Inbound and outbound მარკეტინგულ აქტივობებს ანალიზისათვის.

ანალიზის საფუძველზე სისტემა იძიებს მსგავსებებს იმ ცვლადებს შორის, რომლის შედეგადაც მომხმარებელთან მყარდება პერსონიფიცირებული კომუნიკაცია და ითვლის ოპტიმალურ კომბინაციას. მარკეტინგული ავტომატიზაციის სისტემა იყენებს მანქანური სწავლების ალგორითმებს, რათა წინასწარ გამოიცნოს მომხმარებლის ქცევა. იგი ანიჭებს შეწონილ ქულას თითოეულ შეთავაზებას, თუ რამენად მისაღები იქნება იგი კლიენტისათვის. აგრეთვე, გამორიცხავს იმ პროდუქტების კატეგორიასა და სიას, რომელიც დიდი ალბათობით არ იქნება სეგმენტის ინტერესებში.

განხორციელება

ხელოვნური ინტელექტის და მანქანური სწავლების განხორციელების პირველ ეტაპზე საჭიროა მარკეტინგული მიზნების, შეფასების კრიტერიუმებისა და დაბრკოლებების იდენტიფიცირება, რათა კონკრეტული ალგორითმი შეიქმნას. სწორი შეფასების მეტრიკის შერჩევა მნიშვნელოვანია, ვინაიდან მანქანები სწორედ მარკეტერის მიერ მითითებული მონაცემებიდან გამომდინარე სწავლობენ. ხშირად, ციფრული საკომუნიკაციო არხების მიღმა შეგროვებული მონაცემებიც კი ამოსავალ წერტილს წარმოადგენს მანქანური სწავლებისათვის. ამიტომ, ისეთი მონაცემების შეგროვების სისტემის დანერგვა, რომელიც მოიპოვებს ინფორმაციას მომხმარებელზე, როგორც მიწიერ, ისე ვირტუალურ სამყაროში, ხელოვნური ინტელექტისათვის პროგნოზირების გაკეთების ეფექტური მეთოდია. პროგნოზირებისას მანქანები იყენებენ მოდელირების მეთოდოლოგიას. მონაცემების ანალიტიკოსი კი, ყველა მნიშვნელოვანი ელემენტების იდენტიფიცირებას ახდენს, რათა არასწორი ცვლადების კომბინაციამ ნეგატიური შედეგი არ გამოიღოს. სწორად გამართულ პროცესში კი მენეჯმენტის საზრუნავი მხოლოდ ბიზნეს გადაწყვეტილების მიღება რჩება.

ხშირად ერთსა და იმავე პროდუქტს მსოფლიოს სხვადასხვა წერტილიდან იძენენ მომხმარებლები, სხვადასხვა ასაკობრივი კატეგორიისა და ბრაუზერის ვერსიით. მარკეტერისთვის რთულია სეგმენტაციური ანალიზის გაკეთება, იმგვარად რომ პროდუქტიდან გამომდინარე მყიდველის პროფილი ააგოს, რასაც მანქანური სწავლება რამდენიმე წამში ასრულებს. მაგალითისთვის: მანქანური სწავლება აანალიზებს კავშირს კალათის საერთო ღირებულებასა და ასაკს შორის, პროდუქტის გამოსახულებასა და შემსყიდველუნარიანობას შორის, და ა.შ

მომხმარებლის რეაქციისა და აზრის შესწავლა, კიდევ ერთი მძლავრი კომბინაციაა, რასაც მანქანური სწავლება აწვდის და მარკეტოლოგები მას დინამიურ საფასო პოლიტიკისთვის იყენებენ. ხელოვნური ინტელექტი ითვლის შესაძლო ფასდაკლების რაოდენობას თითოეულ მომხმარებელზე მათი ქცევითი და სენტიმენტური ანალიზის საფუძველზე. ამგვარი ანალიზით მანქანები იმ კლიენტის იდენტიფიცირებასაც ახდენენ, რომელიც შესაძლოა დაიკარგონ. სისტემა ჩანერგილია ქოლ ცენტრის, ჩათის, სოციალური მედიის და სხვა საკომუნიკაციო პლატფორმებზე, საიდანაც ხდება უნიკალური იუზერის ანალიზი.

ლინგვისტიკა და მანქანური სწავლება

ხელოვნური ლინგვისტიკის საუკეთესო ნიმუშს ჩათბოტები წარმოადგენენ, რომელიც ადამიანებს ავტომატურ რეჟიმში ესაუბრებიან. ისინი ფართოდ გამოიყენებიან დიდი ორგანიზაციებისა და სახელმწიფო სერვისების მიერ.

ჩატბოტებს მომხმარებელთან საუბარი ლინგვისტიკის ანალიზით ისწავლეს. ისინი ყოველწამიერად სწავლობენ საუბარს და დასმული შეკითხვის სპეფიციკიდან გამომდინარე ავითარებენ პასუხის ხარისხს.

პროდუქტის შეთავაზებისას მანქანური სწავლება არ იყენებს სტანდარტული 1-1 მიდგომას, რომლის დროსაც კონკრეტულ მომხმარებელს, მისი წარსული ქცევებიდან გამომდინარე ეგზავნება შეთავაზება პროდუქტზე. მანქანური სწავლება აანალიზებს სეგმენტის ერთობლივ ქცევას, პოულობს მასში მსგავსებებს პროდუქტის მიმართ, რომლის საფუძველზე გამოყავს კონკრეტული შეთავაზება ახალი და განმეორებითი კლიენტებისატვის.

ამაზონის საერთო გაყიდვების 35%, სწორედ მექანიკური სწავლების პროდუქტების შეთავაზებებით მოდის. მათი მიზანია საშუალო სავაჭრო ჩეკისა და ტრანზაქციების რაოდენობის ზრდა. ხელოვნური ინტელექტი ამას აკეთებს თითოეული მომხმარებლის ქცევითი მახასიათებლების ანალიზით, მათი დაკავშირებით ერთმანეთთან და სეგმენტისათვის დამახასიათებელი შეთავაზებების გაგზავნით.

მარკეტინგული არხები, სადაც გამოიყენება მექანიკური სწავლება და ხელოვნური ინტელექტი:

  • ვებ-გვერდი – დინამიური კონტენტი, Iframe, pop-up ან პროდუქტის ჩარჩო, რომლის მეშვეობით სისტემა ახვედრებს ვიზიტორს მათზე მორგებულ პროდუქტებს.
  • ვებ – შეტყობინება (web push notification) – მოკლე ვებ-შეტყობინების ფანჯრის მეშვეობით, კომუნიკაცია ეგზავნებათ ანონიმურ ვიზიტორებს.
  • ელ-ფოსტით მარკეტინგი – წერილის გახსნის, კონვერსიის ღილაკზე დაჭერისა და კონვერსიის მოქმედებების საფუძველზე კონტენტის ცვლილება.
  • სოციალური მედია – მომხმარებლის პროფაილინგი, სრული ავტომატიზაცია, დაუსრულებელი მოქმედებების გადატანა
  • სარეკლამო ქსელი – მანქანური სწავლების მეშვეობით პროდუქტის ჩვენება და შეთავაზების გაგზავნა კომპანიის ვებ-გვერდის მიღმა.

მარკეტინგული ავტომატიზაციის ერა გარდაუვალია. მარკეტინგული არხების ერთობლიობა (omnichannel), რომელიც მუდმივ რეჟიმში აგროვებენ მონაცემებს და რეალურ დროში აანალიზებენ მათ, ბიზნესის წარმატების გასაღებს წარმოადგენს. რაც ყველაზე მთავარია, სისტემები თავად იხვეწებიან და ყოველდღიურად შეისწავლიან მონაცემებს, რათა უფრო დახვეწილი და სეგმენტზე მორგებული შეთავაზება გააკეთონ. 21-ე საუკუნის მარკეტერის როლი მონაცემთა მოპოვების მოდელების შექმნაში და მანქანური სწავლების მიერ მიღებული შედეგების გაანალიზირებაში გადადის. ფაქტები მეტყველებს სისტემურ გარდაქმნაზე: მომხმარებელთა მომსახურების ხარისხი 57%-ით გაუმჯობესდა მანქანური სწავლებისა და ხელოვნური ინტელექტის ჩანერგვის შედეგად, 44%-ით გაუმჯობესდა პროდუქტების ხარისხი, ხოლო მათგან მიღებულ მონაცემებზე დაყრდნობით 58%-ით გაიზარდა ახალი პროდუქტების განვითარების ტემპი მსოფლიოში.

 

ქეთი მეფარიშვილი – Marketer.ge – ის კონტრიბუტორი

განხილვა