Текст книги "Нейронные сети в маркетинге, электронной коммерции, планировании производства и логистике"

V Нейронные сети изменят путь клиента в цифровом маркетинге

5.1 Нейронные сети – это секретное оружие и обещание цифрового маркетинга. Определение путешествий клиентов – важнейший инструмент в наборе инструментов маркетолога

Нейронные сети – это секретное оружие и обещание цифрового маркетинга

Вы можете проследить путь клиента в Интернете и точно выявить, что именно заставляет его щелкнуть мышью… или купить, или загрузить, или сделать что-то еще, что вы от него хотите.

Проблема в том, что с надвигающимся прекращением поддержки файлов cookie, мобильных идентификаторов и фрагментацией пути клиента в Интернете понимание того, что делают клиенты и почему, является для большинства маркетологов скорее стремлением, чем реальностью.

Все это меняют нейронные сети, подмножество машинного обучения и основные алгоритмы глубокого обучения.

Определение путешествий клиентов – важнейший инструмент в наборе инструментов маркетолога

Определение путешествий клиентов – важнейший инструмент в наборе инструментов маркетолога. Визуализация путей клиентов позволяет маркетологам понять, как пользователи взаимодействуют с контентом, как они перемещаются по цифровой экосистеме и как адаптировать взаимодействие к этапу воронки продаж, на котором находится клиент.

Но прямой количественный анализ пути клиента сложен – в значительной степени из-за так называемого «проклятия размерности» – когда все возможные комбинации и перестановки пути клиента растут так быстро, что данные становятся неуправляемыми или непостижимыми для людей. Вот где на помощь приходят нейронные сети.

5.2 Как нейронные сети проясняют путь клиента. Устранение неэффективности сети

Как нейронные сети проясняют путь клиента

Нейронные сети могут объединять похожие пути клиентов, используя алгоритмы встраивания изображений. Это позволяет получить более полное представление о поведении клиентов и выделить нишевые модели поведения, которые указывают на разные этапы воронки продаж, и в противном случае (при традиционном анализе) могут быть упущены.

Модель кластерной нейронной сети позволяет маркетологам понять, как клиенты привлекаются, конвертируются и уходят с их веб-сайтов, а также какие действия им надо предпринимать для достижения успешных результатов бренда.

Есть несколько непосредственных преимуществ этой кластерной модели нейронной сети. О них рассказано ниже.

Устранение неэффективности сети

Знание того, как клиенты перемещаются по цифровой экосистеме, позволяет брендам сосредоточиться на критических моментах пути, гарантируя, что нужный контент находится в нужном месте. Эти знания также можно использовать для выявления и устранения узких мест, таких как отнимающая много времени или медленная загрузка страниц, улучшая общее качество обслуживания клиентов.

5.3 Улучшение прогнозирования оттока. Развертывание нейросетей не означает отказа от традиционных способов визуализации пути клиента. Как вы можете заставить модель кластерной нейросети работать

Улучшение прогнозирования оттока

Почему клиенты уходят? Какие действия они предпринимают, в каком порядке и как долго, прежде чем сбиваются с пути? Все эти вопросы может решить модель нейронной сети. Сравнивая похожие кластеры, маркетологи могут выявить закономерности между путешествиями клиентов и оптимизировать кластеры, подверженные риску оттока. Тот же принцип можно применить и для повышения коэффициента конверсии.

Развертывание нейросетей не означает отказа от традиционных способов визуализации пути клиента

Развертывание нейронных сетей не означает отказа от традиционных способов визуализации пути клиента. Скорее, они могут сделать существующие модели более четкими и функциональными в масштабе, чтобы их можно было оценивать в соответствии с бизнес-предположениями.

Предоставляя эмпирические данные о поведении клиентов в Интернете и группируя их в легко усваиваемые когорты, кластеризация моделей нейронных сетей может позволить маркетологам переоценить бизнес-предположения, переориентировать маркетинговую стратегию и сократить путь потенциального клиента к покупке.

Кластеры имеют дополнительную ценность, делая эти знания более действенными и усваиваемыми по сравнению с концентрацией внимания на отдельных циклах взаимодействия с клиентом. Короче говоря, эту модель кластеризации пути клиента можно использовать в качестве бизнес-инструмента и интегрировать в более широкий спектр маркетинговых методов.

Как вы можете заставить модель кластерной нейросети работать

Для тех, кто хочет вникнуть в технические подробности того, как заставить модель кластерной нейронной сети работать для своего бизнеса, рекомендуется пойти на следующие шаги:

Создавайте образы пути клиента.

Преобразуйте все параметры клиента, которые вы хотите сгруппировать (например, действие, время, последовательность просмотренных страниц), в ячейки и строки определенного цвета.

Вы можете сделать это, используя библиотеку Python numpy. [4]:

NumPy – это библиотека языка Python, добавляющая поддержку больших многомерных массивов и матриц, вместе с большой библиотекой высокоуровневых (и очень быстрых) математических функций для операций с этими массивами.

Обработайте изображения в сверточной нейронной сети, чтобы уменьшить их размеры.

Библиотека Python keras предоставляет инструменты для настройки модели. Наконец, после создания низкоразмерных изображений их можно сгруппировать с помощью алгоритма HDBSCAN, доступного в одноименном пакете Python [5]:

«Keras – это API глубокого обучения, написанный на Python и работающий поверх платформы машинного обучения TensorFlow. Он был разработан с акцентом на возможность быстрого экспериментирования. Возможность как можно быстрее перейти от идеи к результату является ключом к хорошему исследованию.

Керас это:

Просто – но не упрощенно. Keras снижает когнитивную нагрузку на разработчиков, позволяя вам сосредоточиться на действительно важных частях проблемы. Гибкость – Keras использует принцип постепенного раскрытия сложности: простые рабочие процессы должны быть быстрыми и легкими, в то время как произвольно расширенные рабочие процессы должны быть возможны через четкий путь, основанный на том, что вы уже изучили. Мощный – Keras обеспечивает лучшую в отрасли производительность и масштабируемость: он используется организациями и компаниями»

В связи с прекращением поддержки файлов cookie и мобильных идентификаторов, а также растущими ограничениями на таргетинг, ориентированным на данные маркетологам потребуется использовать более сложные инструменты, чтобы понять завтрашний путь клиента. Маркетологи, использующие нейронные сети, должны добиться больших успехов в своих усилиях по лучшему пониманию и оптимизации пути клиента к покупке.

VI Как нейронные сети изменят электронную коммерцию

Электронная коммерция – это многотриллионная отрасль, в которой происходят большие преобразования, которые навсегда изменят то, как мы продаем, и то, как потребители будут покупать. Учтите это.

Вы покупаете в Интернете новые рубашки, соответствующие вашему костюму. Вы быстро фотографируете себя в этой куртке и брюках, загружаете фото на веб-сайт интернет-магазина и сразу же получаете подходящие варианты рубашек и галстуков вашего размера. Сейчас это может звучать как научно-фантастический опыт. Но на самом деле это не так. Быстрое развитие искусственного интеллекта и, в частности, использование нейронных сетей может сделать этот вид CX реальностью.

Примечание [8]:

«CX (customer experience) – это опыт, который формируется у клиента при его взаимодействии со всеми направлениями работы компании, в том числе с представленными ей продуктами и услугами»

6.1 Что такое нейронные сети? Последствия для электронной коммерции

Что такое нейронные сети?

В человеческом мозгу нейронные сети – это электрические соединения, возникающие, когда человек узнает что-то новое. Это позволяет ребенку, например, в конечном счете узнать, что такое собака – достаточно опыта обучения, который укрепляет эти нейронные связи, так что, даже если они различаются по размеру, форме, цвету и т. д., понятие о собаке закрепляется.

Искусственные нейронные сети аналогичны. Вместо нейронов есть единицы – входные, скрытые и выходные. На входные устройства подается информация; скрытые модули обрабатывают эту информацию и решают, что следует извлечь из ввода; а затем выходные единицы сообщают об этом обучении.

Если обучение правильное или неправильное, сети уведомляются через то, что называется обратным распространением – большое слово для обратной связи. Продолжая аналогию с собакой, это похоже на дрессировку собаки, предоставление ей информации, на принуждение ее к обработке информации, а затем к тому, чтобы она вела себя определенным образом. Обратная связь дается на основе поведения собаки.

Помимо искусственных нейронных сетей Искусственные нейронные сети (Artificial Neural Networks – (ANNs) существуют рекуррентные нейронные сети (RNN), которые добавляют к ANNs циклы памяти.

RNN часто называют глубоким обучением, и большинство приложений все еще находятся в лабораторном состоянии. Например, некоторым специалистам по данным удалось написать письмо, имитирующее шекспировские пьесы, или выучить язык.

Хотя RNN-сети пока особо не приносят практической пользы, нынешние эксперименты демонстрируют удивительную мощь, которой обладает искусственный интеллект и будет обладать в будущем для моделирования человеческой деятельности.

Последствия для электронной коммерции

Поскольку нейронные сети продолжают развиваться, у электронной коммерции есть несколько интересных и потенциально полезных способов их использования. В то время как онлайн-покупки по-прежнему являются бурно развивающейся человеческой деятельностью, все еще существуют ограничения, связанные с опытом, особенно с онлайн-поиском продуктов в отсутствие продавца, который мог бы помочь. Но технология нейронных сетей может обеспечить гораздо более персонализированный опыт, давая большую помощь, чем покупатель получил бы от другого живого человека.

Далее мы рассмотрим 3 способа использования искусственного интеллекта, оптимизирующих процесс онлайн-покупок.

6.2 Три способа использования искусственного интеллекта, оптимизирующих процесс онлайн-покупок

1. Расширенный поиск

Довольно неприятно проводить общий поиск согласно тому, что покупатель считает хорошим ключевым словом или фразой. Однако часто оказывается, что это не так, и появляется много нерелевантных результатов.

Затем искатель должен повторять ключевые слова, пока не будут найдены правильные. Это происходит потому, что алгоритмы поисковых систем сопоставляют ключевые слова со словами в названиях и описаниях продуктов, а не с выражениями на естественном человеческом языке. Нейронные сети, которые могут изучать естественный язык, могут добавить «человеческий» элемент в обработку поиска и позволить покупателям получать желаемые результаты с первого раза.

Трое бельгийских аспирантов разработали нейронную сеть, которая могла изучать различные особенности платьев как по тексту, так и по изображению. Сеть узнала различия в вырезах, типах юбок, длинах рукавов и т. д. Так что, когда поиск проводился по спецификам атрибутов, в результатах поиска появлялись продукты, соответствующие этим спецификам.

Ответ – «мужчина», а определение – это описание из пункта Викиданных Q6581097, «человек, который является мужчиной (используйте со свойством: P21 пол или пол). Для групп мужчин используйте с подклассом (P279)». Siri. https://twitter.com/aylin_cim/status/1028291372309082112

Siri – это личный помощник, который извлекает информацию на основе возможностей обработки естественного языка (NLP). Пользователи могут задавать вопросы полными предложениями. Но Siri – это, по сути, поисковая система, основанная на базовом веб-поиске. Теперь те же создатели представили «Сына Siri», также известного как Viv. Viv может обрабатывать более сложные запросы и использует нейронные сети, которые научились достаточно, чтобы предоставлять информацию, а не просто ее извлекать.

Примечание [9]:

«Siri (sɪəri, рус. Сири, бэкр. англ. Speech Interpretation and Recognition Interface) – облачный персональный помощник и вопросно-ответная система, программный клиент которой входит в состав iOS, iPadOS, watchOS, macOS и tvOS компании Apple. Данное приложение использует обработку естественной речи, чтобы отвечать на вопросы и давать рекомендации. Siri приспосабливается к каждому пользователю индивидуально, изучая его предпочтения в течение долгого времени»

2. Персонализация покупательского опыта и прямой маркетинг

Одним из наиболее важных достижений в области искусственного интеллекта стала способность собирать, анализировать и затем использовать огромные объемы данных для мониторинга поведения потребителей по различным демографическим характеристикам, а затем объединять этих потребителей в группы на основе их историй покупок, предпочтений и т. д ..

Делая это, маркетологи могут ориентировать свою рекламу конкретных продуктов на основе данных групп и даже отдельных лиц. Ярчайший тому пример – Amazon. Когда покупатели ищут товары на Amazon, им сразу же показываются другие сопутствующие товары. И выбор этих других продуктов не случаен. У Amazon есть нейронные сети в действии, продвигающие продукты, которые купили представители тех же демографических групп.

3. Расширенное прогнозирование продаж и предсказания

Традиционно компании прогнозируют продажи на основе собственной истории. Но потребители могут быть непостоянными; их предпочтения меняются. И маркетологи пытались делать прогнозы и предсказания, основываясь на том, что, по их мнению, будет новыми тенденциями и «настроениями» их типичных клиентов. Это всегда оказывалось длительной, трудоемкой и не всегда точной процедурой.

Но теперь можно использовать нейронные сети, способные собирать и анализировать огромные наборы данных и учиться извлекать определенные функции и делать прогнозы на основе этих функций.

Два китайских специалиста по данным не так давно проверили точность того, что они называют сверточной нейронной сетью, и результаты подтвердили эффективность в прогнозировании продаж искусственного интеллекта.

Чего хотят владельцы бизнеса электронной коммерции? Они хотят увеличения количества транзакций, большей удовлетворенности клиентов, увеличения удержания клиентов и, в конечном счете, большего количества конверсий.

Нейронные сети, которые могут стимулировать предприятия электронной коммерции за счет более качественных результатов поиска, персонализированного опыта и таргетинга, а также большего «человеческого контакта», обеспечат превосходную эффективность и автоматизацию. Предприятия, использующие нейронные сети, получат огромное конкурентное преимущество.

Электронная коммерция – это многотриллионная отрасль, в которой происходят большие преобразования, которые навсегда изменят то, как мы продаем, и то, как потребители станут покупать.

VII Почему планировщики производства должны заботиться об объяснимом искусственном интеллекте?

7.1 Ответ – Холмс. «Черный ящик» против «ориентированного на пользователя»

Ответ – Холмс

Допустим, вы разыскиваете грабителя банков, который только что совершил хитроумное ограбление. До сих пор никому не удалось раскрыть дело, поэтому вы привлекаете два источника помощи извне: первый – полицейский экстрасенс – вы не верите, что у него действительно есть экстрасенсорное восприятие, и его послужной список опознаний преступников превосходный, но он всегда объясняет дела только с точки зрения духовного мира. Другой – Шерлок Холмс – культовый мастер дедуктивных рассуждений, обладающий талантом к драматическим разоблачениям.

Двое прибывают на место происшествия и вскоре готовы представить свои гипотезы. В двух версиях преступления есть некоторые совпадающие идеи, но они расходятся в нескольких ключевых деталях. Холмс объясняет эти точки расхождения рациональными терминами со свойственным ему чутьем, а полицейский экстрасенс снова объясняет то, что сказали ему голоса из потустороннего мира. Какую учетную запись вы собираетесь использовать, пытаясь задержать преступника?

Для большинства из вас, предположительно, ответ – Холмс, и не только из-за его репутации. Скорее всего, вы выбрали его объяснение, потому что он привел ряд рассуждений, приведших к заключению. Несомненно, что аргументированное объяснение способно внушить гораздо больше доверия, чем необъяснимый ход мыслей экстрасенса. И вы правы, выбирая версию, которая может быть объяснена. Однако есть вопрос – почему так много пользователей технологий цепочки поставок соглашаются на принятие рекомендаций, в которых не содержатся обоснования выводов?

«Черный ящик» против «ориентированного на пользователя»

В приведенной выше причудливой истории цель состояла в том, чтобы проиллюстрировать точку зрения о двух разных подходах к искусственному интеллекту (AI): «черный ящик» и «ориентированный на пользователя».

В настоящее время искусственный интеллект «черного ящика», т. е. технологические решения, которые получают данные и выдают прогнозы или предложения, не давая вам взглянуть на их внутреннюю работу, является стандартом в большинстве отраслей, включая производство и управление цепочками поставок. Тем не менее, объяснимый AI (или AI, ориентированный на пользователя) начинает привлекать внимание.

Что такое объяснимый искусственный интеллект (объяснимый AI)?

Ну, это примерно то, на что это похоже: вместо того, чтобы выдавать ответ без каких-либо рассуждений и ожидать, что планировщики примут его как истину (как наш полицейский экстрасенс выше), ориентированный на пользователя AI способен «показать свою работу» и предоставить пользователям решения с некоторой предысторией.

До сих пор имеется много случаев, когда люди заинтересованы в объяснимом AI для вопросов, где предвзятость вызывает беспокойство. Компания Amazon, например, относительно недавно запустила AI для найма «черных ящиков», который оказался предвзятым в отношении женщин.

Подобные вещи возникали в ограниченных или гипотетических случаях использования в уголовном правосудии, но в результате в этих ситуациях люди все чаще выступают за AI-алгоритмы, которые могут хотя бы частично показать лицам, принимающим решения, как они пришли к своим оценкам или предложениям. Можно уверенно предположить, что эти соображения могут быть столь же актуальными в контексте производства или цепочки поставок.

7.2 AI в цепочке поставок. Планирование производства в эпоху Индустрии 4.0

AI в цепочке поставок

Хорошо, но в чем существенная разница между «черным ящиком» и объяснимым развертыванием AI с точки зрения, скажем, планировщика производства, пытающегося оптимизировать свои еженедельные производственные циклы?. На каком-то уровне большая разница здесь может заключаться в пользовательском интерфейсе: с AI-решением «черный ящик» планировщик может подключить алгоритм к нескольким источникам данных, подставить некоторые числа по мере необходимости и сидеть сложа руки, пока программа придумывает решение.

Это решение может представлять собой полный план, а в контексте Индустрии 4.0 оно может даже автоматически упорядочивать и планировать данный план. Это, безусловно, удобно. Но для планировщика, который может захотеть рассмотреть несколько вариантов или у которого могут быть проблемы или ограничения, которые нелегко определить количественно, это может привести к сбоям. Или это может привести к низкой вовлеченности, т. е. планировщик не захочет использовать инструмент и вместо этого будет продолжать создавать планы вручную.

С объяснимым AI эта ситуация может выглядеть совсем иначе. Вместо того, чтобы выдавать полный план, AI может показать визуализацию различных рассмотренных сценариев планирования и их различных плюсов и минусов. Он может показать вам, что именно он считает оптимальным планом, а также информацию о том, что делает его лучшим вариантом, который планировщик может затем рассмотреть или даже настроить с помощью AI.

Таким образом, если с вашими данными происходит что-то подозрительное, это будет заметно, и вы сможете принять меры для решения этой проблемы. Точно так же, если AI сделает вам неортодоксальное предложение, вы сможете получить некоторое представление о том, почему он считает это предложением оптимальным. Таким образом, вы сможете прийти к правильному выводу быстрее и с большей уверенностью.

Планирование производства в эпоху Индустрии 4.0

Объяснимый AI мог действовать скорее как помощь в планировании производства человеком, чем как его замена. В целом, алгоритмы искусственного интеллекта «черный ящик» (которые могут опираться на нейронные сети или аналогичную технологию) могут выполнять более сложные вычисления, но компромисс заключается в том, что они предлагают помощь в планировании только на своих условиях. Таким образом, объяснимый AI приближает нас к мечте Индустрии 4.0 о киберфизических системах.

Другими словами, AI, способный действовать как своего рода доверенный консультант для сужения правильных вариантов, может создать настоящие «умные фабрики», использующие данные для обеспечения сочетания автоматизированных и ручных рабочих процессов при планировании и развертывании.

В конечном счете, мы, вероятно, увидим все больше и больше сценариев, в которых системы могут принимать и выполнять автономные решения в рамках производственной цепочки в будущем. В то же время эти решения всегда будут поддерживать человеческие усилия с точки зрения более широкой тактики и стратегии. В конце концов, есть реальная ценность, которую можно получить, рассматривая AI-технологию, учитывающую этот факт.

Индустрия 4.0 не может существовать без таких вещей, как искусственный интеллект, машинное обучение и расширенная аналитика, но она не может существовать и без специалистов по планированию производства.