CC BY
25DOI: 10.54861/ 27131211_2021_6_36
УДК 339.138
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В
МАРКЕТИНГОВЫХ ИНСТРУМЕНТАХ
Зябликов Д.А., магистрант,
Российский университет дружбы народов, г. Москва, Россия
Аннотация. В статье проанализированы особенности и условия
применения различных методов машинного обучения в маркетинговых
инструментах
отечественных
компаний.
Исследован
принцип
контекстуализации для внедрения поведенческого таргетинга, контекстной
рекламы, рекомендательных сервисов и т.д. Выделены приоритеты
современных отечественных компаний в вопросе применения технологий Data
Science и Machine Learning в маркетинге, очерчены их основные пути
развития.
Ключевые слова: машинное обучение, маркетинг, контекстная
реклама, таргетинг, нейросети.
APPLICATION OF MACHINE LEARNING METHODS IN MARKETING
TOOLS
Zyablikov D.A., Master's student, Peoples' Friendship University of Russia,
Moscow, Russia
Abstract. The article analyzes the features and conditions of using various
machine learning methods in marketing tools of domestic companies. The principle
of contextualization for the introduction of behavioral targeting, contextual
advertising, recommendation services, etc. is investigated. The priorities of modern
36
domestic companies in the use of Data Science and Machine Learning technologies
in marketing are highlighted, their main development paths are outlined.
Keywords: machine learning, marketing, contextual advertising, targeting,
neural networks.
JEL classification: M15, M31, M37.
Для цитирования: Зябликов Д.А. Применение методов машинного
обучения в маркетинговых инструментах // Прогрессивная экономика. 2021.
№ 6. С. 36–43.
Введение
Современный маркетинг в эпоху новейших технологий стал активно
применять методы машинного обучения, основанные на использовании
особого типа программного обеспечения – нейронных сетей, необычайно
эффективных для решения различных сложных задач с помощью поиска
нелинейных решений. Все больше компаний в своей маркетинговой
деятельности используют технологии Data Science и ее главную сферу Machine
Learning, особенно в системе онлайн-маркетинга. Резкий скачок интереса к
технологиям и методам машинного обучения в последние годы
спровоцировали такие факторы:
– резкий рост мощности вычислительных компьютерных систем, что
дало возможность не только большому, но и среднему и малому бизнесу их
освоить и внедрить в свою практику маркетинговой деятельности;
– динамическое развитие облачных технологий, которые дают
возможность не только оперировать огромными массивами информации, но и
иметь к ним неограниченный доступ;
– тотальная цифровизация и подключение к Интернету всех
электронных устройств;
37
– появление возможности к сбору и анализу огромных объемов
пользовательской информации [5].
Как указывает М.Д. Абашидзе, В.С. Старостин, ввиду стирания онлайн
и офлайн границ активно развиваются новые форматы взаимодействия
компаний между собой и с потребителями через трансформацию концепции
Big Data («большие данные) к концепции Data Science («наука о данных»).
Активное использование методов машинного обучения в практической
деятельности компаний существенно оптимизировало и сам механизм
маркетинговых исследований, который стал внедрять свою практику
технологии искусственного интеллекта и нейронных сетей [1, с.33].
Поэтому целью данной статьи является исследование возможностей
применения методов машинного обучения в маркетинговых инструментах
бизнес-компаний.
Результаты и обсуждение
Технологии и методы машинного обучения в процессе проведения
маркетинговых мероприятий и анализа могут применяться очень широко и
разнообразно. С их помощью можно намного быстрее и эффективнее
классифицировать, разделять и ранжировать огромные объемы информации
по нужным компании признакам и показателям, совершать оптимальный
подбор в процессе поиска данных максимально релевантного контента, а
также совершать мониторинг и оптимизацию процессов активного
взаимодействия между клиентом и компанией.
Маркетинговые технологии и инструменты в любой компании,
использующие методы машинного обучения, функционируют на основе
контекстуализации – особого принципа организации ведения бизнеса,
который учитывает в реальном времени поведенческие стратегии клиентов,
текущие
рыночные
показатели,
ситуационные
особенности
функционирования компании и предлагает персонализировать маркетинговые
программы с учетом полученных данных. По мнению В.С. Старостина, кроме
стандартных рекламных инструментов – инструментария поведенческого
38
таргетинга, контекстной рекламы и некоторых рекомендательных сервисов,
методы машинного обучения можно внедрять и в такие сферы маркетинга,
как:
– маркетинговая аналитика: при помощи технологий машинного
обучения можно прогнозировать состояние рыночных трендов для
предсказания поведения потребителей рынка, используя поведенческие
паттерны;
– управление ассортиментом и продуктом компании: вследствие учета
поведенческими сервисами многих факторов поведения потребителей
формируется рыночное предложение, которое наиболее верно подходит
профайлу потребителя и конкретной рыночной ситуации; кроме того, с
помощью нейронных сетей, компьютерного зрения, методик распознавания
голоса и других похожих технологий можно существенно усовершенствовать
корпоративный продукт;
–
формирование
дистрибьюторской
системы:
при
помощи
быстродействующих аналитических систем можно обрабатывать огромные
массивы транзакций, а также сотни дополнительных параметров для прогноза
будущих сделок, оформления поставок товаров, оптимизации логистических
цепочек, закупки сырья и т.д.; кроме того, с помощью сенсорных систем
распознавания можно оптимизировать процессы розничной покупки-
продажи;
– программы продвижения продукта и иные маркетинговые
коммуникации: при помощи новых способов коммуникации и каналов
персонализации контента соответствующие программы могут, используя
данные о клиентах компании, адаптировать работу с ними под содержание
рыночного предложения;
– политика ценообразования компании: с помощью методов машинного
обучения можно сформировать программу динамического ценообразования
через предложение клиенту персональной цены на основе анализа всех
39
параметров его клиентской истории и замещая тем самым традиционные
программы лояльности компании [4, с.28].
Сегодня практически вся аналитическая деятельность больших
компаний
на
рынке
в
системе
онлайн-маркетинга
полностью
автоматизирована. В обычное облачное хранилище сгружаются все данные,
полученные от CRM, программ лояльности, информация от калл-центров,
контекстной рекламы, а также сведения из системы ERP. Далее происходит
процесс обработки массива данных с использованием дашбордов (от англ.
dashboard – «приборная панель»), создается атрибутивная модель для
последующего регулирования процессами управления таргетингом и
контекстной рекламой. Так, например, ведущие отечественные букмекерские
конторы в онлайн-платформах запустили собственные АСУ в контекстной
рекламе для управления ставками клиентов, а компания CEO Retail Rocket
разработала и внедрила на базе работы алгоритмов А/В, итоговой конверсии и
усовершенствования профиля пользователя в личном кабинете собственную
систему персонализации клиента на базе платформы Retail Rocket [3].
Важной особенностью моделирования клиентского поведения является
способность машинного интеллекта практически полностью декомпозировать
все как очевидные, так (что наиболее важно) все неочевидные корреляции – у
серьезных разработок поток анализа может составлять несколько сотен
параметров, что в принципе не может быть доступно даже группе аналитиков.
Отметим, что весьма важную роль в системе электронного маркетинга
играет сегодня предиктивная аналитика, или прогнозирование моделей
поведения клиента с очень высокой точностью. Созданы программы, которые
проводят детальный анализ потребительского поведения клиентов,
формируют градацию собственных прогнозов и предлагают готовые
интуитивные решения. Наиболее востребованными сегодня программами
машинного обучения являются разработки для интернет-магазинов и крупных
торговых онлайн-площадок типа Амазон. Такие большие компании в
состоянии самостоятельно разработать и внедрить модели машинного
40
интеллекта, но в качестве альтернативных вариантов можно приобрести
готовый сертифицированный продукт в известных IT-компаний [2].
Однако нельзя думать, что рекомендательные сервисы как наиболее
распространенные виды моделей машинного обучения предназначены только
для сферы электронной торговли. При изменениях в настройках такие
виртуальные помощники могут помогать в планировании рабочих графиков,
выбирать подходящий маршрут путешествия, оценивать программу
спортивных тренировок или меню ресторана. Особенно востребованными
являются голосовые помощники, как, например, Cortana в компании Microsoft,
Alex в компании Amazon или Алиса в компании Яндекс. Их возможности
позволяют постоянно совершенствоваться в процессе общения с
пользователем [4].
Однако все же главным направлением применения моделей и методов
машинного обучения была и остается контекстная реклама. Применение
различных интеллектуальных алгоритмов и программ обуславливается тем,
что
маркетинговые
коммуникации
обязательно
направлены
на
персонализацию целевой аудитории, поэтому оптимальный выбор рекламного
контента невозможен без коммуникационной персонализации. Современные
методы машинного обучения с помощью таргетинга изучают представителей
целевой аудитории сразу по нескольким десяткам характеристик и
особенностей:
– социально-демографическим – пол, возраст, социальный статус, род
занятий и т.д.;
– взаимодействие с компанией – включаются история взаимоотношений
(кредитная, покупательская и проч.);
– характеристик поведения клиента – его предпочтений, запросов,
просмотров контента, логов поведения в Сети и т.д.;
– объективного контекста – трафика, реального времени, геолокации
клиента, активности его среды и проч. [5].
41
Сегодня продвинутые системы искусственного интеллекта способны к
анализу и обработке более двух сотен различных параметров клиента через
определенные идентификаторы и параметры, совпадение конкретного
индивида с которыми означает направленность программы на его
идентификатор. Вместе с тем некоторые программы могут использовать
открытый код и быть доступными всем желающим.
Заключение
Активное использование моделей машинного обучения в современном
маркетинге дает возможность динамично развиваться многим современным
компаниям. С помощью технологий нейросетей, искусственного интеллекта
маркетологи могут значительно точнее и быстрее спрогнозировать
поведенческие ориентиры клиентов и выработать тем самым наиболее
оптимальные решения для своего бизнеса.
Литература
1.
Абашидзе М.Д., Старостин В.С. Перспективы использования
машинного обучения и операционной аналитики в маркетинге // Актуальные
проблемы управления – 2016. М., 2016. С. 33–55.
2.
Машинное обучение: искусственный интеллект помогает
упорядочить хаос больших данных // РБК [Электронный ресурс]. Режим
доступа:
http://sap-technology.rbc.ru/mashinnoe-obuchenie.html
(дата
обращения: 17.04.2021).
3.
Машинное обучение в маркетинге: ожидания vs реальность.
[Электронный
ресурс].
Режим
доступа:
https://www.sostav.ru/publication/mashinnoe-obuchenie-v-marketinge-ozhidaniya-
i-realnost-32245.html (дата обращения: 11.04.2020).
4.
Старостин В.С. Трансформация маркетинговых технологий в
эпоху машинного интеллекта // Вестник университета. 2018. №1. С. 28–34.
5.
Rogers D.L. The digital transformation playbook. New York: Columbia
Business School Publishing, 2016. 296 p.
42
References
1. Abashidze M.D., Starostin V.S. Perspektivy ispol'zovaniya mashinnogo
obucheniya i operatsionnoi analitiki v marketinge // Aktual'nye problemy
upravleniya – 2016. M., 2016. S. 33–55.
2. Mashinnoe obuchenie: iskusstvennyi intellekt pomogaet uporyadochit'
khaos bol'shikh dannykh // RBK [Elektronnyi resurs]. Rezhim dostupa: http://sap-
technology.rbc.ru/mashinnoe-obuchenie.html (data obrashcheniya: 17.04.2021).
3. Mashinnoe obuchenie v marketinge: ozhidaniya vs real'nost'. [Elektronnyi
resurs]. Rezhim dostupa: https://www.sostav.ru/publication/mashinnoe-obuchenie-
v-marketinge-ozhidaniya-i-realnost-32245.html (data obrashcheniya: 11.04.2020).
4. Starostin V.S. Transformatsiya marketingovykh tekhnologii v epokhu
mashinnogo intellekta // Vestnik universiteta. 2018. №1. S. 28–34.
5. Rogers D.L. The digital transformation playbook. New York: Columbia
Business School Publishing, 2016. 296 p.
43
