Czy głębokie uczenie spowoduje rewolucję w obszarze prowadzenia analiz marketingowych?

Funkcje głębokiego uczenia w aplikacjach opartych na sztucznej inteligencji (AI) przynoszą wyniki, które naprawdę robią wrażenie. Na przykład stworzona przez Apple’a aplikacja Siri przekłada ludzki głos na komendy komputerowe, które pozwalają właścicielom iPhone’a uzyskiwać odpowiedzi na pytania, wysyłać wiadomości oraz pomagają odnaleźć drogę nawet do najbardziej nietypowych lokalizacji. Zautomatyzowane prowadzenie samochodu pozwala dziś bezpiecznie zdjąć ręce z kierownicy na drogach ekspresowych, a niebawem możliwe to będzie również w miastach. W biologii badacze wykorzystujący AI tworzą nowe molekuły, które wejdą w skład leków opartych na DNA.

Biorąc pod uwagę całą aktywność związaną z głębokim uczeniem, wielu zastanawia się, jak te metody zmienią przyszłość marketingu. W jakim stopniu pomogą one firmom dążącym do zaspokojenia potrzeb klientów w projektowaniu nowych pożytecznych produktów i usług?

Technologia, na której opiera się głębokie uczenie, coraz bardziej zbliża się do punktu, w którym będzie mogła analizować ogromne bazy danych, poszukując w nich prawidłowości i wiedzy. Nietrudno sobie też wyobrazić, że nadejdzie dzień, kiedy firmy zintegrują wiele różnorodnych baz danych, żeby dowiedzieć się z nich z jeszcze większą dokładnością, czego oczekują klienci – a następnie wykorzystają te informacje do zdobycia przewagi na rynku. Już niebawem, dzięki technologii rozpoznawania twarzy, klienci sklepów spożywczych będą otrzymywali spersonalizowane kupony promocyjne, przygotowane na podstawie ich historii zakupowej. W przyszłości reklamy wyświetlane na YouTube mogą być projektowane pod osobowość indywidualnego odbiorcy. Głębokie uczenie może zostać wykorzystane także do projektowania produktów, które będą zaspokajały osobiste potrzeby klientów, ale zostaną wyprodukowane i dostarczone przez zaawansowane systemy druku 3D.

Różne rodzaje firm będą starały się wykorzystać potencjał głębokiego uczenia na swój własny sposób. Producent samochodów może, na przykład, znaleźć nowych nabywców, odświeżyć proces zakupowy, doszlifować szczegóły produktu, tak by zainteresować nimi określoną grupę klientów. Działanie to będzie opierało się na ogromnej ilości istotnych danych, w tym na danych o naprawach, ocenach klientów dotyczących jakości oraz niezawodności pojazdów. Będzie też uwzględniało, gdzie i przez kogo auta są rejestrowane, wpisy na Twitterze dotyczące zakupu aut i doświadczeń zdobytych w trakcie ich użytkowania, wpisy na Facebooku pokazujące ludzi ze swoimi samochodami, dane dotyczące tego, jak wygląda u producenta zarządzanie relacjami z klientem, a nawet działania klientów w internecie. Tymczasem bank może wykorzystać głębokie uczenie do tworzenia nowych produktów i usług oraz dostosowywania promocji do oczekiwań klientów. Analizując dane dotyczące historii kredytowej klientów, transakcji dokonywanych przy użyciu kart kredytowych, oszczędności i kont bankowych, aktywności w internecie, klikanych linków, obecności w mediach społecznościowych, ratingów produktów i historii wyszukiwania, można poznać preferencje klientów. Czego oczekuje od karty kredytowej czterdziestoletni pracownik umysłowy mieszkający na przedmieściach dużej metropolii? Czy jest bardziej zainteresowany premiami za podróżowanie, ochroną kupującego, usługą cash back czy może niskim oprocentowaniem karty?

Oczywiście, już dziś wielu menedżerów korzysta z analiz, modelowania statystycznego i z zawężonych, sprofilowanych baz danych, żeby śledzić postrzeganie marki, planować odpowiednie promocje oraz podejmować decyzje inwestycyjne. Czym więc różnią się te metody od głębokiego uczenia? Czy oznacza ono fundamentalną zmianę, czy też przyniesie jedynie nieznaczne ulepszenia? W niniejszym artykule staramy się udzielić odpowiedzi na te pytania, odnosząc się do naszych badań związanych z kartami kredytowymi. Dodatkowo zastanawiamy się, co to badanie pokaże nam na temat kierunków rozwoju analityki w przyszłości.

Choć głębokie uczenie wciąż jeszcze raczkuje, można już postawić pytanie: co ma do zaoferowania firmom ta technologia, w porównaniu z dotychczasowymi metodami analitycznymi, do których menedżerowie są przyzwyczajeni? Czy może pomóc w trafniejszym prognozowaniu, a jeśli nie, jak może zostać ulepszona? I jakiego rodzaju inwestycji, związanych z gromadzeniem danych oraz wdrażaniem technologii, będą musiały dokonać firmy, żeby skorzystać z nowych, potężnych możliwości głębokiego uczenia? Nasze badania wskazują, że choć wykorzystanie tej technologii nie musi prowadzić do wielkich profitów w postaci natychmiastowej poprawy dokładności prognoz ani przynosić widocznych korzyści w przypadku każdego analizowanego zagadnienia, to jednak są powody do optymizmu.

Nasz eksperyment

Aby porównać głębokie uczenie z tradycyjnym sposobem prowadzenia analiz marketingowych, poddaliśmy badaniu ogromną bazę danych behawioralnych, demograficznych i ekspozycji na reklamę kart kredytowych z NerdWallet, dużego internetowego sprzedawcy tych właśnie kart, z siedzibą w San Francisco. Chcieliśmy przekonać się, czy model wielopoziomowego głębokiego uczenia lepiej niż tradycyjne metody pomoże przewidzieć, które karty kredytowe będą wybierane przez klientów.

Zdolność do przewidywania, jakiego wyboru dokonają klienci, to pierwszy krok w kierunku podniesienia skuteczności decyzji dotyczących projektowania produktu, wyboru kanałów dotarcia z informacją marketingową, sposobu promowania produktu (w tym wypadku karty kredytowej) i wyboru grupy docelowej. Aby dowiedzieć się, co ludzie cenią najbardziej, trzeba przeprowadzać eksperymenty i tworzyć modele predykcyjne przewidujące ich zachowania. Kierowaliśmy się przeczuciem, że głębokie uczenie dostarczy bardziej klarownego i użytecznego obrazu sytuacji aniżeli statystyczna metoda zwykłej regresji. W celu poddania próbie naszych założeń, przyjrzeliśmy się, jak wyglądał proces wyboru kart kredytowych przez 260 tysięcy osób. Uwzględniliśmy 25 czynników demograficznych (oprócz oczywistych zmiennych – takich jak wiek, płeć, dochody gospodarstwa domowego – zbadaliśmy także bardziej szczegółowe informacje, na przykład zdolność kredytową, karty obecnie posiadane przez klienta czy kod pocztowy). Braliśmy również pod uwagę 132 cechy każdej oferowanej karty w odniesieniu do tych kart, o które każda z tych osób się ubiegała (w tym oprocentowanie, to, czy karta oferuje zbieranie punktów w celu zdobywania nagród, zbieranie mil czy zwrot części płatności, wysokość rocznej opłaty za kartę lub mechanizm balance transfer, to znaczy przenoszenie zadłużenia rachunku karty kredytowej innego banku).

Strona NerdWallet zawiera informacje oraz oceny ekspertów na temat dwóch tysięcy różnych kart kredytowych oferowanych przez setki banków, tak by klienci mogli porównać ich cechy i zdecydować, na czym im zależy. Produkty, które użytkownicy widzą w trakcie swoich wizyt na stronie, są zapisywane. NerdWallet zwraca także uwagę, kiedy dana osoba wykonuje dodatkowe działania, żeby zobaczyć więcej szczegółów lub żeby porównać określone karty. Kiedy użytkownicy zdecydują, które karty im odpowiadają, klikają w serwisie NerdWallet w link przenoszący ich na strony internetowe wybranych banków, żeby zakończyć składanie wniosku. Dla celów badawczych potraktowaliśmy to działanie już jako wskazanie ostatecznego wyboru.

Korzystając z bazy danych NerdWallet, porównaliśmy trzy modele wyboru. (Więcej informacji w części Informacja techniczna dla analityków). Pierwszy model opierał się na metodzie prostej regresji liniowej wyboru, opartej na funkcji zmiennych demograficznych użytkownika i cech karty. Każda zmienna miała proste bezpośrednie przełożenie na wybór, opisane jednym równaniem, bez żadnych interakcji pomiędzy zmiennymi. Na przykład współczynnik zmienności o wartości 0,058 razy liczba mil, które można było otrzymać w ramach nagrody za obciążenia karty na sumę 1000 dolarów, mógł pomóc przewidzieć, czy klient wybierze zieloną kartę American Express.

Drugi model wykorzystywał już prostą wersję technologii głębokiego uczenia – w prostszej wersji. Pomiędzy zmiennymi wsadowymi a prawdopodobieństwem wyboru zawierał też warstwy ukryte. Każda zmienna wsadowa (na przykład mile do wylatania w ramach programu lojalnościowego linii lotniczych) była w nim połączona ze zmienną ukrytą, która z kolei została powiązana z prawdopodobieństwem wyboru. Zmienne ukryte nie były konkretnie określone; były to raczej kombinacje zmiennych wsadowych z pierwszego poziomu. Łączyły się z innymi zmiennymi ukrytymi na kolejnym poziomie modelu, a kolejne zmienne ukryte były kombinacjami innych zmiennych ukrytych. Może to sprawiać wrażenie niepotrzebnie skomplikowanej układanki, lecz łączenie zmiennych ukrytych z niejawnych poziomów jest tym, co sprawia, że głębokie uczenie jest takim potężnym narzędziem (cecha ta znalazła nawet wyraz w jego nazwie). Nasz model składał się z trzech poziomów. Pierwsza warstwa opisywała wpływ cech obserwowanych kart i danych demograficznych na zestaw zmiennych ukrytych; następnie przyjrzeliśmy się, jaki wpływ mają te zmienne ukryte na kolejne warstwy zmiennych ukrytych. Mieliśmy nadzieję, że mając trzy niejawne warstwy, które pozwalały na prowadzenie złożonych interakcji i zachowań nieliniowych, mogliśmy z większą dokładnością przewidzieć wybór konkretnej karty.

Nasz trzeci model był bardziej zaawansowaną wersją zastosowanej technologii głębokiego uczenia, w której miernikami współzależnymi były: prawdopodobieństwo wyboru oraz karty, które klienci brali pod uwagę na ostatnim etapie swojego wyboru. Badane były pojedyncze informacje na temat procesu zakupowego oraz inne rozważane karty kredytowe (na podstawie kliknięć). Dodając ten dodatkowy etap do procesu wyboru, sądziliśmy, że będziemy w stanie zwiększyć dokładność prognoz w porównaniu z podstawowym modelem głębokiego uczenia.

Co odkryliśmy?

Dzięki przeprowadzonej analizie dwa modele, które opierały się na głębokim uczeniu, były w stanie przewidzieć wybór karty kredytowej z większą dokładnością aniżeli metody tradycyjne. (Patrz Dlaczego głębokie uczenie może być lepszym rozwiązaniem od tradycyjnych analiz marketingowych). Poprawa dokładności nie była jednak tak duża, jak się spodziewaliśmy.

Przy prostej regresji liniowej wskaźnik dokładności wynosił 70,5%, co oznacza, że w 70,5% przypadków byliśmy w stanie celnie wskazać, którą kartę wybierze dany klient, a także których kart nie wybierze. Prostsza wersja modelu wykorzystującego technologię głębokiego uczenia była tylko nieznacznie dokładniejsza, osiągając poziom 71,7%, a bardziej zaawansowana zwiększała dokładność wyborów do poziomu 73%.
Myśleliśmy, że dodając niejawne poziomy, będziemy w stanie uzyskać o wiele wyraźniejszą poprawę dokładności prognoz. Mieliśmy chyba zbyt wygórowane oczekiwania. Dobrze zbudowane liniowe modele regresji, doskonalone na podstawie wcześniejszych doświadczeń, mogą być całkiem przydatne, pomagając w stworzeniu dokładnej prognozy. Wielość parametrów – to znaczy wielość danych demograficznych, a także takich mierników jak cechy kart – umożliwia stawianie trafnych prognoz tradycyjnymi metodami.

Koszty i korzyści

Czegóż więc można dowiedzieć się z naszego badania o głębokim uczeniu? Czy mają sens inwestycje w technologię i rozwój najważniejszych możliwości w tym zakresie, biorąc pod uwagę, jak niewielki jest wzrost poprawności prognoz? Naszym zdaniem, niewielka poprawa dokładności prognoz w porównaniu z tym, co można uzyskać tradycyjnymi metodami, w większości przypadków nie przełoży się na taki wzrost przychodów, który uzasadniałby angażowanie się w większe przedsięwzięcia inwestycyjne. Firmy, zanim zaangażują się w pełni w takie przedsięwzięcie, powinny spojrzeć szerzej i wziąć pod uwagę nie tylko potencjalne zyski, lecz także wyzwania i koszty implementacji.

Istotną wadą głębokiego uczenia jest to, że trudno określić, które zmienne najsilniej wpływają na wywołanie określonych zachowań. Czy największy wpływ na wybór karty wywarł poziom korzyści dla podróżujących posiadaczy karty kredytowej czy jej najniższe oprocentowanie? Ponieważ zmienne są przetwarzane przez tak wiele niejawnych poziomów, które wpływają na wybór, trudno jest zmierzyć wpływ pojedynczego czynnika. Możemy stworzyć symulację efektu zmian w obszarze jednej zmiennej, ale efekt ten zależy od poziomu wszystkich pozostałych zmiennych wykorzystanych w złożonej strukturze modelu. Trudno jest połączyć oceny podyktowane menedżerom marketingu przez ich intuicję z wynikami uzyskanymi z tych modeli, co z kolei utrudni proces implementacji.

Istnieją też inne czynniki, które należy wziąć pod uwagę. Trzeba zapłacić za pozyskanie technologii głębokiego uczenia, zatrudnić personel do obsługi oraz ponieść koszty pozyskania dodatkowych danych. Wreszcie – nawet przy wykorzystaniu dzisiejszych, wydajnych komputerów – modele głębokiego uczenia wymagają ogromnej mocy obliczeniowej i może minąć wiele czasu, zanim podadzą wyniki. Staje się to istotnym ograniczeniem, kiedy zachodzi potrzeba działania w czasie rzeczywistym. W większości przypadków trudno wytłumaczyć, dlaczego głębokie uczenie miałoby stać się alternatywą dla tradycyjnych metod analizowania danych. Chyba że te nieznaczne zyski w precyzji prognoz byłyby w stanie wygenerować ogromną obniżkę kosztów lub duży wzrost zysków.

Mimo to nadal uważamy, że w niektórych kontekstach biznesowych głębokie uczenie czeka świetlana przyszłość. Jak zauważyliśmy, ma ono znaczną przewagę nad tradycyjną regresją w analizowaniu naprawdę obszernych baz danych, które zawierają obrazy i dane nienumeryczne. Te bogate dane mogą zawierać treści tworzone przez użytkowników (na przykład komentarze na Amazonie, posty z Instagrama czy Facebooka albo opinie zamieszczane na stronach firmowych), a ich wartość może być ogromna. Choć strona NerdWallet zawierała bardzo szczegółowe dane z wyszukiwań i dane o produkcie, nie osiągnęła poziomu tak bogatych baz danych, więc korzyści także nie mogły okazać się spektakularne. Gdyby brano pod uwagę słowne oceny wydawane przez użytkowników kart kredytowych, być może dokładność przewidywań byłaby wyższa.

Głębokie uczenie w szczególności nadaje się do wyszukiwania prawidłowości w danych heterogenicznych i nieustrukturyzowanych. Na przykład niedawno niektórzy z nas stworzyli model oparty na głębokim uczeniu, który pomaga projektantom samochodów z jednej strony przewidzieć, jak klienci zareagują na prototypy aut jeszcze na etapie rysunku, a z drugiej – dostarcza im pomysły na nowe produkty[1]. Innym razem na podstawie tego, jakie programy informacyjne oglądali widzowie, badacze stworzyli model pozwalający przewidzieć ich przyszłe upodobania audiowizualne[2]. Ostatnio firmy zaczęły wykorzystywać głębokie uczenie do analizowania obrazów markowej odzieży umieszczanej przez klientów w mediach społecznościowych i przewidywania, które z tych artykułów odzieżowych będą miały najwyższy wskaźnik zwrotów, a które wygenerują największe zyski[3]. Pozwala to menedżerom na tworzenie lepszych programów zwrotu produktu, a także na budowanie efektywniejszych strategii promocji cenowych. Wcześniejsze badanie przeprowadzone przez kilka osób z naszego zespołu pokazało, że technologia głębokiego uczenia pomagała firmom we wstępnym przeglądaniu treści tworzonych przez użytkowników, co było bardzo skuteczne. Dzięki temu analitycy mogli skupić się na opiniach, które były najbardziej rzeczowe i które ujawniały potrzeby klientów, a przy tym mogli robić to taniej niż wtedy, gdy stosowali tradycyjne metody[4]

Nieustannie pojawiają się nowe możliwości zastosowań głębokiego uczenia. Technologia ta zachęca do eksperymentowania i umożliwia wprowadzanie zmian w eksperymencie w czasie rzeczywistym podczas testów typu A/B (porównywanie podobnych wersji produktów). Stworzyliśmy już prostą metodę AI, która dopasowuje obrazy i treści reklam internetowych do stylów poznawczych konsumentów i projektuje systemy eksperymentowania w czasie rzeczywistym, by w sposób adaptacyjny poznawały, jaka jest najlepsza wersja reklamy dla każdej grupy klientów. Istniejące modele statystyczne pozwalają firmom kierować reklamy do właściwych klientów w internecie. Z kolei system AI pozwala marketingowcom dopasować wersję reklamy do indywidualnych stylów poznawczych i komunikacyjnych klientów oraz dostosować zdjęcia i grafiki tak, by wychodziły naprzeciw ich preferencjom wizualnym. Łączy ponadto dane statystyczne i inne informacje, tak by pasowały do ich stylów podejmowania decyzji. Wyniki uzyskiwane dzięki tym aplikacjom są bardzo obiecujące i istnieje duża szansa, że w przyszłości – kiedy wzrośnie dostępność algorytmów opartych na głębokim uczeniu i dokładniejszych baz danych – będą jeszcze lepsze[5].

Dlaczego głębokie uczenie może być lepszym rozwiązaniem od tradycyjnych analiz marketingowych

Ocena skuteczności konwersji sprzedażowej na zabiegi marketingowe jest stosunkowo łatwa. Wiele organizacji korzysta z różnorodnych klasycznych metod statystycznych i narzędzi, by przeprowadzać symulacje efektów zmian w takich obszarach, jak: ceny, reklama, promocje czy dystrybucja. To chleb powszedni dla menedżerów marki, którzy zazwyczaj śledzą swoje postępy za pomocą prostych modeli i narzędzi online. W niektórych przypadkach stosują testy A/B – gdy dysponują statystycznymi danymi na temat tego, jak klienci mogą zareagować na daną ofertę marketingową, umieją wybrać sposoby dostosowania zmiennych pozwalające uzyskać lepszy wynik.

Jednak głębokie uczenie ma przewagę nad tradycyjnym modelowaniem statystycznym. Oferuje skuteczniejsze przewidywanie zmian w postawach klientów i ich zachowaniach zakupowych, co może przełożyć się na zyskowność.

Pierwszą zaletą głębokiego uczenia jest to, że ułatwia firmom obserwowanie większej liczby interakcji i zależności nielinearnych, dzięki czemu firmy uzyskują pełniejszy obraz klienta. Zamiast stosować pojedyncze równanie do symulowania reakcji, modele głębokiego uczenia wykorzystują liczne warstwy wzajemnie połączonych zmiennych, rzeczywistych i utajonych. W modelu głębokiego uczenia sprzedaż może na przykład być konsekwencją promocji marketingowych, ale reakcje mogą być bezpośrednio powiązane z tekstem reklamy i siłą marki w mediach społecznościowych, co można zbadać za pośrednictwem zmiennych ukrytych w niejawnych warstwach sieci neuronowej. Sieć ta pozwala na złożone interakcje zmiennych. Chociaż niekiedy utrudnia to interpretację wyników, interakcje te dają możliwość poprawienia dokładności prognoz.

Druga korzyść ma związek z kryteriami technicznymi stosowanymi do oceny skuteczności. Tradycyjne metody statystyczne za kryterium skuteczności przyjmują opis relacji historycznych. Głębokie uczenie natomiast opiera swoją przydatność na zdolności do przewidywania wyborów i reakcji klientów dzięki uwzględnianiu nowych danych. To udoskonala model reakcji klienta i prawdopodobieństwo, że te przewidywania faktycznie się sprawdzą.

Trzecią zaletą jest fakt, że głębokie uczenie może analizować jednocześnie dane werbalne i wizualne oraz numeryczne. Jest to szczególna zaleta w dzisiejszym świecie, ponieważ internet jest obecny wszędzie, a dostępne informacje mogą składać się z komentarzy użytkowników i innych danych nienumerycznych. Modele głębokiego uczenia mogą łączyć duże bazy danych (np. wpisy z Instagrama i Twittera) z bardziej tradycyjnymi bazami danych (takimi jak informacje o sprzedaży czy o wydatkach marketingowych), by poszukiwać odpowiedzi na ogólne pytania w rodzaju: „Czego naprawdę poszukują klienci i jak dużo powinniśmy wydać, żeby do nich dotrzeć?”.

Przełożenie na firmową praktykę

Co to wszystko będzie oznaczało dla firm? Odwołując się do naszych doświadczeń, dostrzegamy kilka ważnych wniosków, które mogą być przydatne dla menedżerów marketingu.

1. Bądźcie czujni i zwracajcie uwagę na możliwości, jakie niesie przyszłość. Dotychczasowe sprawdzone systemy oparte na statystyce będą nadal odgrywały ogromną rolę w analityce marketingowej, ale można już sobie wyobrazić, w jaki sposób głębokie uczenie może wzmocnić aktualne działania i umożliwić rozwiązywanie nowych problemów. Obszary o wysokim potencjale to między innymi zaawansowane budżetowanie i planowanie działań promocyjnych, bardziej zaawansowane wyszukiwanie klientów oraz lepiej dopracowany proces rozwoju nowych produktów.

2. Twórzcie jak najbogatsze bazy danych. Integrowanie wielu źródeł i typów danych może wpłynąć na znaczną poprawę w obszarze analizy konwersji oraz optymalizację wykorzystywania zasobów marketingowych. Największe koszty głębokiego uczenia wynikają z inwestycji w pozyskiwanie danych oraz tworzenie baz danych i zapewnianie ich spójności. W naszym badaniu nad procesem wyboru kart kredytowych ponad 50% kosztów pochłonęło zbieranie, oznaczanie oraz oddzielanie właściwych danych od niepotrzebnego „szumu”. W związku z tym menedżerowie, którzy uważają, że ich firmy zyskają na wprowadzeniu analiz opartych na głębokim uczeniu, powinni zainwestować w oprogramowanie zbierające komentarze klientów pochodzące z ich firmowej strony internetowej, a także z Amazona, Twittera i Instagrama wraz z indywidualnymi zapisami kliknięć dokładnie w tym czasie, kiedy klienci wyszukują produkty i podejmują decyzje zakupowe.

3. Budujcie zdolności dzięki szkoleniom i zatrudnianiu nowych pracowników. Aby skorzystać z możliwości, jakie daje głębokie uczenie, trzeba pozyskać wewnętrznych ekspertów, którzy będą potrafili pracować z waszymi bazami danych. Będą musieli wiedzieć, jak maksymalizować zastosowania bogatych baz danych, wykorzystywać je do rozwiązywania nierozwiązanych problemów marketingowych i znajdować nową wiedzę o znaczeniu strategicznym. Przetwarzanie bogatych baz danych wymaga zaawansowanej wiedzy z zakresu AI oraz pieniędzy w budżecie na opłacenie konsultantów, którzy będą wsparciem dla dotychczasowych pracowników.

4. Rozwijajcie programy eksperymentowania. Wykorzystywanie głębokiego uczenia do przeprowadzania lepszych i skuteczniejszych testów A/B to tylko jedno z zastosowań tej technologii. Można jej także używać do testowania nowych zmiennych marketingowych. Największy potencjał tkwi prawdopodobnie w eksperymentach fokusowych, które do pomiaru reakcji systematycznie wykorzystują różne zmienne. Najambitniejszym rozwiązaniem byłoby stosowanie w przypadku każdego użytkownika różnych bodźców marketingowych oddziałujących na niego w czasie rzeczywistym. Eksperymenty mogłyby wtedy być analizowane za pomocą metod głębokiego uczenia.

Refleksje na temat przyszłości

Pomimo kosztów i wyzwań związanych ze wdrożeniem głębokiego uczenia patrzymy z optymizmem na możliwości tej technologii, a zwłaszcza na jej potencjał do rozwijania nowoczesnych działań marketingowych przy wykorzystaniu analizy bogatych baz danych oraz eksperymentowania w czasie rzeczywistym. Wykorzystanie głębokiego uczenia w marketingu może: (1) poprawić precyzję prognoz reakcji rynkowych, ułatwiając maksymalizację zysku i osiągnięcie zwrotu z inwestycji w marketing, (2) odkryć nowe szanse na rozwój produktu oraz (3) umożliwić lepsze projektowanie produktów, właściwszą dystrybucję, celniejszą promocję, a także optymalizację wyboru mediów. Chociaż w zakresie poprawy precyzji prognoz zyski – w porównaniu z tradycyjnymi metodami – są nieznaczne, w wielu nowych zastosowaniach analitycznych wzrost dokładności i przyrost wiedzy będą uzasadniały poniesione koszty na technologię głębokiego uczenia i na analizowanie danych.

Informacja techniczna dla analityków

W niniejszym tekście pokazujemy od strony technicznej różnice pomiędzy głębokim uczeniem a tradycyjnymi metodami analitycznymi i opisujemy, jak zwiększenie dokładności prognoz może wpłynąć na zysk finansowy.

Tradycyjnie reakcje konsumentów prognozowano przy użyciu prostych modeli jednorównaniowych służących do budowania wzorców do oceny sprzedaży (zmienna wynikowa) liniowo związanej z ceną, promocją, reklamą czy wskaźnikami dystrybucji (zmiennymi objaśniającymi). Obecnie stosuje się metody jednorównaniowe, wykorzystujące dane wyboru (kupić, nie kupić, ile kupić) do tworzenia modelu, w którym zmienne wynikowe to wybory dokonane przez pojedynczych konsumentów. Zmienne objaśniające to m.in. cały wachlarz mierników marketingowych, takich jak ekspozycja reklamy w internecie, wyszukiwania, tradycyjne dane demograficzne, lojalność, cena, wydatki na reklamę i promocję, dystrybucja oraz cechy produktu. Dane są wykorzystywane do oszacowania parametrów modeli, które najlepiej odtwarzają historyczne wybory klientów.

Głębokie uczenie wykorzystuje inne metody oceny reakcji konsumenta na te zmienne. Zamiast polegać na tworzeniu modelu jednorównaniowego, wykorzystuje sieć neuronową zmiennych ukrytych i warstw niewidocznych. Na przykład, jeżeli sieć składa się z trzech warstw i jeżeli 10 zmiennych wsadowych jest połączonych z 10 zmiennymi ukrytymi na pierwszej warstwie, znajdzie się tam 100 parametrów podlegających ocenie. Kolejna warstwa może być połączona nielinearnie z następną. Warstwy pośrednie mogą mieć mniej lub więcej zmiennych ukrytych. W rzeczywistości mogą istnieć setki współczynników podlegających ocenie. Aby móc oszacować tak wielką liczbę współczynników zmienności, algorytmy głębokiego uczenia dzielą dane na trzy grupy:

Pierwsza grupa służy do „szkolenia” modelu przy użyciu algorytmów, które minimalizują straty oraz mierzą, jak dobrze model ten pasuje do danych. Polega to na manipulowaniu danymi w celu opisania dotychczasowych wyborów. Druga grupa danych służy do określenia ogólnej architektury modelu (liczba ukrytych warstw i rodzaj nieliniowych transformacji, jakie pomiędzy nimi zachodzą). Trzecia grupa jest wykorzystywana do testowania dokładności prognoz.

Wpływ korzyści wynikających z dokładności prognoz na zyski finansowe jest obecnie przedmiotem intensywnych badań. Przeważnie analizuje się, jak zmienia się poziom zysków na skutek poprawy dokładności prognoz. Zyski te będą się różnić w zależności od decyzji podejmowanych podczas wyboru karty oraz marży. Niewielkie procentowo zmniejszenie opóźnień w spłacie zaciągniętych pożyczek może na przykład przynieść ogromny zysk dla organizacji wydającej kartę. Nieznaczna poprawa prognoz w zakresie wyboru marki może z kolei nie przełożyć się na wyższy zysk uzyskany dzięki bardziej precyzyjnemu ustalaniu grup docelowych akcji reklamowych.

Modelowanie oparte na głębokim uczeniu jest stosunkowo nową techniką, a algorytmy, które oceniają parametry, szybko się doskonalą. Na przykład w najnowszych aplikacjach głębokiego uczenia wykorzystywane są ostatnio modele, które konkurują ze sobą w celu wygenerowania najlepszych ocen parametrów. Nowe algorytmy – dzięki łączeniu danych pochodzących z wielu źródeł i ich coraz większemu zróżnicowaniu – umożliwią lepszą analizę konwersji.

[1] A. Burnap, J.R. Hauser, A. Timoshenko, „Designand Evaluation of Product Aesthetics: A Human‑Machine Hybrid Approach,” working paper, MIT Sloan School of Management, Cambridge, Massachusetts, July 2019.
[2] P. Dhillon, S. Aral, „Modeling Dynamic User Interests: A Neural Network Approach,” working paper, MIT Sloan School of Management, Cambridge, Massachusetts, 2019.
[3] L. Liu, D. Dzyabura, N. Mizik, „Visual Listening In: Extracting Brand Image Portrayed on Social Media,” working paper, Social Science Research Network, 2019.
[4] A. Timoshenko and J.R. Hauser, „Identifying Customer Needs From User‑Generated Content,” Marketing Science 38, no. 1 (January‑February 2019): 1‑20.
[5] G. Urban, J. Hauser, G. Liberali, i in., „Morph the Web to Build Empathy, Trust, and Sales,” MIT Sloan Management Review 50, no. 4 (summer 2009): 53‑61.