Autor: MARCIN MICHALSKI
Członek Zarządu, Cube Group S.A.
Machine learning to ostatnio bardzo popularne hasło, często wykorzystywane w publikacjach i na konferencjach branżowych do zaznaczenia jego potencjału i rozpalania nadziei rynkowych. Jak jednak rozwiązanie to wygląda w praktyce i czy rzeczywiście jest dostępne na rynku?
Systemy samodoskonalące się
Większość algorytmów do machine learningu (ML), stanowiących podwaliny wykorzystania sztucznej inteligencji, powstała w latach 70. Mimo tak długiej historii dopiero kilka lat temu zaczęto je wykorzystywać dzięki zwiększonej mocy obliczeniowej współczesnych komputerów i serwerów. Pewne mechanizmy od dawna były stosowane w rozwiązaniach przemysłowych, np. w sterowaniu produkcją czy ruchem ulicznym, jednak popularyzacja algorytmów i zwiększenie liczby dostępnych danych w ostatnich latach spowodowała upowszechnienie ML. Według przewidywań Deloitte liczba pilotów i implementacji działań ML w dużych i średnich firmach amerykańskich w 2018 roku będzie dwukrotnie większa niż w 2017 roku, a w 2020 roku – dwukrotnie większa niż obecnie. (1) Z kolei International Data Corp (IDC) prognozuje, że globalne wydatki na systemy sztucznej inteligencji i machine learning w 2021 roku wyniosą 57,6 mld dol. – w porównaniu do 12 mld dol. w 2017 roku. (2)
Marketing internetowy staje się naturalnym obszarem implementacji uczenia maszynowego na masową skalę: wykorzystywane jest ono w wyszukiwarkach internetowych, reklamie i sklepach internetowych, a giganci tacy jak Google, Facebook, Microsoft, Baidu, Amazon, Netflix przyspieszają ten proces, inwestując pokaźne środki w obszar Research & Development.
Edukacja menedżerów
Jedną z barier rozwojowych jest wciąż niewielka wiedza biznesowa dotycząca wykorzystania sztucznej inteligencji (uczenia maszynowego) w realnych działaniach marketingowych. Dotychczasowe publikacje i konferencje w dużej mierze kierowane były przede wszystkim do środowiska IT, często już praktyków. Jednak decyzje dotyczące wdrożenia machine learningu podejmowane są na najwyższych szczeblach organizacji, ponieważ pociągają za sobą koszty. Ponadto w tym przypadku wśród decydentów pojawia się jeszcze jeden istotny interesariusz – kierownik marketingu.
Bez dostatecznej wiedzy menedżerów marketingu i zarządów na temat możliwości, jakie niesie za sobą uczenie maszynowe, nie są oni w stanie określić celu, w jaki mogą go wykorzystać w swojej firmie, czyli np. do:
a) poprawy efektywności komunikacji marketingowej do klientów,
b) realnej personalizacji przekazu,
c) udoskonalonych rekomendacji do cross oraz up-sellingu,
d) segmentacji użytkowników, e) automatyzacji działań marketingowych,
f) automatycznego zarządzania marżą i budżetem marketingowym w zależności od efektywności,
g) zautomatyzowanego proponowania zachęt dla klienta (np. rabatów, darmowych przesyłek),
h) minimalizacji odpływu klientów.
Powrót do przeszłości
Szczególnie istotne jest przywołanie kolejnego słowa-klucza, które kilka lat temu opanowało całą branżę marketingową, czyli big data. Bez odpowiednio dużej liczby jakościowych danych nie da się zaprojektować skutecznego wykorzystania machine learningu realizującego cele biznesowe.
Większość z firm nie posiada swoich hurtowni danych (data management platform), gdzie gromadziłaby informacje na temat użytkowników, ich zachowań na stronie internetowej i stronach zewnętrznych oraz reakcji na komunikaty. Te dane są bardzo rozproszone – znajdują się w kilku, czasem kilkunastu niezależnych systemach. W chwili obecnej największym wyzwaniem dla firm jest stworzenie prawdziwego big data poprzez połączenie wszystkich źródeł danych do jednej hurtowni. Firm, którym to się udało, tak w Polsce, jak i na świecie, wciąż jest bardzo niewiele.
Istnieją dwie metody pozyskania danych do machine learningu. Pierwsza polega na skorzystaniu z danych historycznych, które zostaną zintegrowane, druga natomiast wymaga odpowiedniej analityki i zdefiniowania pewnych procesów od zera, aby rozpocząć gromadzenie właściwych danych. Szybkość, z jaką rozwijać się będzie wykorzystanie machine learningu w marketingu cyfrowym, zależy od celu i od tego, jakimi danymi będą dysponować przedsiębiorstwa.
Potencjał
Procesy, które zachodzą w machine learningu, można porównać do poznawania świata przez dziecko – sztuczna inteligencja potrzebuje doświadczeń po to, aby nie tylko nauczyć samą siebie, ale też po to, aby stworzyć nowe, lepsze algorytmy. Krzywa Gartnera Hype Cycle prezentująca status wdrażania poszczególnych innowacji technologicznych pokazuje, że machine learning oraz deep learning wywołują obecnie największe nadzieje rynkowe. Na realne efekty szeroko zakrojonych wdrożeń trzeba będzie jednak poczekać jeszcze kilka lat.
Polska branża marketingowa jest w bardzo wczesnej fazie wdrożenia uczenia maszynowego. Aby przyspieszyć ten proces, niezbędna jest edukacja wyższej kadry menedżerskiej oraz uświadomienie jej wynikających z tego szans. To jednak nie wystarczy. Po podjęciu decyzji na poziomie zarządu kluczowym zadaniem będzie przygotowanie firmy do wdrożenia tego typu rozwiązań poprzez integrację wszystkich niezbędnych do realizacji tego celu danych.
To również krok ku połączeniu działów marketingu i IT, które muszą coraz więcej o sobie wiedzieć, aby firma mogła skutecznie konkurować na rynku. To wymaga większego zrozumienia celów przez jeden dział oraz możliwości i ograniczeń przez drugi. Jest też warunkiem koniecznym w tak dynamicznej dziedzinie jak marketing internetowy, która produkuje terabajty danych. Dopiero po uporządkowaniu danych i mając świadomość biznesową wykorzystania rozwiązań uczenia maszynowego, będzie można przejść do masowego wdrażania takich algorytmów.
Firmy, które myślą o wykorzystaniu sztucznej inteligencji w kontekście marketingowym i wybrały partnera, który z jednej strony pomoże im wskazać cel biznesowy, z drugiej uporządkować dane i zbudować własną hurtownię (DMP), a z trzeciej wdrożyć odpowiednie algorytmy, zyskają przewagę konkurencyjną nie tylko teraz, ale także w przyszłości. Ich algorytmy nauczą się więcej.
(1) Deloitte, Technology, Media and Telecommunications Predictions, 2018.
(2) IDC, Worldwide Semiannual Cognitive Artificial Intelligence Systems Spending Guide, 2017.
(3) Forrester Consulting na zlecenie Amplero, wrzesień 2017.