Как ИИ увеличивает маркетинг и помогает разговаривать с юзером
В рекламной аналитике различные пользовательские сценарии нередко смотрятся идиентично: клик, отказ, покупка. За этими метриками скрываются принципно различные состояния всякого человека – колебание, недоверие, отложенное решение либо готовность уйти.
Я – Ксюша Лукина, старший рекламный аналитик в Tabby. В данной статье разбираю, как перейти от описания поведения к работе с возможными сценариями и применять ИИ для наиболее четких решений снутри маркетинга и продукта.
Почему традиционная аналитика перестает различать пользовательские сценарии
Традиционная аналитика отражает реальное поведение юзера, поэтому что работает через агрегирование данных. Данная модель анализа не отражает непрерывную линию движения конфигураций состояния юзера и плохо фиксирует промежные состояния меж шагами.
Из-за этого поведение огромного количества людей сводится к усредненным показателям: теряются слабенькие и нетипичные сигналы, а деяния рассматриваются вне контекста и последовательности. Паузы, замедления и отсутствие деяния или выпадают из анализа, или интерпретируются как единый итог.
Эти состояния не различимы в отчетах, потому нередко к ним применяется одно и то же действие – массовые скидки, однообразный ретаргетинг либо раннее исключение юзеров из предстоящей работы, что сформировывает неправильную стратегию и не приводит к, к примеру, необходимым показателям возврата.
Продолжая работать с традиционной аналитикой, рекламщики теряют осознание болей и поведенческих паттернов собственной мотивированной аудитории. Сохранять контакт с клиентами и облагораживать точность интерпретации дозволяет ИИ, различающий контекст и состояния юзера.
Как поведенческие модели разрешают созидать последующий шаг юзера
Главный сдвиг, который приносит ИИ в маркетинг, – это переход от описательной аналитики к прогнозной и предписывающей. Традиционная аналитика отвечает на вопросцы, что случилось в прошедшем. К примеру, из моей практики рекламного аналитика можно привести такие ситуации: два клиента закрывают оформление кредита, два игрока перестают ворачиваться, ученики на образовательной платформе не могли окончить модуль – по метрикам это смотрится идиентично: отказ.
ИИ же работает над уровнем вопросцев: что с большей вероятностью произойдет далее, если ничего не поменять, и как поменяется сценарий при вмешательстве. За схожим результатом нередко стоят различные предпосылки: в одном случае юзер не ворачивается из-за ценового сомнения, в другом – из-за недоверия к сохранности данных; в игре один теряет энтузиазм из-за отсутствия вариативности, иной – из-за неспешного прогресса; в обучении один сталкивается с перегрузкой, 2-ой – с потерей мотивации. И если ничего не поменять уже на уровне понимания контекста, то будут расти отказы.

Принципиально осознавать, что таковой прогноз – не приговор и не гарантия результата. Это распределение вероятностей, которое указывает, какие сценарии будут повторяться при текущей логике продукта. Потому на практике ценность имеют лишь локальные прогнозы: возможность окончания последующего шага, риск отказа на ближнем шаге, возможность реакции на действие продукта либо коммуникацию. Эти оценки постоянно привязаны ко времени и контексту – тут и на данный момент.
На практике решения принимаются в главных точках пользовательского сценария – на входе и онбординге, в верификации и скоринге, перед мотивированным действием и сходу опосля конверсии. Модель оценивает возможность самостоятельного прохождения без вмешательства и тем дает подсказку, где стоит действовать при высочайшем риске срыва либо вялости юзера, а где осознанно подождать либо ничего не созодать, чтоб не снижать конверсию, маржу и доверие. Главная ценность тут – в выборе момента бездействия, а не в максимизации количества действий.

Дальше под любой выявленный сценарий подбираются определенные конфигурации, нередко полярные от юзера к юзеру, которые меняют возможность последующего шага и, как следствие, итоговый итог всей воронки.
Таковым образом, когда решения на базе ИИ начинают приметно влиять на продукт, изменяется и сама логика работы с юзером. Вкупе с сиим перестраиваются и рекламные инструменты – им приходится приспособиться к новеньким сценариям и способам принятия решений.
Как прогнозы меняют логику рекламных решений и автоматизации
Рекламные инструменты уже на данный момент подвергаются изменениям, даже если это не приметно с первого взора. Все почаще заместо ручных опций употребляются системы, которые сами выбирают, когда и как вмешиваться, – и совместно с сиим изменяется сама логика коммуникаций.
Так, перестают работать массовые кампании по секторам, фиксированные цепочки сообщений и ретаргетинг «по факту действия»: таковая механика не выдерживает ни контекст, ни масштаб, отодвигая ручное масштабирование сценариев на 2-ой план. Коммуникации начинают выстраиваться по другому – по изменению состояния
юзера, с адаптивной частотой и персонализацией момента, а не текста, включая сценарии, где отсутствие сообщения становится осознанным решением системы.
Для профессионалов это не по привычке: логика решений становится наименее тривиальной, ужаснее чувствуется контроль, итог труднее разъяснить одной метрикой. Но принципиально осознавать, что ручное управление все ужаснее совладевает с масштабом. Современный маркетинг включает 10-ки каналов, форматов, сценариев и временных задержек. Учесть все эти связи и принимать взвешенные решения в настоящем времени человеку на физическом уровне трудно. ИИ же с сиим отлично совладевает.
Я как аналитик лично удостоверилась в результативности использования ИИ при работе над улучшением банковского приложения. Так, коммуникации в процессе дизайна карты были автоматизированы не по каналам, а по состоянию юзера. Модель, которую я употребляла, различала несколько сценариев: юзер не сообразил продукт, колебался в критериях, испытывал недоверие к сохранности данных либо откладывал решение.
Зависимо от этого система выбирала тип реакции. В одних вариантах отчаливало поясняющее сообщение, в остальных – уточнение критерий, а время от времени коммуникация не запускалась совсем, если возможность самостоятельного возврата была высочайшей. Таковой подход дозволил уменьшить количество сообщений, повысить конверсию и приметно понизить раздражение юзеров.
Если гласить о тенденциях, конфигурации в маркетинге уже отлично приметны и в наиблежайшие годы будут усиливаться. Сначала они проявятся в 3-х направлениях:
-
предстоящее понижение роли фиксированной атрибуции;
-
рост моделей, работающих с причинно-следственными эффектами;
-
усиление персонализации не на уровне креатива, а на уровне решений.

При всем этом роль профессионала не исчезает – она изменяется по смыслу: человек меньше управляет отдельными опциями и больше задает цели, рамки и логику, в каких работает автоматизация.
Итак, в теории становится понятно, как ИИ меняет логику рекламных инструментов и роли профессионалов. Далее принципиально разобраться, как использовать ИИ в настоящей работе и с чего же начинать, чтоб хорошо работать над улучшением рекламной стратегии и не ошибиться.
Роль аналитика в работе с ИИ: где завершается модель и начинается экспертность
Основная ошибка, которую я часто вижу в компаниях, – принимать ИИ как очередной инструмент, который можно просто подключить, не меняя подход к аналитике и принятию решений. В таком формате ожидания стремительно расползаются с результатом.
ИИ сам по для себя не решает продуктовые либо стратегические препядствия. Его ценность в том, что он делает ограничения системы видными:
указывает, где воронка теряет юзеров, какие сценарии повторяются и в которых местах возникает неопределенность.
На практике это практически постоянно приводит к одним и этим же сбоям. От моделей ждут конкретных ответов, невзирая на их вероятностную природу. Модели строятся без точного осознания, какое управленческое решение они должны поддерживать, и в итоге есть обособленно от продукта. Автоматизация масштабирует текущую логику вмешательства, включая ее слабенькие места. В финтехе доп сложность делает различие в цены ошибок – меж неверным действием и бездействием, – также ситуация, когда решения продолжают приниматься на базе визуализаций, а не сигналов системы.
Действенная работа с ИИ просит ясного распределения ролей и границ автоматизации. В зрелой финтех-аналитике модель делает вычислительные задачки: оценивает вероятности, обновляет поведенческие состояния, дает ранжирование действий, исполняет данные политики. Аналитик фокусируется на содержательной части работы – определяет вопросцы и догадки, описывает точки вмешательства, задает допустимые уровни риска, интерпретирует неопределенность и оценивает последствия принимаемых решений.
Стратегические решения о том, где заавтоматизировать процессы, где сохранить ручной контроль и где осознанно не решать действий, принимаются человеком. Модель обеспечивает расчеты и сигналы, аналитик отвечает за их применение в контексте продукта.
Вывод
В современном маркетинге меньше работают всепригодные сценарии и усредненные метрики – поведение юзера все почаще определяется контекстом. Внедрение ИИ дозволяет различать этот контекст на глубочайшем уровне, созидать возможные линии движения поведения и помогает аналитику выбирать уместные деяния еще до того, как юзер воспринимает решение уйти. Из-за этого бизнес понижает количество излишних вмешательств, увеличивает точность рекламных решений и получает наиболее устойчивый эффект, работая с причинами поведения, а не с их запоздалыми последствиями.
Оригинал статьи на SEOnews