ИИ для маркетолога. Как проверять гипотезы и находить реальный спрос

Один умный тостер ещё не делает будущее разумным

В разговорах об искусственном интеллекте есть странная привычка: люди либо пугают друг друга концом света, либо говорят так, будто через год у нас появится послушный электронный сотрудник, который без ошибок напишет стратегию, придумает товар, поймёт клиента, не попросит отпуск и не будет спорить на совещании. Оба образа удобны. Первый продаёт тревогу. Второй продаёт надежду. Но маркетологу, предпринимателю, человеку, который отвечает за продукт, от этих образов мало пользы.

Ему надо знать другое. Что из этого можно использовать в понедельник утром? Где машина помогает, а где только создаёт уверенный шум? Какие задачи стоит отдавать алгоритму, а какие лучше оставить человеку, потому что там нужна ответственность, вкус, память рынка и способность вовремя усомниться?

Я не отношусь к искусственному интеллекту как к чуду. Чудо плохо проверяется в таблице продаж. Я отношусь к нему как к новой группе инструментов. Топор тоже когда-то изменил жизнь. Потом плуг. Потом печатный станок. Потом электричество, телефон, поисковая строка, банковская карта и маленькая чёрная иконка приложения, через которую человек заказывает ужин, такси, билет и иногда почти всю свою жизнь.

Разница в том, что этот инструмент работает не с деревом и не с металлом. Он работает с вероятностью. С языком. С изображениями. С поведением. С теми следами, которые люди оставляют, когда выбирают, смотрят, покупают, возвращают, жалуются, молчат, снова покупают или внезапно уходят к конкуренту.

Вот почему разговор об ИИ в маркетинге не должен начинаться с вопроса: заменит ли машина человека? Этот вопрос звучит драматично, но он плохо помогает делу. Лучше спросить: какие решения мы всё ещё принимаем наугад, хотя у нас уже есть данные? Где мы годами называем интуицией обычную усталость? Где мы спрашиваем покупателя о том, чего он сам о себе не знает? Где мы тратим деньги на рекламу, потому что в прошлом году делали примерно так же?

Маркетинг всегда жил между двумя силами. С одной стороны, человек непредсказуем. Он может часами выбирать зубную пасту, а потом за десять секунд купить дорогую кофемашину. Он говорит, что любит рациональность, но берёт упаковку, которая показалась ему более честной. Он объясняет выбор ценой, хотя на деле выбрал цвет, знакомое слово, удобное место на полке или ощущение, что этот продукт вроде бы «для таких, как я».

С другой стороны, человек всё-таки оставляет следы. Не абсолютные истины, нет. Но достаточно следов, чтобы в них появились повторы. Повторы в языке. Повторы в сезонности. Повторы в том, как люди реагируют на скидку, на страх, на обещание простоты, на дефицит, на чужой пример. Там, где есть повтор, рано или поздно появляется алгоритм.

Алгоритм не знает любви к бренду. Он не знает раздражения от плохого сервиса. Он не понимает, почему одна фраза звучит живо, а другая напоминает инструкцию к микроволновке. Но он может увидеть то, что человек пропускает, потому что человек устал, занят, привык или слишком любит собственную гипотезу.

Например, команда запускает новый продукт. На столе отчёты, интервью, презентация на сорок восемь слайдов, несколько красивых цитат из фокус-групп и уверенность директора по маркетингу, что рынок созрел. Всё выглядит прилично. Только потом продажи идут вяло. Через три месяца выясняется, что люди не отвергали идею. Они просто не понимали, в какую привычку этот продукт должен встроиться. Продукт был умным, но не имел места в обычном дне покупателя.

Машина могла бы помочь не потому, что она умнее директора. Не потому, что у неё есть таинственное чутьё. Она могла бы быстрее разобрать массив отзывов, поисковых запросов, карточек товаров, жалоб, сравнений, фотографий, вопросов в службе поддержки. Она могла бы показать: люди не ищут «инновационный способ питания», они ищут «что взять на работу, чтобы не чувствовать себя разбитым к четырём часам». Это не тонкая разница. Это разница между красивой презентацией и продуктом, который покупают.

Искусственный интеллект особенно полезен там, где человек слишком рано решает, что уже понял. Мы видим несколько ярких фактов и строим вокруг них историю. Так устроен мозг. Он любит связность. Он не любит ждать, пока накопится скучная масса мелких свидетельств. Алгоритм, если он сделан хорошо и накормлен приличными данными, может не торопиться с красивой историей. Он считает. Сравнивает. Группирует. Находит похожее. Отбрасывает шум. Иногда ошибается глупо, но иногда выводит на поверхность то, что люди обсуждали годами, только каждый называл это по-разному.

В этом смысле ИИ не отменяет маркетинг. Он возвращает маркетинг к его неприятной основе: к необходимости лучше понимать людей, чем конкуренты. Не громче говорить. Не красивее рисовать. Не чаще покупать показы. А лучше понимать, что происходит в голове и в быту человека перед покупкой, во время покупки и после неё.

Проблема в том, что многие компании хотят купить не инструмент, а облегчение. Им хочется, чтобы новая технология сняла с них обязанность думать. Подключим платформу, загрузим данные, нажмём кнопку, получим рост. Так не работает. Если вопрос поставлен плохо, машина выдаст аккуратный ответ на плохой вопрос. Если данные грязные, она научится на мусоре. Если команда не понимает, что именно хочет предсказать, она получит графики, которые создают ощущение контроля, но не меняют решений.

Данные сами по себе не разговаривают. Их надо спрашивать. И вопрос «что нам делать?» слишком ленивый. Лучше: какие клиенты уйдут в ближайшие два месяца? Какие признаки отличают тех, кто покупает второй раз? Какие слова в отзывах чаще появляются перед падением оценки? Какая скидка увеличивает продажи, но портит марку? Какие свойства товара люди называют, когда хвалят, и какие вспоминают, когда возвращают покупку?

Хороший вопрос похож на хороший фонарь. Он не освещает весь город, зато показывает яму перед ногами.

Машинное обучение в маркетинге часто звучит грозно, пока не перевести его на обычный язык. У нас есть прошлый опыт. В этом опыте есть признаки. Мы хотим понять, какие признаки связаны с результатом. Потом хотим применить это понимание к новым случаям. Ребёнок учится отличать кошку от собаки примерно так же, только без таблицы признаков и без отдела аналитики. Он видит шерсть, уши, движение, размер, звук, реакцию взрослых. Ошибается. Исправляется. Через некоторое время уже смеётся, если собаке в мультфильме дали кошачий голос.

Машина тоже учится на примерах. Только ей надо очень много примеров, и она не смеётся.

В маркетинге это может быть прогноз покупки, подбор предложения, распознавание сегментов, анализ отзывов, поиск тем, оценка цены, выбор момента для промо, генерация вариантов названия, проверка рекламных сообщений, моделирование спроса. Звучит широко, потому что и рынок широк. Но в основе почти всегда несколько действий: предсказать, разделить на группы, понять язык, найти скрытые факторы, выбрать лучшее из множества вариантов.

Предсказать: кто купит, кто уйдёт, сколько потратит, когда вернётся, где спрос вырастет, где реклама сгорит без результата.

Разделить на группы: не по удобным возрастным клеткам из старого отчёта, а по поведению, потребностям, контекстам и тем маленьким различиям, которые на кассе оказываются дороже демографии.

Понять язык: вытащить из отзывов не только «плохо» и «хорошо», а страхи, ожидания, метафоры, привычные слова, скрытые сравнения, раздражающие обещания.

Найти скрытые факторы: не сто причин, которые все понемногу влияют на выбор, а несколько главных сил, без которых картина распадается.

Выбрать лучшее: цену, упаковку, сообщение, связку свойств, аудиторию, канал, время.

Всё это не делает маркетолога лишним. Наоборот, делает слабого маркетолога заметнее. Раньше можно было спрятаться за общими словами. «Повышаем узнаваемость», «укрепляем связь с потребителем», «строим эмоциональную территорию». Эти фразы не всегда пустые, но слишком часто ими закрывали отсутствие проверки. Алгоритм задаёт неприятный вопрос: что именно меняется в поведении человека после ваших красивых слов?

И тут начинается взрослая работа. Не праздничная, не блестящая, зато полезная. Надо привести в порядок данные. Разобраться, откуда они пришли. Понять, какие поля заполнены для вида. Увидеть, что в одной системе «клиент» значит домохозяйство, в другой карту лояльности, в третьей email, которым пользуются три человека. Надо признать, что часть истории потеряна. Что промо прошлой весной нельзя напрямую сравнить с промо этой весной, потому что поменялась выкладка, поставщик, логистика и погода.

Многие разговоры об ИИ пропускают эту грязную кухню. А зря. Там решается половина успеха. Модель, построенная на кривых данных, похожа на очень уверенного человека, который всё видел из окна поезда. Он говорит быстро, но не туда.

Есть ещё один неудобный момент. Искусственный интеллект не освобождает компанию от выбора. Он может показать вероятность, но не возьмёт на себя репутационный риск. Он может предложить персональную цену, но не ответит, насколько честной она покажется покупателю. Он может найти аудиторию, особенно чувствительную к страху, но решение использовать этот страх остаётся человеческим. Машина хорошо считает средства. Цели выбирают люди.

Поэтому эта книга не будет молитвенником новой технологии. И не будет списком страшилок. Я хочу говорить о вещах практично. Как взрослый человек говорит с другим взрослым человеком, у которого мало времени, но много ответственности.

Мы разберём, почему маркетологам трудно сегодня сильнее, чем десять лет назад, хотя инструментов стало больше. Почему данные растут быстрее, чем способность компаний ими пользоваться. Почему потребитель стал не только требовательнее, но и менее терпеливым. Почему старые сегменты часто похожи на карту города, которого уже нет. Почему реклама дорожает, но доверие к ней дешевеет. Почему инновация не начинается с мозгового штурма, если в комнате никто не понимает контекст обычной покупки.

Мы будем говорить об алгоритмах без поклонения алгоритмам. О больших данных без восторга перед словом «большие». О машинном обучении без желания изображать инженера там, где достаточно понять логику. Маркетологу не обязательно писать код, чтобы пользоваться ИИ разумно. Но ему обязательно надо понимать, какие вопросы можно задавать машине, какие данные для этого нужны и где результат выглядит точным только потому, что нарисован красивым графиком.

Есть старая шутка: алгоритм это слово, которое программист использует, когда не хочет объяснять, что сделал. В маркетинге это опасная шутка. Если человек, отвечающий за бюджет, не понимает, что делает система, он не управляет ею. Он верит ей. А вера плохо сочетается с квартальным планом.

Я не предлагаю превращать маркетолога в математика. Я предлагаю вернуть ему любопытство и требовательность. Спросить поставщика не «у вас есть ИИ?», а «на каких данных это обучалось?». Не «какая точность модели?», а «что считалось ошибкой?». Не «можете персонализировать?», а «какие признаки вы используете, чтобы не перейти границу, после которой покупателю становится неприятно?». Не «сделайте нам инсайт», а «покажите, какие повторяющиеся контексты вы нашли и чем они подтверждены».

В будущем выиграет не тот, кто первым напишет в презентации «AI-powered». Это уже почти ничего не значит. Выиграет тот, кто научится соединять три вещи: машинную скорость, человеческий смысл и дисциплину проверки.

Скорость без смысла превращает компанию в автомат по производству вариантов. Смысл без проверки превращается в красивую догадку. Проверка без скорости отстаёт от рынка. Нужны все три.

И ещё нужно спокойствие. Новые технологии любят пугать людей масштабом. Но каждый день рынок решается в мелочах. Человек открывает приложение и видит не то предложение. Берёт упаковку в руку и не понимает, чем она лучше соседней. Читает письмо и закрывает, потому что оно написано так, будто его отправил комитет. Идёт в магазин за одним, покупает другое, потом сам себе объясняет, что так и планировал.

ИИ полезен, когда помогает увидеть эти мелочи раньше. Когда он не заменяет разговор с рынком, а делает этот разговор внимательнее. Когда он не прячет ответственность за экраном, а заставляет точнее формулировать решения.

Новая книга, которую вы держите перед собой, начинается не с кода. Она начинается с сегодняшних трудностей маркетолога. Потому что инструмент надо подбирать под боль, а не наоборот. Никто не покупает дрель, чтобы восхищаться вращением. Её покупают, чтобы сделать отверстие в нужном месте и не испортить стену.

С искусственным интеллектом в маркетинге ровно так же.

Алгоритмы пришли не в стерильный кабинет, где всё давно разложено по полкам. Они пришли на шумный рынок. Там люди торгуются, отвлекаются, читают отзывы, сомневаются, хотят сэкономить, хотят выглядеть умнее, хотят не ошибиться, хотят порадовать ребёнка, хотят понравиться себе. Там бренды говорят одновременно, платформы меняют правила, данные устаревают, а вчерашняя победная механика сегодня раздражает.

Именно там надо проверять новую силу. Не в обещаниях, а в работе.

Первая часть этого разговора простая и неприятная: маркетологам стало труднее не потому, что они стали хуже. Среда стала другой. Скорость другая. Количество сигналов другое. Цена ошибки другая. Покупатель другой, хотя по-прежнему остаётся человеком.

С этого и начнём.

Рынок, который перестал ждать

Маркетинг никогда не был спокойным ремеслом. Даже в те времена, когда каналов было меньше, а слово «данные» не произносили так часто, в нём всегда хватало нервов. Нужно было понять покупателя, выбрать обещание, найти место, придумать упаковку, договориться с торговлей, угадать сезон, объяснить начальству, почему деньги надо потратить сейчас, а результат появится позже.

Но раньше у маркетолога было одно преимущество, которое теперь почти исчезло. У него было время на ошибку.

Можно было запустить кампанию, посмотреть на продажи через месяц, поправить сообщение, сменить выкладку, провести ещё одно исследование. Рынок двигался быстро, но не настолько, чтобы каждый промах тут же становился видимым в тысячах отзывов, скриншотов, сравнений и сердитых комментариев. Сегодня ошибка не просто стоит денег. Она быстро становится частью публичной памяти.

Покупатель больше не ждёт, пока бренд объяснит себя. Он сам сравнивает. Сам ищет. Сам смотрит чужие видео. Сам читает отзывы людей, которых никогда не видел. Иногда он знает о слабых местах продукта больше, чем продавец в магазине. Иногда он вообще не доходит до магазина, потому что решение принято ночью в телефоне, между сообщением от коллеги и коротким видео про ремонт кухни.

Маркетологу приходится работать в среде, где внимание стало коротким, но следы внимания стали длинными. Человек может смотреть на товар три секунды, зато система запомнит показ, клик, задержку, возврат, отказ, повторный поиск, покупку у конкурента. Раньше многое исчезало в воздухе. Теперь почти всё где-то записывается. Но записанное ещё не значит понятое.

Первая большая трудность сегодняшнего маркетинга в том, что данных стало слишком много для обычного человеческого способа мышления. Отчёт о продажах, отчёт по медиа, CRM, отзывы, звонки, поисковые запросы, поведение в приложении, движение по сайту, программа лояльности, данные розницы, данные доставки, цены конкурентов, социальные сети, остатки на складе, погодные колебания, региональные праздники, новости. Каждая часть говорит что-то своё. Вместе они часто создают не ясность, а шум.

Человек не создан для того, чтобы держать в голове миллионы строк и видеть там слабый сигнал. Он создан для историй. Увидел всплеск продаж, нашёл объяснение. Увидел падение, нашёл виноватого. Увидел удачную кампанию, захотел повторить. Увидел сильный комментарий потребителя, решил, что это и есть голос рынка.

Иногда это работает. Опытный человек действительно чувствует рынок. Он помнит, как менялось поведение покупателей в кризисы, как реагировала торговля, какие обещания не приживались, какие слова вызывали доверие. Но опыт без проверки легко становится набором любимых воспоминаний. Особенно когда рынок меняется быстрее, чем человек успевает признать.

Вот тут алгоритмы не заменяют опыт, а спорят с ним. Причём спорят без уважения к должности. Модель может показать, что любимый сегмент давно перестал расти. Что промо даёт оборот, но забирает прибыль. Что молодая аудитория покупает не потому, почему команда думала. Что регион, который считали слабым, на деле реагирует лучше, если изменить упаковку предложения. Что одно слово в названии повышает кликабельность, но снижает доверие после покупки.

Это неприятно. Люди не любят, когда их уверенность проверяют числами. Особенно если они много лет получали премии именно за эту уверенность.

Вторая трудность состоит в том, что потребитель стал фрагментированным. Старые коробки вроде «женщины 25–45, средний доход, город миллионник» всё ещё удобны для закупки медиа и отчётов, но плохо объясняют реальную жизнь. Внутри такой коробки живут люди с разными страхами, привычками, телом, темпом дня, отношением к деньгам, отношением к детям, к здоровью, к статусу, к риску, к новому.

Две женщины одного возраста и дохода могут покупать один йогурт по разным причинам. Одна ищет быстрый завтрак, чтобы не сорваться на сладкое. Другая берёт его ребёнку. Третья выбирает упаковку, потому что ей кажется, что там меньше лишнего. Четвёртая вообще не думала о бренде, просто этот товар стоял на уровне руки и был со скидкой.

Для рекламного кабинета они похожи. Для бизнеса они разные.

ИИ полезен, когда помогает найти такие различия не по анкетной красоте, а по поведению. Он группирует людей не только по тому, кто они, но и по тому, что они делают. Кто покупает после просмотра отзывов. Кто реагирует на новую упаковку. Кто ждёт скидку. Кто уходит после первого заказа. Кто покупает редко, но дорого. Кто приводит других. Кто молча недоволен и однажды исчезает.

Классический маркетинг тоже пытался это делать. Ничего нового в желании понять сегменты нет. Новое в масштабе и скорости. Раньше сегментация часто была редким большим проектом. Её защищали, печатали, раскладывали по департаментам, а потом несколько лет ссылались на неё как на карту местности. Сейчас такая карта стареет быстрее. Потребитель меняется по сезонам, событиям, ценам, каналам и настроению. Карта должна обновляться чаще, иначе компания уверенно идёт по прошлогодней дороге.

Третья трудность связана с языком. Маркетинг всегда работал со словами, но теперь слов стало слишком много. Люди пишут отзывы, ищут в поиске, разговаривают с ботами, комментируют, жалуются, сравнивают. В этих словах больше правды, чем в ответах на прямой вопрос «почему вы выбрали наш продукт?». Потому что прямой вопрос заставляет человека объясняться. А в живом отзыве он не строит теорию. Он ругается, хвалит, уточняет, шутит, злится, просит.

Но читать это вручную невозможно. Даже если возможно, человек быстро устаёт и начинает видеть то, что ожидал увидеть. Алгоритмы обработки языка позволяют хотя бы приблизиться к масштабу. Они находят повторяющиеся темы, настроение, контексты, связи между словами. Они показывают, что люди чаще говорят не «качество», а «не развалилось», не «удобство», а «можно одной рукой», не «премиальность», а «не стыдно поставить на стол».

Разница между словарём бренда и словарём покупателя часто огромна. Бренд говорит: «инновационная формула». Покупатель говорит: «не липнет». Бренд говорит: «создано для активного образа жизни». Покупатель говорит: «помещается в маленькую сумку». Бренд говорит: «эмоциональная связь». Покупатель говорит: «беру, потому что мама всегда покупала такое».

Если компания не слышит обычный язык, она начинает продавать людям свои внутренние слайды.

Четвёртая трудность - цена внимания. Рекламы больше, доверия меньше. Покупатель научился не замечать баннеры, пролистывать ролики, закрывать письма, отключать уведомления, отличать живой совет от оплаченного восторга. Бренды вынуждены покупать всё больше контактов, чтобы получить всё меньше настоящего внимания.

В такой среде творческая работа становится не проще, а сложнее. Хорошая идея всё ещё нужна. Но теперь её надо проверять быстрее, точнее и на большем числе вариантов. Один ролик, одна ключевая фраза, одна упаковка, один макет для всех каналов уже редко выдерживают реальность. Разные люди приходят из разных контекстов. Один увидел товар в поиске, другой в магазине, третий в обзоре, четвёртый получил рекомендацию от друга, пятый сравнивает цену в приложении.

Алгоритмы помогают здесь не тем, что «создают креатив» в человеческом смысле. Они помогают перебирать, сопоставлять и учиться на реакции. Какая сцена удерживает внимание. Какая фраза снижает клики, но повышает покупку. Какой образ работает у новых клиентов, но раздражает постоянных. Какой аргумент лучше оставить продавцу, а какой вынести на упаковку. Машина может быстро показать, что люди ведут себя не так, как уверенно говорил креативный директор после третьего кофе.

Но есть ловушка. Если доверить алгоритму только оптимизацию клика, он будет добывать клики. Даже если эти клики пустые. Если измерять только мгновенную конверсию, можно незаметно разрушить марку. Если награждать систему за снижение цены лида, она найдёт дешёвых людей, которые никогда не станут хорошими клиентами. Машина честно улучшает то, что вы попросили улучшить. Беда в том, что компании часто просят не то.

Пятая трудность - инновации. Все хотят новые продукты, но мало кто любит настоящий риск. Поэтому компании проводят исследования, собирают идеи, устраивают сессии, смотрят тренды, а потом часто выпускают безопасную вариацию старого товара. Новый вкус, новый цвет, новая надпись, новая упаковка. Иногда этого достаточно. Часто нет.

Настоящая инновация начинается не с вопроса «что ещё мы можем произвести?». Она начинается с вопроса «какое напряжение в жизни человека мы можем снять?». Люди не просыпаются с желанием купить инновацию. Они хотят быстрее собраться утром, не выглядеть уставшими, сэкономить место, накормить семью, почувствовать контроль, не ошибиться с подарком, получить удовольствие без чувства вины, сделать дом чуть менее хаотичным.

ИИ может помочь искать такие напряжения в больших массивах данных. В отзывах, поисковых запросах, фотографиях использования, жалобах, вопросах, трендах, локальных привычках. Он может соединять то, что человек не успевает соединить: язык потребителя, свойства продукта, сезонность, соседние категории, цену, культурный контекст. Он может предложить тысячи комбинаций. Большинство будет слабым. Но среди них могут появиться направления, которые команда сама не увидела бы, потому что была слишком близко к своей категории.

И всё же машина не знает, что такое хорошая идея для этой компании именно сейчас. Она не знает производственных ограничений, политической реальности внутри организации, усталости продавцов, страха партнёров, репутации бренда, странной любви основателя к одному цвету на упаковке. Всё это знают люди. Поэтому инновация с ИИ - не кнопка, а разговор. Машина расширяет поле. Человек выбирает, проверяет, отвечает.

Шестая трудность - талант. Компании хотят «внедрить ИИ», но часто не знают, кого для этого нанимать и как организовать работу. Нанять сильного дата-сайентиста и посадить его рядом с маркетологами недостаточно. Он может построить модель, которую никто не применит. Маркетологи могут попросить отчёт, который не имеет математического смысла. IT может защитить систему так, что данные станут недоступны. Юристы могут вмешаться слишком поздно. Продажи могут сказать: «интересно, но у нас в поле это не работает».

Нужны люди-переводчики. Не в смысле языка, а в смысле мышления. Те, кто понимает бизнес-вопрос, может превратить его в задачу для данных, потом вернуть результат обратно в решение. Это редкий навык. Он требует не только знания терминов, но и терпения. Надо выдерживать разговор, где одна сторона говорит «нам нужен инсайт», а другая спрашивает «какая целевая переменная?». Обе стороны по-своему правы, но вместе они часто производят туман.

Седьмая трудность - доверие к чёрному ящику. Чем сложнее модель, тем труднее объяснить её вывод. В некоторых задачах это приемлемо. Если система лучше распознаёт брак на производстве, мало кто будет требовать философского объяснения каждого пикселя. Но в маркетинге выводы затрагивают людей, деньги, бренд, иногда чувствительные признаки. Здесь нельзя просто сказать: «модель так решила».

Руководитель имеет право спросить: почему мы исключаем эту аудиторию? Почему повышаем цену здесь, а не там? Почему считаем этого клиента склонным к уходу? Почему предлагаем именно такой тон сообщения? Если ответ невозможен, возникает риск. Не всегда юридический. Иногда управленческий. Команда перестаёт понимать собственные решения и начинает обслуживать систему.