Alan Turing, Machine Learning, AI i Marketing Automation

Gra w naśladownictwo

Proponuję rozważyć problem: „Czy maszyny mogą myśleć”. Pracę nad tym zagadnieniem należy rozpocząć od zdefiniowania znaczenia terminów: ‘maszyna’ i ‘myśleć’. Definicje mogłyby być tak zbudowane, aby odzwierciedlały tak dalece jak to jest możliwe potoczne znaczenie tych słów. Jednakże takie stanowisko jest niebezpieczne. Gdybyśmy znaczenie słów ‘maszyna’ i ‘myśleć’ mieli ustalić na drodze zbadania w jaki sposób są one powszechnie stosowane, to trudno byłoby uzasadnić, że znaczenie pytania „Czy maszyny mogą myśleć” oraz odpowiedzi na to pytanie nie należy szukać na drodze pomiarów statystycznych, takich jak ankieta. Ale to absurd. Zamiast próby zbudowania takiej definicji, powyższy problem zastąpię innym związanym z nim bezpośrednio, który wyrażę przy pomocy stosunkowo niedwuznacznych słów. Nową postać problemu można opisać przy pomocy gry, którą nazywamy ‘The Imitation Game’. Biorą w niej udział trzy osoby: mężczyzna (A), kobieta (B) i człowiek zadający pytania (C), który może być dowolnej płci. Pytający znajduje się w pokoju oddzielonym od pokoju zajmowanego przez dwu pozostałych. Jego zadaniem w grze jest rozstrzygnięcie, który z dwu pozostałych uczestników jest mężczyzną, a który kobietą. Zna ich tylko jako X i Y. Na końcu gry mówi: „X jest A, a Y jest B” lub „X jest B, a Y jest A”. Pytającemu wolno zadawać pytania A i B w ten sposób:

C: Proszę X, aby mi powiedział jak długie ma włosy?

Teraz przypuśćmy, że X jest faktycznie kobietą, wobec tego musi odpowiedzieć. Jego celem w grze jest dołożenie wszelkich starań, aby C źle go zidentyfikował. Wobec tego jego odpowiedź mogłaby być następująca:

A: „Moje włosy są ostrzyżone, a najdłuższe kosmyki mają około dziewięć cali długości”.

Aby brzmienie głosu nie mogło pomóc pytającemu w dokonaniu identyfikacji, odpowiedzi powinny być pisane odręcznie, a jeszcze lepiej na maszynie. Idealnym środkiem porozumiewania się między pokojami jest dalekopis. Pytania i odpowiedzi mogą być też przekazywane przez pośrednika. Zadaniem trzeciego gracza w tej grze jest udzielanie pomocy pytającemu. Prawdopodobnie najlepszą dla tej osoby strategią jest udzielanie odpowiedzi zgodnych z prawdą. Może ona do swoich odpowiedzi dodawać takie rzeczy, jak:

B: „Jestem kobietą, nie słuchaj go”,

ale to nie przyniesie żadnej korzyści, ponieważ mężczyzna może robić podobne uwagi.

Teraz zapytujemy się: „Co stanie się, gdy maszyna zastąpi jedną z odpowiadających w tej grze osób?”. Czy pytający będzie decydował błędnie tak samo często jak wtedy, gdy w grze bierze udział mężczyzna i kobieta? Pytania te zastąpią nasze pytanie początkowe” „Czy maszyny mogą myśleć?”.

[A. M. Turing Computer Machinery and Intelligence, 1950]

Ponad 60 lat temu ten genialny, brytyjski matematyk stworzył teoretyczne podwaliny pod dzisiejszy rozwój i wykorzystanie technologii Machine Learning i mechanizmów sztucznej inteligencji (z ang. AI od Artificial Intelligence).  Oczywiście na tamtym etapie nie przewidywano jeszcze skali na jaką rozwinie się przemysł informatyczny, a konkretnie z jaką wydajnością i na jak wielkich zbiorach danych będą pracować współczesne komputery. Jednakże już wtedy, w połowie ubiegłego stulecia, A. Turing twierdził, że u progu nowego milenium ludzie nie będą w stanie odróżnić komputera od żywej osoby w ciągu 5-minutowego testu w 30% przypadków.

Wielu starało się przewidzieć, jak będzie wyglądała przyszłość pełna inteligentnych robotów i androidów. Wizjonerzy, tacy jak Phillip K. Dick, czy Frank Herbert przedstawiali ją głównie w ciemnych barwach i ostrzegali nas przed łączeniem wolnej woli z superinteligencją pozbawiona ludzkiego systemu moralnego. Małą zajawkę tej wizji mogliśmy obejrzeć w telewizyjnym hicie – Westworld.

Na szczęście nie musimy się sprzymierzać przeciwko Skynetowi, walczyć w Dżihad Butlerjańskiej, ani wynajmować Ricka Deckarda żeby dopadł Roya Batty’ego… na razie.

Dziś możemy się cieszyć z rozwoju uczących się maszyn i sztucznej inteligencji i korzystać z jej pomocy w różnych dziedzinach, także w marketingu.

Mariaż inteligentnego oprogramowania i big data wydawał się nieunikniony. Któż inny z benedyktyńską cierpliwością i nieludzką precyzją potrafiłby procesować niewyobrażalnie wielkie strumienie danych pochodzące z przeróżnych źródeł?

 SALESmanago Copernicus – Machine Learning & AI

W półświatku związanym z marketing automation funkcjonuje od dawna oklepany już frazes: “Właściwa oferta dla właściwej osoby we właściwym czasie”. Dzięki SALESmanago Copernicus – Machine Learning & AI nabiera on jednak nowej jakości:

“Właściwa oferta dla właściwej osoby we właściwym czasie i we właściwym kanale”.

SALESmanago Copernicus – Machine Learning & AI Marketing to technologia ucząca się zachowań każdego pojedynczego klienta, przewidująca jego decyzje zakupowe i na bazie tego rekomendująca produkty, które w ocenie algorytmów najprawdopodobniej zakupi w danym momencie.

Szczegółowy wgląd w historię zakupową, analiza związków pomiędzy produktami z różnych kategorii, a także badanie ścieżki zakupowej każdego klienta umożliwia dotarcie do niego w odpowiednim momencie i miejscu z wysoko spersonalizowaną i przyciągającą uwagę ofertą.

Marketing nowej generacji oparty na uczących się algorytmach

Nowa technologia SALESmanago Copernicus – Machine Learning & AI oparta jest na dwóch modelach rekomendacyjnych, każdy z nich wyspecjalizowany jest i zoptymalizowany do działania w obszarze odpowiednio inbound – analiza koszykowa (Inbound Predictive Marketing) oraz outbound – analiza behawioralna (Predictive Outbound Channel). Oba modele wspiera zarówno działania marketingu inbound i outbound.

Mechanizm analizy koszykowej bazuje na rozbudowanych algorytmach wykorzystywanych przy analizie asocjacji. Dzięki szczegółowemu zbadaniu danych transakcyjnych, powiązań między produktami i ich kategoriami kalkuluje optymalne współwystępowania tychże w dopasowanej ofercie. Po przekształceniu i odpowiednim modelowaniu danych wynikowych tworzy tablice rekomendowanych produktów dla każdego klienta. Wykorzystanie metadanych umożliwia natychmiastową reakcję na zmieniające się preferencje zakupowe. Wykorzystując mechanizm samouczenia, system na bieżąco analizuje pokrycie wyników badania asocjacji produktowej dla klientów końcowych. Na tej podstawie przyznaje scoring każdej rekomendacji, który to scoring określa stopień prawdopodobieństwa zakupu wybranego produktu przez danego klienta. Natomiast dzięki budowie tabeli wykluczeń produktów, coś co było już raz zakupione nie będzie ponownie rekomendowane tej samej osobie.

Analiza behawioralna prowadzona przez SALESmanago Copernicus – Machine Learning & AI Marketing polega na dokładnym badaniu aktywności klienta pomiędzy dokonanymi zakupami oraz identyfikacji najczęściej powtarzających się ścieżek zakupowych zakończonych zakupem. Rekomendowane produkty wybierane są na zasadzie porównań zachowania klientów pomiędzy zakupami w danych kategoriach, a także na podstawie odpowiednio uporządkowanego scoringu. Dodatkowo mierzony jest wzrost prawdopodobieństwa wystąpień kategorii produktu w ramach jednej transakcji.

Przewidywanie podróży zakupowej klienta w oparciu o rekomendacje AI

Moduł SALESmanago Copernicus – Machine Learning & AI Marketing sam dopasuje produkty dla każdego klienta i wybierze najlepszy kanał komunikacji, analizując jego ścieżkę zakupową – tzw. Customer Journey. Dodatkowo system zapamiętuje zachowania kontaktów anonimowych odwiedzających stronę www, dzięki czemu również dla niezidentyfikowanych kontaktów można personalizować wyświetlane treści, a więc zarówno dla anonimowego jak i rozpoznanego klienta można analizować mechanikę jego zachowania tzw. Behavior Mechanisms.

Nowy wymiar marketingu: Predyktywny Inbound / Outbound Marketing – Poznaj najkorzystniejszy sposób komunikacji z klientem

Działania marketingowe inbound i outbound mogą być uzupełniane o dane uzyskane z prowadzonej analizy. Dzięki wiedzy o tym, które produkty i kategorie produktowe będą najbardziej pożądane w najbliższym czasie, a także które kanały komunikacji przełożą się na najlepszą konwersję, można skupić się na dodatkowej ich promocji w celu uzyskania wyższej sprzedaży. Ponadto, precyzyjne poznanie aktywności klientów pozwala wskazać najlepszy czas na dokonanie przez nich kolejnego zakupu i sprzyja umacnianiu relacji z nimi. Całość mechaniki można określić, zapożyczonym z języka angielskiego terminem Predicting Customer Journey & Behavior Mechanisms.

Korzyści biznesowe

• Oferowanie produktów dopasowanych indywidualnie do preferencji każdego z klientów
• Realne budowanie przychodu i sprzedaży firmy poprzez działania marketingowe dopasowane do preferencji konsumentów
• Budowanie maksymalnej wartości każdego pojedynczego klienta, maksymalizując prawdopodobieństwo zakupu oraz minimalizując koszt dotarcia
• Optymalizacja wykorzystania zasobów przeznaczonych na działania marketingowe
• Dokładna analiza produktów i kategorii produktowych, które cieszą się największym zainteresowaniem
• Znajomość preferencji klientów i możliwość przewidywania, które produkty zostaną sprzedane w najbliższym czasie
• Szczegółowa analiza danych transakcyjnych