* ترجمه شده از مجله کسب و کار هاروارد.
بازاریابان یک شرکت مخابراتی بزرگ تصمیم گرفتند برای کاهش میزان خروج مشتریان، از هوش مصنوعی در بازاریابی استفاده کنند. این هوش مصنوعی وظیفه داشت که مشخص کند کدام مشتری قصد خرید سرویس جدید دارد، کدام مشتری قصد جدا شدن از شرکت را دارد و کدام مشتری مایل به ادامه همکاری است.
در نهایت با استفاده از این نتایج بازاریابها، مشتریهایی که در مورد استفاده از سرویسهای این شرکت دچار تردید بودند را شناسایی میکردند و مورد هدف انبوهی از برنامههای تبلیغاتی قرار میدادند. با این حال در نهایت هیچ تغییری در روند جدایی مشتریان ایجاد نشد. مشکل اصلی اینجا بود که بازاریابها مرتکب یک اشتباه اساسی شده بودند، سوال اشتباهی را مطرح کرده بودند. در واقع الگوریتم هوش مصنوعی به خوبی پیشبینی میکرد اما این پیشبینی، جواب سوال اصلی بازاریابها نبود.
این چنین داستانهایی بین شرکتهایی که از هوش مصنوعی استفاده میکنند بسیار رایج است. در سال 2019 در تحقیقی از حدود 2500 مدیر اجرایی، نتیجه جالبی بهدست آمد. 90 درصد این مدیران ادعا کردند که شرکتشان در زمینه هوش مصنوعی سرمایهگذاری کرده است، اما تنها 40 درصد از این شرکتها به سود قابل توجهی در زمینه کسبوکار خود رسیدند.
در تحقیقاتی که ما با همکاری 50 شرکت استفادهکننده از هوش مصنوعی انجام دادیم، چالشها، مشکلات و اشتباهات در هنگام استفاده از هوش مصنوعی شناسایی شدند.
ما در این مقاله چهارچوبی ارائه کردیم که با دنبال کردن آن خطاها به حداقل میرسند. ابتدا به بررسی خطاها میپردازیم.
پرسیدن سوال درست
در مثال شرکت مخابراتی اشتباه اصلی این بود که نباید به دنبال نقاط ضعف و مشتریان ناراضی میگشتند بلکه باید نیروی خود را جایی سرمایهگذاری میکردند که بیشترین امکان سوددهی وجود دارد.
در واقع سوال اصلی این بود که کدام مشتریان را میشد راحتتر راضی کرد تا به استفاده از سرویس ادامه دهند. به عبارت دیگر مشتریای که هنوز تصمیم قطعی به جدایی نگرفته و هنوز دودل است، امکان راضی شدن بیشتری دارد نسبت به کسی که تصمیم به جدایی گرفته است.
این روند دقیقا مشابه روندی است که سیاستمداران در هنگام انتخابات دنبال میکنند. سیاستمداران تلاش نمیکنند نظر گروههای هوادار حزب رقیب را جلب کنند بلکه بیشترین تلاش آنها در جذب کردن قشر خاکستری است که هنوز تصمیم قطعی در خصوص رای خود نگرفتهاند.
در مورد مشابه دیگری مدیران یک شرکت تولیدکننده بازیهای ویدیویی قصد داشتند کاربران خود را ترغیب کنند تا مقدار بیشتری پول را در حین بازی صرف خرید امکانات آن بکنند. بازاریابها از مهندسین داده درخواست کردند تا مشخص کنند چه فاکتورهایی میزان مشارکت بازیکنان را در بازی افزایش میدهد. تیم مهندسی داده از الگوریتمهایی برای بررسی رابطه مدت زمان بازی و مشارکت با قابلیتهای درون بازی انجام داد و به این نتیجه رسید که نمایش عمومی رتبهبندی بازیکنها و اعطای جایزه تاثیر بالایی در مشارکت در بازی دارد. شرکت نیز تغییراتی را با توجه به این نتایج در بازی خود اعمال کرد اما در نهایت میزان پرداخت بازیکنان در بازی ثابت ماند.
چرا؟ چون بازاریابهای این شرکت سوال اشتباهی را مطرح کرده بودند. افزایش مشارکت در بازی لزوماً به معنی پرداخت پول بیشتر نیست. در واقع پس از ایجاد تغییرات بازیکنان استراتژیهایی را طراحی کردند که روند پیشرفت بدون پرداخت هزینه زیاد را ممکن سازد.
در واقع مدیران بخش بازاریابی هر دو شرکت اشتباه یکسانی انجام دادند. آنها توانستند منظور خود را به صورت صحیح به هوش مصنوعی بازاریابی انتقال دهند. تصور کنید چه سود کلانی ممکن بود از هوش مصنوعی به این شرکتها برسد اگر بررسی کرده بودند کدام مشتری را میشود قانع کرد از خدمات شرکت استفاده کند و اضافه کردن کدام امکانات به بازی باعث افزایش خرید در بازی میشود.
عدم تقارن، تشخیص ندادن ارزش تصمیم درست در برابر هزینه تصمیم غلط
آیا نباید پیشبینیهای یک هوش مصنوعی همیشه دقیق باشند؟ نه لزوماً.
همانطور که در بسیاری از موارد یک پیشبینی غلط میتواند پرهزینه باشد، برعکس آن نیز صادق است. به همین صورت تمامی پیشبینیهای صحیح منجر به سودآوری بیشتر نمیشوند.
یک شرکت فروش محصولات را در نظر بگیرید. مهندسان بخش داده این شرکت با غرور اعلام میکنند که موفق شدهاند دقت پیشبینی میزان فروش شرکت را افزایش دهند و نرخ خطا را از 25 درصد به 17 درصد برسانند. اما این افزایش دقت به قیمت تمرکز و سرمایهگذاری روی میزان فروش کالاهای جزئی است که فروش کمتری دارند. چنین کالاهایی معمولا مشتریهای ثابتی ندارند و پیشبینی میزان فروششان کار راحتی نیست.
زمانی که برنامه موفق میشود دقت پیشبینی خود را افزایش دهد به این معنی است که با تمرکز و وزن دادن به این نوع کالا، اطلاعات مربوط به کالاهای پرفروش اصلی دارای ارزشی کمتر شدهاند. در چنین شرایطی رویکرد صحیح این است که دادهها و اطلاعات مربوط به کالاهای پرفروش و پر اهمیت بر دقت برنامه اولویت داشته باشند.
باید این نکته را نیز به یاد داشت که نتیجه محاسبات هوش مصنوعی همیشه دقیقا درست نیست. این الگوریتمها ممکن است نتایج مثبت کاذب (شناسایی کاربری که قصد خروج دارد به عنوان کاربر با قصد ماندن) و یا منفی کاذب تولید کنند. به همین دلیل همیشه به یک متخصص بازاریابی نیاز است تا نتایج برنامهها را بررسی کند. متاسفانه این خطاها معمولا به مهندسین داده اطلاع داده نمیشوند در حالی که همه خطاهای برنامه ارزش یکسانی ندارند و برطرف کردن بعضی این خطاها ارزش بیشتری دارد.
تجمع داده، عدم استفاده از نتایج و پیشبینیهای موردی
شرکتهای بزرگ اطلاعات انبوهی از مشتریان و عملیاتهای خود را ذخیره میکنند که یک هوش مصنوعی بازاریابی به کمک آن میتواند کار کند. اما بسیاری از بازاریابها این قابلیتها را نادیده میگیرند و تلاش میکنند بر اساس مدلهای قدیمی خود کار کنند.
برای مثال یک هتل را نظر بگیرید که به صورت هفتگی مدیرانش تصمیمگیری میکنند نحوه قیمتگذاری اتاقها برای هفته آینده باید چگونه باشد. اما در این هتل یک سیستم هوش مصنوعی وجود دارد که بر اساس میزان تقاضای هر نوع اتاق به صورت ساعتی قیمتهای خود را بهروز میکند.
مشکلات ارتباطی
علاوه بر تمامی خطاهایی که در قسمت قبل در هنگام استفاده از هوش مصنوعی بازاریابی بیان کردیم، مدیران بازاریابی باید مهارتهای ارتباطی خود را بهبود ببخشند. ارتباط با مهندسین داده ارزش بالایی دارد، و در عین حال بسیار مهم است که بتوانند مشکلات و مسائل خود را به صورت دقیق و صحیح به مهندسان داده انتقال دهند.
مسائل زیادی وجود دارند که یک همکاری مناسب بین بخش بازاریابی و هوش مصنوعی را دچار مشکل میکند. یکی از مهمترین این مسائل مدیرانی هستند که در خصوص هوش مصنوعی اطلاعات کافی ندارند و این بیاطلاعی خود را قبول نمیکنند. این مدیران معمولا به دو صورت ممکن است دچار مشکل شوند. در حالت اول انتظارات بیش از حدی از هوش مصنوعی بازاریابی دارند که با واقعیت همخوانی ندارد. این مدیران معمولاً قصد دارند پروژههایی را شروع کنند که خارج از توانایی هوش مصنوعی است.
دسته دوم مدیرانی هستند که به هوش مصنوعی اعتماد ندارند و آن را دست کم میگیرند. این مدیران معمولا به رویکردهای سنتی خود ادامه میدهند و یک ظرفیت عظیم قابل دستیابی از طریق هوش مصنوعی را از دست میدهند.
مهندسین داده نیز در هنگام انجام تحقیقات مشکلات ارتباطی دارند. در بسیاری از موارد این افراد پیشنیازها و نتایج خود را بر اساس یک روال یکسان تولید میکنند و توجه نمیکنند آیا این همان مسئله مورد نظر است یا خیر. مهندسین داده باید همواره با تیم بازاریابی در ارتباط باشند.
چهارچوب ارائهشده
در ادامه به تشریح چهارچوبی میپردازیم که برای برقراری ارتباط مناسب بین بخش هوش مصنوعی و بازاریابی طراحی شده است. ما این چهارچوب را در چندین شرکت پیاده کردهایم و نتایج مثبتی دریافت کردهایم.
برای درک بهتر این چهارچوب مدل شرکت مخابراتی را دوباره تصور کنید.
مرحله اول
قصد داریم کدام مشکل بازاریابی را حل کنیم؟جواب این سوال باید دقیق و بامعنی باشد. برای مثال «کاهش تعداد مشتریهای خارجشده از سرویس ما» پاسخی بسیار کلی است و به طراحان سیستم کمک زیادی نمیکند. اما سوال «چگونه میزان هزینه و مصرف منابع خود را تغییر دهیم تا تعداد مشتریهای خروجی کاهش یابد؟» سوالی است که جزئیات بیشتری دارد.
تصمیمات بازاریابی باید با کوچکترین سطح اطلاعات شروع شوند. ما به هر یک از این سطوح ریز اولیه یک اتم میگوییم. در مثالی قبلی اتم سوال «جهت تبلیغ و جلب نظر با این مشتری تماس گرفته شود یا خیر؟» بود.
به عنوان بخشی از برنامه تحقیق همیشه اطلاعات مربوط به برنامه جاری را مکتوب کنید. برای مثال شرکت مخابراتی لیستی دارای ترتیب بر اساس احتمال تمدید مشتریانش ساخته است و هنگام انجام تبلیغات این لیست را از بالا به پایین پیمایش میکند و تا زمانی که بودجهاش اجازه میدهد مشتریان بیشتری را هدف میگیرد.
به نظر خیلی از افراد این مرحله اضافی است و ربطی به روند حل مسئله بازاریابی ندارد؛ امّا همین کار باعث افزایش تجربه میشود. بسیاری از مهندسین داده هنوز نمیدانند که نتایجشان باید چگونه باشد. این افراد میتوانند از این مستندسازیها استفاده کنند.
نکته مهم تشخیص علت از دست رفتن موقعیتهاست. به این معنی که بررسی کنیم در شرکت مدنظر چه چیزی به عنوان پیروزی و چه اتفاقی به عنوان شکست طبقهبندی میشود. برای مثال در شرکت مخابراتی آمار مربوط به مشتریانی که قرارداد خود را تمدید کردند به عنوان هدف مشخص شده بود. اما این آمار به شدت ساده و غیردقیق است. چرا که بسیاری از این مشتریان جزو برنامه بازاریابی نبودهاند و تمدید قراردادشان ربطی به برنامه جاری بخش بازاریابی نداشته است.
به محض اینکه عامل از دست رفتن موقعیت مشخص شد باید به کمک دادهها مورد بررسی قرار بگیرد. این فرآیند میتواند بسیار ساده و یا سخت باشد. تیم مهندسی داده تلاش میکنند با بررسی دادهها مشخص کنند کدام عاملها و دادهها فراوانی بیشتری در سمت موقعیتهای ازدسترفته دارند تا مشخص شود چه عاملی باعث این ازدسترفتن شده است.
در برخی موارد مانند شرکت مخابراتی تشخیص دلایل از دست رفتن برخی موقعیتها از روی دادهها ممکن نیست. در این شرایط تیم مهندسی داده تلاش میکند با گروهبندی و ایجاد رابطه بین دادهها مقیاس جدیدی برای بررسی میزان موفقیت تولید کند. برای مثال بررسی این مورد که چه میزان از مشتریانی که نظرشان را عوض کردهاند و به گرفتن خدمت از شرکت ادامه دادهاند؟، چه میزان به طور بلندمدت مشتری شرکت ماندهاند؟ و هرکدام از مشتریانی که نظرشان عوض شده چقدر هزینه برای شرکت داشتهاند؟. در این صورت میتوان نتیجه گرفت آیا این برنامه بازاریابی نتیجه مثبتی دارد یا نه.
چنین رویکردی به شرکت اجازه داد تا بتواند مشتریان را بر اساس نیاز خود دستهبندی کند. با این روش مشتریانی که با هزینهای بیشتر از سودشان به شرکت برگشتند، مشتریان باارزشی که علیرغم هزینه سنگین به شرکت برنگشتند و مشتریان باارزشی که در لیست اهداف شرکت قرار ندارند مشخص میشوند. این دستهبندی به این دلیل محقق شد که تیم آنالیز دادهها اطلاعات پایهای در خصوص مشتریان وفادار و شرایط باقی ماندن آنها در شرکت داشت که توانست در مقایسههای خود از آنها استفاده کند.
مرحله دوم
در رویکرد کنونی چه موقعیتهایی از دست میروند؟ بازاریابها معمولا متوجه میشوند که برنامههایشان موفق نبوده و منجر به از دست رفتن و ضرر مالی شده است. در این شرایط باید به عقب برگشت و دلایل شکست را بررسی کرد.
برای مثال در صنعت هتلداری و هواپیمایی آماری وجود دارد به نام موقعیت از دست رفته (اتاق یا صندلیهایی که معمولا به دلیل قیمت بالا خالی ماندهاند) و موقعیت پیش رو (روزهایی از سال مانند تعطیلات که اتاق و صندلیها بهسرعت پر میشوند). این آمار دقیقاً میزان از دست رفتن موقعیتها و شکستها را بررسی میکند. اما نباید اطلاعات مربوط به این دو مقیاس را به صورت جمعبندیشده بررسی کرد و به هوش مصنوعی سپرد. این اطلاعات باید به صورت اتمی کوچکترین بخش از داده مورد بررسی باشند و به صورت همزمان به هوش مصنوعی منتقل شوند.
مرحله سوم
سختترین سوال مطرح شده این است که چه عاملی باعث از دست رفتن موقعیت ها میشود؟ پاسخ دادن به این موضوع مستلزم این است که رویکردهای بازاریابی و هوش مصنوعی بازاریابی دوباره بررسی شوند و به همین دلیل همکاری بین تیم آنالیز داده و بازاریابها باید در بالاترین سطح خود باشد.
در رابطه با همترازی، هدف بررسی تاثیر پیشبینیهای هوش مصنوعی روی بازدهی مالی شرکت است. برای انجام این بررسی لازم است تا به سوالهای زیر پاسخ داده شود.
در شرایط ایدهآل داشتن چه اطلاعاتی باعث میشد که این از دست رفتن موقعیتها اتفاق نیفتد؟ بر اساس پاسخ این پرسش آیا سیستم پیشبینی شما خوب کار میکند؟
اگر کارمندان شرکت مخابراتی جواب سوال اول را میدانستند، متوجه میشدند که رویکرد اتخاذشده آنها در رابطه با هوش مصنوعی چه خطاهایی دارد. در واقع اگر اطلاعات صحیحی در رابطه با افرادی که قصد خروج دارند و احتمال بازگشتشان به شرکت برای آنها وجود داشت، میتوانستند از سرمایهگذاری روی افراد نادرست جلوگیری کنند و افراد باارزشتر را نادیده نگیرند.
بعد از مشخص شدن نتایج ایدهآل به سوال بعدی میرسیم. آیا تیم آنالیز داده توانایی پیشبینی این نیازها را با دقت لازم دارند؟
حیاتی است که اعضای بخش بازاریابی و تیم داده پاسخ صحیحی برای این سوال داشته باشند. دوباره همکاری بین دو بخش لازم است چراکه معمولا بازاریابها در خصوص تواناییهای فنی اطلاعات ندارند و اعضای بخش داده نیز به درستی نمیدانند چه خروجیای برای بخش بازاریابی ضروری است.
سوال بعدی:
آیا خروجی هوش مصنوعی بازاریابی با اهداف کسبوکار در یک راستاست؟
شرکت بازیسازی را در نظر بگیرید. اگر به جای مطرح کردن این سوال که چه رویکردی باعث افزایش مشارکت بازیکنان میشود، سوال اصلی در رابطه با سودآوری مشتریان را مطرح میکردند، چقدر در رابطه با سودهایشان سود میکردند.
اشتباه رایج در رابطه با هوش مصنوعی بازاریابی این است که معمولا تصور میشود بین پیشبینیها و اهداف کسب و کار رابطه مناسبی برقرار است. اما همیشه اینطور نیست. در مثالهای قبل دیدیم که پیشبینی عاملی که باعث سود میشود همیشه باعث پیشرفت نیست. حتی زمانی که این دو مسئله همواره با یکدیگر همخوانی دارند ممکن است این همخوانی 100 درصد نباشد. داشتن همین اطلاعات در شرکت مخابراتی میتوانست باعث شود نه تنها به مشتریهای در آستانه جدایی فکر کنند بلکه به میزان و ضرر سرمایهگذاری روی هر یک نیز اهمیت دهند.
در خصوص عدم تقارن میتوان گفت زمانی که خروجیها مشخص شدند، باید در نظر گرفت چقدر امکان بروز خطا در سیستم و نتایج وجود دارد. به عبارت دیگر در صورت استفاده از این نتایج و با در نظر گرفتن امکان بروز خطا به چه میزان میتوان به اهداف کلی شرکت رسید؟
در شرکت مخابراتی هزینه ارسال تبلیغات به مشتریانی که قصد جدایی از شرکت را دارند (سوختن منابع)، کمتر از ضرر از دست دادن یک مشتری باارزش است که امکان داشت با دریافت پیشنهاد مناسب در شرکت باقی بماند (از دست دادن موقعیت). شرکت سود بیشتری میکرد اگر هوش مصنوعی بازاریابی به جای اینکه روی پیدا کردن خروجیهای احتمالی متمرکز شود روی احتمال ماندن مشتریها متمرکز میشد.
در بسیاری از موارد ممکن تشخیص تفاوت بین سوختن منابع و از دست موقعیت سخت باشد، اما با این حال باز هم محاسبه عدم تقارن نتیجه و هدف ارزش بالایی دارد. چرا که در غیر این صورت ممکن است نتایج هوش مصنوعی با وجود دقیق بودن در خصوص یک موضوع ربطی به هدف اولیه نداشته باشند.