ИИ в аналитике. От descriptive к prescriptive подходу

АI-будущее уже здесь. Отчёты за уже оконченные кампании сменяется системой, которая на основе данных говорит, что делать дальше. В этой статье я поделюсь мыслями о том, как ИИ-модели от прогнозирования LTV до reinforcement learning (принятие самостоятельного решения ИИ-агентом) превращают маркетинг из ретроспективного анализа «что было» в систему решений «что делать». И покажу на примерах, почему уже сегодня без ИИ бизнес остаётся медленным, неэффективным и уязвимым. 

Эволюция маркетинговой аналитики

Ещё недавно маркетологи жили в мире descriptive analytics, разбираясь в отчётах и дашбордах, отвечающих на вопрос «что уже произошло?». Мы смотрели на цифры прошедшей кампании и делали выводы постфактум. Продвинутые команды добавляли diagnostic analytics и пытались понять, почему произошло так или иначе. Однако всё это уже в прошлом. Сегодня на первый план выходит predictive analytics – прогнозная аналитика, которая создает отчет о будущем «что произойдёт?».

Prescriptive analytics (предписывающая аналитика), берет данные описательной и прогнозной аналитики и рекомендует конкретные действия. Это системы, которые не только показывают, что было и что будет, но и подсказывают, что сделать, чтобы получить целевой результат.. Не просто предсказать увеличение или снижение конверсии, а тут же сформировать аргументированную гипотезу, как на эту конверсию повлиять. Сегодня настоящая prescriptive-аналитика находится в состоянии зародыша, но первые инструменты уже применяются. И в связке с образованным опытным специалистом эти ИИ-инструменты уже сегодня показывают значительные результаты.

Мы с огромной скоростью приближаемся к моменту, когда традиционный маркетинг, опирающийся только на отчёты, станет слишком медленным и неконкурентоспособным. Еще вчера мы учились на том, что уже произошло, когда деньги уже потрачены. Бизнес платил за каждую ошибку и терял время на гипотезы вслепую. Если долго полагаться лишь на метод проб и ошибок, можно исчерпать бюджет или упустить рынок, именно так происходило сейчас в 95% рекламных кампаний, запущенных в FB и Google. Сегодня прогнозные ИИ-модели решают эту проблему, они заранее проверяют, что будет работать и предлагает сразу правильное решение. Маркетинг перестаёт быть казино с вероятностями, теперь у нас появляются обоснованные ставки на основе данных.

ИИ пока не заменяет человека, но преумножает скорость и масштаб. Даже лучший аналитик не переберёт вручную миллиард строк данных и не обновит модель в реальном времени под новый тренд. А алгоритмы могут.

ИИ-модели, которые учатся предсказывать поведение клиентов

Расскажу о 4 моделях, с которыми я уже работал и которые мы используем для планирования задач. Думаю, что именно эти 4 моделей на данный момент являются самыми понятными и полезными, а также они уже доступны в базовых сервисах аналитики:

1. Predictive CLV (Customer Lifetime Value) – модель прогноза пожизненной ценности клиента. ИИ анализирует данные о поведении покупателя и оценивает, сколько денег принесёт компании именно он за всё время сотрудничества. Зачем это нужно? Все Ваши разные. Кто-то сделает одну мелкую покупку и уйдёт, а кто-то будет приносить прибыль годами. Прогноз CLV позволяет сегментировать базу по будущей ценности и фокусировать усилия там, где отдача выше.

Пример реального использования в больших компаниях: Amazon оценивает LTV каждого покупателя и особо ценным предлагает подписку Prime, персональные рекомендации, VIP-сервис – всё, чтобы удержать их на годы. В результате лояльность таких клиентов зашкаливает: Amazon удерживает около 93% подписчиков Prime спустя год и 98% – спустя два года, а каждый Prime-клиент тратит на ~15-20% больше за заказ, чем обычный.

Прогностический CLV превращает маркетинг в инвестиционный портфель: Вы понимаете, во что вложиться, в каких клиентов и каналы, чтобы максимизировать общую выручку в долгосрочной перспективе.

2. Propensity Model (модель склонности) – инструмент, предсказывающий вероятность совершения определённого действия клиентом. По сути, это ответ на вопрос: «Насколько этот клиент склонен сделать X?», где X может быть покупка, клик, подписка, отток или что угодно. E-commerce ритейлер может спрогнозировать, с какой вероятностью посетитель, бросивший товар в корзине, вернётся и завершит заказ. Если вероятность низкая, стоит отправить ему напоминание или купон. В B2B-софте мы строили скоринг-модели, которые оценивали шанс того, что лид конвертируется в продажу. Простыми словами, propensity-модель позволяет не тратить деньги на тех, кто всё равно не купит, и не раздражать тех, кто и так купит.

По данным Single Grain, компании, внедрившие ИИ-модели для таргетинга и оптимизации кампаний, смогли снизить стоимость привлечения клиентов в среднем на 37% по сравнению с традиционными методами. Эти проценты далеко не модели в отчета, это прямая экономия бюджета, а возможность привлекать клиентов дешевле.

3. Uplift Model (модель прироста) – возможно, самый недооценённый инструмент маркетинга. Если propensity оценивает просто вероятность отклика, то uplift-модель предсказывает причинный эффект: кто из клиентов совершит покупку именно благодаря нашему воздействию. Модель позволяет сконцентрировать усилия на тех клиентах, кого мы реально можем убедить, и не тратить бюджет на остальных.

Привычная кампания Retention может рассылать скидки всем, у кого кончается подписка, чтобы они продлили. Классический прогноз подскажет, кто в зоне риска ухода, и всем им дадут купон на скидку. Но среди них есть те, кто остался бы без скидки, и те, кто уйдёт даже со скидкой. Uplift-модель найдёт колеблющихся, для которых скидка станет решающим фактором и таким образом бизнес не потратит лишние деньги.

Фактически, uplift-модель дает рост ROMI (окупаемости маркетинга), потому что деньги инвестируются точечно в тех, кого действительно можно заставить купить. Для бизнеса это означает более высокий LTV на каждого спасённого клиента при меньших затратах.

4. Reinforcement Learning (обучение с подкреплением) – это огромный шаг вперёд в автоматизации аналитики и внедрения решений. Предыдущие модели прогнозируют или оценивают вероятности, а RL-модель сама учится принимать решения путём проб и ошибок, оптимизируя целевые показатели.

И это не фантастика, это то, что мы видим каждый день у себя в смартфоне и телевизоре. Когда Вы заходите в Facebook, Instagram, Netflix или другую ленту, алгоритмы не просто предсказывают, что Вам понравится, но и активно экспериментируют с показом контента, чтобы максимизировать ваше вовлечение (время просмотра и длительность подписки). Агент пробует действие, фиксирует отклик данные отклика, а затем делает выводы, обучается и становится эффективнее.

Amazon применяет обучение с подкреплением, чтобы решать, какие товары или предложения показать покупателю на сайте. Цель не только продать сейчас, но и удержать клиента в долгосрочной перспективе. Алгоритм учится на ходу, показал – оценил реакцию (купил/не купил, кликнул/проигнорировал), скорректировал стратегию. Отличие RL от простого прогнозирования в том, что он не ограничивается предсказанием, а инициирует действие и сам получает фидбек.

В моём опыте внедрения RL-подхода в банковском сегменте мы увидели, как модель перестраивает показ предложений под каждого пользователя: где-то предлагает потребительский кредит на основе предпочтений, где-то более сложные продукты для бизнеса, а кому-то вообще ничего не предлагает, чтобы не отпугнуть.

Большие исследования о современных подходах

McKinsey выявили огромный разрыв между компаниями, внедрившими data-driven подходы, и отстающими. Бизнесы, принявшие решения на основе данных, в 23 раза чаще привлекают новых клиентов и в 19 раз чаще оказываются прибыльными по сравнению с теми, кто на данные не опирается.

По данным Harvard Business Review, использование предиктивной аналитики повышает конверсию до +30% А опрос маркетологов B2C показал, что 80% из них уже увидели, как ИИ-инструменты превзошли ожидания по ROI, и 95% планируют наращивать инвестиции в ИИ ради эффективности привлечения клиентов.

McKinsey также отмечает, что компании, активно внедряющие ИИ в маркетинг и продажи, фиксируют рост выручки на 41% в среднем при одновременном снижении затрат на привлечение на 32%. Это не мелкие улучшения, а фундаментальные числа.

Те же McKinsey выяснили, что организации, использующие predictive analytics, в среднем получают +20% к продуктивности и +30% к удовлетворённости клиентов.

Рынки меняются за месяцы, поведение клиентов за недели. Если у Вас внедрен ИИ-помощник, который почти в реальном времени подсказывает, как меняется пользовательский сценарий, Вы станете лидером рынка. Если нет, Вам придется продавать дешевле, чтобы хотя бы как-то выживать.

Влияние ИИ на ключевые метрики: CAC, LTV, ROMI, Payback

Маркетинг эволюционирует от ретроспективы к предписаниям. Descriptive-аналитика резюмирует «что было», predictive говорит «что будет», а prescriptive предсказывает «что делать». ИИ является катализатором этой эволюции, позволяя автоматически превращать данные в рекомендации к действию.

1. Снижение CAC (Customer Acquisition Cost). Стоимость привлечения клиента в среднем по рынку непрерывно растет, реклама дорожает, конкуренция усиливается. Но благодаря точечному таргетингу и оптимизации ставок алгоритмами, CAC снижается на 30-50%. И это реальность для компаний, полноценно использующих ИИ-инструменты

2. Рост LTV (Lifetime Value). ИИ помогает увеличить число покупок клиента, среднюю корзину и общую длительность отношений. Персонализированные рекомендации стимулируют докупки (cross-sell, upsell), точечная Retention-реклама удерживает клиентов дольше и предотвращает их отказы. Компании с продвинутым аналитическим маркетингом фиксируют рост повторных продаж и LTV на десятки процентов.

3. Увеличение ROMI/ROI и сокращение Payback-периода (период окупаемости). Когда CAC падает, а чек или количество покупок от клиента растёт, клиент «отбивает» затраты на свое привлечение. В B2B SaaS нормальным считался payback 12-18 месяцев. Снизив CAC на 30% и повысив средний чек или Retention на 20%, можно легко сжать payback до 8-10 месяцев. Это серьезные деньги и ниже риск для бизнеса.

Все эти факторы, от экономии времени до увеличения конверсий, сходятся к одному: маркетинг с ИИ окупается быстрее и приносит больше денег при тех же или меньших затратах.

4. Скорость и адаптивность (конкурентное преимущество). Есть метрики, которые трудно измерить напрямую в долларах, но они влияют на развитие и выживаемость. Скорость принятия решений – одна из них. ИИ позволяет компаниям реагировать на изменения спроса, предпочтений клиентов, рыночной обстановки почти в режиме реального времени. Организации с внедрённой аналитикой принимают решения в 5 раз быстрее конкурентов. А кто быстрее принимает решения, тот первым выходит к клиентам с новыми релевантными предложениями, первым ловит уходящую аудиторию, первым исправляет кампании, если что-то пошло не так.

Без ИИ бизнес теряет скорость и устойчивость. Пока Вы проанализируете и сделаете выводы из отчёта прошлого месяца, конкурент с ИИ уже перенастроит кампанию. Время – деньги, а data-driven фирмы быстрее и прибыльнее. Как раньше говорил Билл Гейтс про интернет, уже сейчас можно сказать про ИИ: если сегодня в Вашем бизнесе нет ИИ, завтра у Вас не будет бизнеса.