Аналитическое мышление и интуицию принято противопоставлять друг другу. Однако по мнению американского эксперта Джошуа Рейнольдса (Joshua Reynolds), директора по маркетингу в Quantifind, наиболее эффективные решения можно принять, только опираясь на оба эти способа восприятия.
Согласно его недавнему заявлению, конфликт «технарей», то есть приверженцев строгого компьютерного анализа данных, и «гуманитариев», полагающихся на интуицию, в маркетинге не имеет смысла. Гораздо перспективнее — искать новые пути взаимодействия разума человека и машины.
Интуиция — это тоже анализ данных
Существенный факт, на который редко обращают внимание при противопоставлении людей и компьютеров, заключается в том, что сам по себе человеческий мозг — это наиболее гибкий и мощный вычислительный инструмент на планете (во всяком случае, пока). По сути, интуиция — это тоже анализ данных. Просто его алгоритмы пока мало изучены, ибо наш мозг работает в режиме «черного ящика».
К примеру, если объединить технологии визуализации данных и уникальную способность людей находить смысл и распознавать закономерности в визуальных паттернах — получится синергетический эффект. Именно поэтому компьютерный анализ более всего эффективен, когда сочетает в себе качественные вычисления с наглядным графическим представлением данных — схемами, диаграммами, тепловыми картами. А самые удачные маркетинговые решения — нередко те, что признают ключевую роль человеческой интуиции (и любопытства) при переходе от анализа информации к выдвижению конкретных идей и планов.
«Самые удачные маркетинговые решения — нередко те, что признают ключевую роль человеческой интуиции (и любопытства) при переходе от анализа информации к выдвижению конкретных идей и планов.»
Ведь что такое любопытство? Это обусловленный полученной информацией импульс, побуждающий нас к более внимательному изучению заинтересовавшего нас объекта. А интуитивные решения — это решения, принятые на основе выводов, сделанных нашим подсознанием. Пусть мы не можем четко сформулировать эти выводы, однако у нас возникает то самое озарение, предчувствие, которое порой оказывается верным.
Вот почему многие аналитики, в том числе в Quantifine, придерживаются мнения, что стоит развивать не только AI (Artificial intelligence, Искусственный интеллект), но и IA (Intelligence Augmentation), то есть технологии, усиливающие человеческий интеллект за счет компьютера. Это позволит человеку эффективнее использовать свою интуицию, любопытство, свои инстинкты для того, чтобы выявлять глубинные причинно-следственные связи. Например, между тем, что делают маркетологи, как на это реагирует целевая аудитория и как это сказывается на бизнесе.
Но для того, чтобы объединить два подхода, потребуется многое переосмыслить.
Компьютерные алгоритмы — это инструменты, а не решения
Как показывают исследования Массачусетского технологического института (MIT), в настоящее время и на ближайший обозримый период человеческий мозг имеет значительное преимущество перед компьютером при выявлении закономерностей и перспективных моделей в больших объемах данных.
Иными словами, именно люди выявляют проблему как таковую, а затем с помощью компьютерного анализа получают более подробную картину. Выходит, интуиция здесь первична, а компьютерные алгоритмы — лишь инструменты, помогающие уточнить и доказать сделанные выводы.
В МТИ есть соответствующий проект, названный Data Science Machine. В его рамках аналитики пытаются сократить разрыв между человеком и компьютером в части анализа данных, и добились в этом значительных результатов. Однако они признают, что существуют естественные ограничения, преодолеть которые не получится. По словам главы проекта, Макса Кантера (Max Kanter), компьютерный анализ они рассматривают лишь как инструмент, расширяющий возможности человеческого интеллекта, но не заменяющий его.
Если уж такие выводы делаются на уровне фундаментальной науки, маркетологам стоит прислушаться к ним. Ключ к успеху — в том, чтобы объединить оба подхода, интуитивный и аналитический, и от обоих брать лучшее.
К примеру, Data Science Maсhine сейчас работает с реляционными базами данных — структурированной информацией вроде той, что мы обычно видим в электронных таблицах. Однако их алгоритмы бесполезны при изучении неструктурированных, хаотичных данных, получаемых, скажем, из социальных сетей.
Анализ реляционных данных имеет свои преимущества и ограничения. Например, если база данных содержит даты начала и окончания рекламных кампаний и сведения о еженедельной прибыли, то ключевой информацией могут стать не сами даты, а промежутки между ними, или не общая сумма прибыли, а средние ее показатели за разные периоды.
Анализируя эти данные, можно выявить, например, некую закономерность, вызывающую кратковременные всплески роста продаж, и постараться затем масштабировать ее на более длительный период. Для такого рода работы компьютерный анализ подходит идеально.
Другое дело — неструктурированные данные, особенно нечисловые. Хотя уже есть компьютерные системы, умеющие отслеживать упоминания о бренде в сети и по ключевым словам способные даже оценивать тональность этих упоминаний, тем не менее, ни одна из них пока не научилась, например, достоверно распознавать сарказм.
Так что есть области, в которых анализ данных может дать вам ценнейшие открытия, но по-прежнему есть и такие, где машина пока мало чем может помочь человеку.
Любопытство и творческий потенциал всегда будут в тренде
Творческая интерпретация данных всегда будет иметь огромное значение. Маркетолог может активно пользоваться чем-нибудь вроде Data Science Maсhine для решения задач определенного типа. Однако сталкиваясь с неструктурированными данными — с тем же фидбеком из соцсетей — он должен использовать в полную силу свою интуицию, личный опыт, а также знание человеческой психологии.
На данным момент только человек может определить ценность полученной информации, придумать варианты ее применения для решения бизнес-задач.
Чтобы определить для себя, насколько органично вы совмещаете в своей работе интуицию и компьютерный анализ, попробуйте задать себе несколько вопросов:
1. Как сейчас при принятии решений я учитываю мои субъективные оценки и информацию, полученную путем анализа данных? Хотелось бы мне изменить это соотношение, и в какую сторону?
2. Кто определяет области моего исследования? Я сам, компьютер или комбинация и того, и другого? В каких случаях чаще получается выявить тенденции, помогающие увеличить прибыль?
3. Насколько мои решения учитывают политику компании и общую ситуацию в бизнесе? Получается ли у меня в ходе анализа делать выводы, которые имеют практическую ценность?
4. Наконец, какие данные для меня оказываются перспективнее, плодотворнее с точки зрения поиска новых идей, открытия нетривиальных путей повышения дохода?
Маркетологам важно помнить, что стремясь увеличить доходы от продаж, мало найти решение, которое работает только в теории — если он не учитывает политическую, организационную и психологическую составляющую для всех вовлеченных лиц, этот метод бесполезен.
Высоких вам конверсий!
По материалам marketingland.com, image source: James Neeley
