Zainteresowanie tematem sztucznej inteligencji (AI) nie słabnie. Niemalże każdego dnia pojawiają się zapowiedzi kolejnych przełomów w tej dziedzinie. Publiczność najbardziej ekscytuje się osiągnięciami tzw. generatywnej AI. Są one najbardziej spektakularne i wywierają największe wrażenie. Rozmowa z komputerem w języku naturalnym, komputer malujący obrazy albo tworzący film na podstawie podanego mu scenariusza przemawiają do wyobraźni. Warto jednak pamiętać, że AI to także bardziej prozaiczne modele, które, działając w tle i bez przykuwania aż tak wielkiej uwagi, odgrywają istotną rolę w wielu procesach biznesowych w tym także w marketingu. Zdarza się, że nie przynoszą jednak spodziewanych korzyści a ich działanie bywa rozczarowujące. Jakie błędy mogą przyczyniać się do takich sytuacji i co zrobić, aby ich uniknąć?
Niewłaściwie sformułowany problem
Zdarza się, że już na samym początku projektu AI pojawia się fundamentalny kłopot. Jest nim wyraźny rozdźwięk między rzeczywistą potrzebą biznesową a definicją problemu, do którego rozwiązania zabiera się zespół AI. Przykładowo zespół marketingowy stawia sobie za cel zmniejszenie liczby odchodzących klientów. Zamierza wykorzystać do tego specjalną akcję obejmującą kupony z atrakcyjnymi rabatami. Naturalnie budżet na te działania jest ograniczony. W pierwszym kroku zespół chce zidentyfikować klientów najbardziej zagrożonych rezygnacją.
Zleca więc komórce AI opracowanie modelu szacującego prawdopodobieństwo odejścia dla każdego klienta. Team AI wywiązuje się ze swojego zadania znakomicie. Buduje model o bardzo dużej dokładności predykcji. Dział marketingu postanawia więc wykorzystać model i kwalifikować do akcji osoby o największym prawdopodobieństwie odejścia aż do wyczerpania budżetu. Akcja się odbywa. Całkiem dużo zagrożonych konsumentów zostaje. Wszyscy mają poczucie dobrze wykonanej pracy i racjonalnie wykorzystanego budżetu. Czy jednak rzeczywiście budżet został wykorzystany optymalnie? Czy można było coś zrobić lepiej? Okazuje się, że tak.
Zamiast prawdopodobieństwa odejścia można było przewidywać szansę pozytywnej reakcji na akcję. Z pozoru drobna różnica. Może jednak przynieść diametralnie lepsze efekty. W zastosowanym wariancie kwalifikowano osoby najbardziej zagrożone. Wśród nich były jednak osoby, których nie da się przekonać do pozostania żadną akcją. Są to bardzo często właśnie osoby ze szczytu listy zagrożonych – sfrustrowane obsługą klienta, rozczarowane jakością produktu, już od jakiegoś czasu poszukujący alternatywnego dostawcy. Wykorzystując budżet na tych konsumentów, pominięto konsumentów o nieco niższym (ale wciąż wysokim) ryzyku, którzy były jednak bardziej podatne na zmianę decyzji dzięki przeprowadzonej akcji. Pewna cześć budżetu została zmarnotrawiona na próbę przekonania tych, których przekonać się nie dało. Równocześnie nie wykorzystano możliwości przekonania tych, na których decyzję można było jeszcze wpłynąć. Lepsze, bardziej precyzyjne zdefiniowanie problemu w kontekście oczekiwanego efektu biznesowego pozwoliło by na skorzystanie w dużo większym stopniu z możliwości jakie daje zastosowanie algorytmów AI.
Niewłaściwe mierniki sukcesu
W wielu sytuacjach przyjęcie niewłaściwych wskaźników może prowadzić do błędnych decyzji. Bywają one związane także z rezygnacją z narzędzi, które. Jedna z prężnie działających na rynku polskim firm dysponowała zbudowanym specjalnie dla niej systemem predykcyjnym AI pozwalającym na spersonalizowną rekomendację oferty, która miała być zawarta w wysyłanym mailingu. Firma miała bardzo szerokie portfolio produktów i wiele konkurujących ze sobą ofert. Stworzony system miała za zadanie dobierać relewantną dla danego konsumenta i jednocześnie maksymalizującą możliwy do osiągnięcia zysk, komunikację. Chodziło także o to, by nie bombardować konsumenta zbyt dużą liczbą komunikatów. Główną obawą była rezygnacja z otrzymywania mailingów przez „zaspamowanych” klientów. Szczycono się tym, że wskaźnik „unsubscribe” utrzymuje się na bardzo niskim poziomie. W warunkach silnej presji wyników sprzedażowych, zaczęto jednak postrzegać limitowanie liczby komunikatów jako przeszkodę w realizacji celów. Managerowie przypuszczali, że zwiększenie liczby wysyłanych wiadomości przyniesie większą sprzedaż. Obawiano się jedynie zwiększonego odsetka rezygnacji z subskrypcji.
Przeprowadzony został quasi-eksperyment, polegający na zwiększeniu liczby komunikatów przy jednoczesnej obserwacji wskaźników sprzedażowych oraz odsetka rezygnacji. Sprzedaż wzrosła a podwyższenia wskaźnika odejść nie zaobserwowano. Zachęciło to dalszego zwiększania liczby komunikatów aż do całkowitej rezygnacji z utrzymywania wspomnianego narzędzia AI. Firma zrobiła więc krok wstecz. Model został odrzucony na rzecz „eksperckiego” kwalifikowania konsumentów do komunikacji. Pozostający na stabilnym poziomie odsetek rezygnacji utrzymywał decydentów w przekonaniu, że liczba wysyłek, oczywiście jeśli pozostanie w jak to ujęto „granicach zdrowego rozsądku”, nie zniechęca klientów do subskrybowania. Głosy zespołu data science, który próbował przekonać do szerszego spojrzenia na problem, zostały zignorowane. Popełniono szkolny błąd.
Managerowie zignorowali uwidaczniający się spadkowy trend wskaźnika otwarć (open rate). Zaawansowany model został odrzucony i uznany za zbędny koszt. Nie wzięto pod uwagę, że konsumenci mogą być do tego stopnia przesyceni, że zaczynają ignorować wiadomości od tego nadawcy. Przestają je otwierać, a co za tym idzie, nie dbają także by kliknąć w link „wypisz mnie”. Możliwość utrzymania długotrwałej relacji i możliwości generowania zysków z komunikacji w przyszłości, poświęcono na rzecz krótkotrwałego efektu sprzedażowego.
Błędy w komunikacji pomiędzy zespołem marketingowym a zespołem AI
Wspólnym mianownikiem obu przytoczonych wcześniej sytuacji jest w istocie brak odpowiedniej komunikacji między zespołem marketingu a zespołem AI. W pierwszym przypadku można było przekazać do zespołu AI więcej informacji dotyczących celu biznesowego i kontekstu (w tym także ograniczeń budżetowych) projektu. Dałoby to szansę na bardziej adekwatną definicję problemu i pełniejsze wykorzystanie możliwości, jakie daje zaawansowane modelowanie. W konsekwencji przełożyłoby się to na lepsze wykorzystanie budżetu i wyższe ROI. W drugim przypadku należało przyłożyć większą wagę do zgłaszanych przez zespół AI wątpliwości co do definicji problemu i przyjętego miernika. Pozwoliłoby to na uniknięcie, kosztownej w dłuższym okresie, błędnej decyzji o powrocie do starych metod i odrzuceniu potencjału AI.
Sukces projektu i pełne wykorzystanie możliwość AI wymaga dobrej komunikacji i współdziałania ekspertów od marketingu z ekspertami AI. W osiągnięciu takiego stanu może pomóc unikanie następujących błędów:
- zbyt ogólnie zdefiniowany cel biznesowy („chcemy ograniczyć liczbę odchodzących klientów” to o kilka poziomów szczegółowości za mało),
- nieostre definicje fundamentalnych pojęć (niekiedy wyzwaniem jest zdefiniowanie co to znaczy, że klient odszedł),
- brak określenia kontekstu i rzeczywistego celu biznesowego w briefie przekazywanym do zespołu AI,
- ukrywanie przez zespół marketingowy przed zespołem AI braków w zrozumieniu specyfiki i możliwości rozwiązań AI,
- związane z powyższym nadmierne oczekiwania wobec rezultatów projektu albo uznanie z góry, że AI nie może pomóc w rozwiązaniu danego problemu marketingowego,
- ukrywanie przez zespół AI przed zespołem marketingowym braków w rozumieniu zagadnień z dziedziny marketingu i kontekstu projektu,
- związane z powyższym ograniczenie się zespołu AI do literalnej interpretacji dostarczonego briefu,
- posługiwanie się „nowomową” branżową,
- nadmierne skupienie się na technikalniach kosztem utraty przez zespół AI perspektywy biznesowej i realnego celu projektu.
Podsumowanie
Przytoczone w artykule przykłady to tylko wierzchołek góry lodowej. Niektórzy mogą postrzegać obie sytuacje jako proste, wręcz szkolne błędy. To dobrze. To znaczy, że są już na wyższym poziomie rozumienia specyfiki pracy z projektami AI. Tam także jednak czyhają pułapki. Dla innych nawet te dwa przytoczone przykłady mogą otwierać oczy, skłonić do refleksji i poszukać podobnych problemów we własnych projektach. To też dobrze. To znaczy, że stawiają kolejny ważny krok na drodze do pełniejszego wykorzystania potencjału jaki drzemie w marketingowych zastosowaniach AI. W każdej sytuacji należy pamiętać, że do zastosowania AI z sukcesem potrzebna jest dobra komunikacja i współpraca zespołu data science/AI z zespołem marketingowym.
