Как GenAI может и не может помочь в управлении аналитикой клиентов

Чтобы понимать своих клиентов и рынки, растущее число клиентоориентированных компаний используют инструменты генеративного ИИ, наряду с языковыми и логическими возможностями популярных больших языковых моделей (LLM), для доступа и анализа собственного внутреннего контента. Эти гибридные подходы к знаниям, которые обычно используют метод, называемый генерация с дополнением поиска (RAG), позволяют интегрировать собственную аналитику компании о клиентах с общей базой знаний, на которой была обучена LLM. Компании, применяющие этот подход к тому, что ранее называлось «управлением знаниями», получают несколько преимуществ, например, возможность для сотрудников получать доступ к контенту и обобщать его на естественном языке. Эта возможность особенно важна в крупных организациях, где сотрудники, ищущие аналитику, часто не знают, откуда она взялась или как ее можно найти.

Организации собирают и анализируют информацию о том, чего хотят клиенты, как они хотят, чтобы им продавали, и какие продукты и услуги их интересуют. Аналитика клиентов обычно поступает из отделов маркетинговых исследований или внешних агентств маркетинговых исследований, но ее также можно найти в продажах, письмах и электронных письмах клиентов, поведении на веб-сайтах, взаимодействии в социальных сетях, обращениях в службу поддержки, моделях покупок, фокус-группах и других каналах. Это может составить много структурированной и неструктурированной информации, поэтому инструменты, помогающие обобщать, классифицировать, хранить и получать к ней доступ, безусловно, имеют смысл.

Однако компании, которые сосредотачиваются исключительно на хранении и доступе к знаниям, совершают ту же ошибку, что и многие организации в предыдущем поколении управления знаниями: такой фокус слишком узок. Вместо этого компании также должны учитывать потоки знаний потоки — как создается, анализируется, хранится и используется аналитика клиентов и рынка. Новые технологии, использующие генеративный ИИ хотя бы в некоторой степени, могут помочь на всех этих этапах.

Хотя более ранние инструменты управления знаниями (такие как Lotus Notes и Microsoft SharePoint) обеспечивали широкий доступ к аналитике клиентов и рынка, многие организации не испытали революции в доступе и использовании аналитики. Технология обеспечила больший доступ, но культурные проблемы — сложность организации и поиска знаний, безразличие к контенту, организационные разрозненность и дублирование, отсутствие сотрудничества с внешними агентствами — часто преобладали. Сегодня организации по-прежнему сталкиваются с теми же культурными препятствиями при решении задач управления знаниями.

Чтобы узнать, как генеративный ИИ может и не может помочь лидерам преодолеть препятствия в управлении знаниями, мы поговорили со специалистами или руководителями по аналитике клиентов и рынка в восьми различных потребительских компаниях. Некоторые из этих руководителей отвечали за создание и контроль системы генеративного ИИ; другие имели более широкие обязанности в области маркетинговых исследований или технологий, ориентированных на аналитику. Мы также поговорили с несколькими поставщиками технологий на основе GenAI для аналитики клиентов и рынка и одним агентством маркетинговых исследований, которое широко использует технологию качественных исследований на основе GenAI.

Как помогают инструменты генеративного ИИ

Компании могут комбинировать инструменты GenAI с контентом аналитики клиентов и рынка самостоятельно (хотя это может быть сложно), использовать внешних поставщиков программного обеспечения для упрощения работы или использовать комбинацию обоих подходов. Например, Procter & Gamble использует программное обеспечение поставщика для хранения и доступа к знаниям, но создала собственную систему для анализа и категоризации контента на основе GenAI. Как отметил Кирти Сингх, главный директор по аналитике, аналитике и медиа P&G, таким образом они получают «четкие, точные ответы от GenAI», а не просто ссылки на документы.

Среди поставщиков инструментов фокус различается. Некоторые в основном сосредоточены на хранении и доступе к аналитике, но ценность инструментов выходит за рамки простого предоставления автоматизированных виртуальных картотек. Их функции включают автоматическую курацию документов, интеграцию различных типов контента, анализ по запросу в ответ на запросы и синтезированные ответы на подсказки. Однако этот тип инструментов предполагает, что анализ данных уже выполнен и аналитика ждет, чтобы ее нашли. Анализ количественных данных выполняется аналитическим программным обеспечением, а возможность анализа качественных данных ограничена.

Другие поставщики сосредотачиваются на анализе качественных данных и документов клиентов для получения аналитики. Еще одни поставщики делают упор на быструю проверку реакции потребителей на рекламу. Сегодня между этими категориями существует пересечение, и большинство поставщиков пытаются охватить широкий процесс выявления или создания аналитики клиентов, ее курации и категоризации, а также предоставления для последующего доступа. Мы ожидаем, что в какой-то момент появятся широкие платформы аналитики клиентов, использующие генеративный ИИ и другие возможности для охвата всего процесса.

Если основная функция поставщика — хранение и доступ к аналитике, подход обычно включает добавление пользовательского и собственного контента клиента поверх больших языковых моделей. Хранимый контент может включать структурированные данные (например, результаты количественных маркетинговых исследований, электронные таблицы или рейтинги удовлетворенности клиентов) и неструктурированные данные (например, стенограммы интервью, комментарии в социальных сетях или результаты фокус-групп) как из внутренних, так и из внешних источников.

В большинстве случаев организации, идущие по этому пути, централизуют как можно больше контента о клиентах и рынке в одной системе. Требуется курация для уменьшения дублирования контента, удаления устаревших/нерелевантных документов и поддержания качества в целом. Как сказал нам один руководитель по аналитике клиентов: «ИИ настолько полезен, насколько полезны данные, на которых он учится». Чтобы осмыслить аналитику, инструменты GenAI обычно должны заниматься категоризацией, обобщением и маркировкой контента. Маркировка контента повышает вероятность его последующего поиска. Некоторые компании используют ручную маркировку, в то время как некоторые системы используют маркировку на основе GenAI с использованием предопределенной таксономии.

Novartis является примером компании, которая успешно модернизировала хранение и доступ к аналитике с помощью инструментов GenAI. Работая с внешним поставщиком, компания разработала систему аналитики клиентов и рынка под названием Sherlock для своего потребительского бизнеса. После того как пользователи задают вопросы, система дает ответы, указывая на конкретную строку текста или временную метку в видео. Sherlock также включает микросайты, курируемые экспертами, известные как Knowledge Zones, по определенным темам, таким как упаковка. Пользователи, добавляющие контент в систему, должны соблюдать строгие правила управления в отношении форматов и качества документов. Исследовательские поставщики Novartis могут загружать результаты проектов непосредственно в Sherlock.

Система помогает Novartis избегать расходов на дублирующие услуги аналитики в своем бизнесе и помогает сотрудникам быстро находить релевантную аналитику без чрезмерного обобщения. (Например, она может отмечать результаты, основанные только на данных пациентов из Европы, используя функцию WatchOut.) Результаты налицо: Novartis сэкономила более 29 миллионов долларов на затратах на первичные маркетинговые исследования всего за один год. Такое использование GenAI для улучшения хранения и доступа к аналитике может способствовать демократизации информации, помогая сотрудникам находить как знания, так и знающих людей.

Анализ качественных данных: особая проблема

Долгое время возможность анализа качественных данных — запутанного дела — не была включена в готовые аналитические инструменты. Специализированное программное обеспечение для этой цели в основном использовалось в академических качественных исследованиях; исторически большинство маркетологов проводили полуручной анализ с использованием электронных таблиц. Инструменты GenAI предлагают альтернативу этой чрезвычайно трудоемкой работе по качественному анализу.

Недавний академическая статья [0] утверждал, что GenAI не подходит для качественного анализа, но наш анализ показывает, что это верно только для универсальных ИИ-чат-ботов. Более специализированные инструменты обладают другими возможностями, которые делают их пригодными для эффективного анализа качественных данных.

[1] Трейси Тутен, которая руководит качественными исследованиями в маркетинговом агентстве Illuminas (ныне часть Radius Insights), стала одним из первых пользователей генеративного ИИ-программного обеспечения от поставщика для извлечения инсайтов о клиентах. Тутен, преподававшая маркетинговые исследования в нескольких университетах, называет этот подход «конверсационным качественным анализом данных».

[2] С помощью программного обеспечения на основе GenAI Тутен использует запросы на естественном языке для анализа качественных данных из интервью и фокус-групп. Система позволяет ей загружать аудио- и видеофайлы для автоматической транскрипции, создавать сводки, выявлять темы и сравнивать их по сегментам аудитории. Крупномасштабный качественный проект, такой как глобальное исследование с более чем 30 интервью, раньше мог занять шесть недель для анализа, но теперь может быть синтезирован за один день, сказала Тутен. Инструмент также позволяет ей выявлять вторичные инсайты, которые она могла пропустить в неструктурированных данных. Тутен часто использует программное обеспечение совместно с клиентами на воркшопах, что обеспечивает более быстрое и совместное обнаружение инсайтов.

[3] Учитывая, что многие качественные исследователи ранее полагались на электронные таблицы и ручное копирование и вставку для анализа данных, этот подход на основе ИИ представляет собой значительный прогресс в эффективности и строгости. Однако некритическое использование генеративного ИИ или других форм ИИ может иметь существенные недостатки. Конверсационный качественный анализ данных не заменяет исследователей; он лишь усиливает их производительность.

[4] PepsiCo широко использует программное обеспечение для создания знаний о клиентах и рынке, включая как структурированные, так и неструктурированные данные. Компания особенно сосредоточена на определении того, как клиенты реагируют на конкретные рекламные кампании и сообщения бренда. Но это не единственное применение, которое использовала компания. В интервью с нами и в [5] Революция потребительских инсайтов[6], книге, описывающей трансформацию потребительских инсайтов в PepsiCo, Стефан Ганс, старший вице-президент и главный директор по потребительским инсайтам и аналитике, описал «платформу» компании для маркетинговых исследований, названную Ask Ada. Она включает:

• [7] Возможность тестировать новый креативный контент на реальных или [8] синтетических клиентах.
• [9] Хранилище данных о результатах рекламных, инфлюенсерских и других типов кампаний.
• [10] Возможности социального прослушивания.
• [11] Прогнозное моделирование.
• [12] Управление знаниями об уроках потребительских инсайтов, настоящих и прошлых, включая мета-обучение.
• [13] Конверсационный интерфейс ко всему контенту Ask Ada.

[14] Ганс также отметил, что Ask Ada снизила зависимость PepsiCo от внешних агентств и консультантов.

[15] Почему ИИ недостаточно: четыре сложных фактора

[16] Несмотря на эти новые возможности, инструмент GenAI не может заменить маркетингового лидера в стратегической работе. Как отметил Ганс: «Повышение планки эффективности маркетинга и инноваций для стимулирования коммерческого совершенства будет становиться все более автоматизированным. Лидерство в понимании потребительского спроса гораздо более стратегично и все еще требует участия людей».

[17] Как мы обнаружили в нашем исследовании, несколько важных проблем препятствуют способности технологии ИИ трансформировать потребительские и рыночные инсайты. Эти проблемы предшествуют управлению знаниями и генеративному ИИ и вызовут проблемы, если их не решить. Давайте рассмотрим четыре из этих факторов, а также примеры организаций, которые столкнулись с ними и преодолели их.

[18] 1. Географические и бизнес-подразделения не имеют общих подходов.

[19] Одна глобальная компания по производству потребительских товаров, в которой мы проводили интервью, приобрела у поставщика инструмент для работы с потребительскими и рыночными знаниями на основе GenAI, но до сих пор добилась небольшого прогресса в улучшении доступа к глобальным знаниям. Проблема заключалась в том, что компания ведет бизнес в более чем 100 странах, и страновые подразделения обладают высокой степенью автономии. Нет общефирменного консенсуса по названиям брендов, категорий и подходов к дистрибуции. «У нас есть карманы знаний, но они очень несогласованны», — сказал нам руководитель управления знаниями для инсайтов. «Разные люди инвестируют в разные вещи. У нас противоречивые цифры и результаты — все они контекстуализированы по-разному». Ни один старший руководитель не пытался создать большую общность форматов информации и знаний между подразделениями; это было бы воспринято как противоречащее корпоративной культуре. В результате инструмент генеративного ИИ используется только несколькими географическими подразделениями, и маркетологи и разработчики продуктов компании не могут учиться друг у друга. Компания пытается разработать стратегию для создания более централизованного, глобального подхода.

[20] В PepsiCo история иная. Когда Ганс впервые был назначен главным директором по потребительским инсайтам и аналитике в 2017 году, компания имела разнообразный набор подходов к потребительским и рыночным инсайтам. Но Ганс хотел создать «единую нацию» маркетинговых исследований, чтобы маркетологи компании могли учиться друг у друга и делиться релевантными инсайтами. При сильной поддержке CMO Ганс создал Глобальный совет по инсайтам, в который вошли 15 лидеров по инсайтам, представляющих все регионы и центральные/глобальные возможности. Сегодня потребительские инсайты тесно интегрированы в инновационную работу PepsiCo.

[21] 2. Потребительские и рыночные инсайты не являются частью стратегии и культуры.

[22] Даже лучшие технологии не добьются успеха, если лица, принимающие решения в организации, не будут страстными потребителями такого типа знаний. Без таких страстных потребителей информации маркетинговые исследования компании провалятся, показало наше исследование. Поэтому от лидеров часто потребуется работа по управлению культурой и изменениями.

[24] Страсть к данным высока в P&G, которая известна своим долгосрочным фокусом на ориентацию на клиента и рынок. Действительно, P&G недавно отметила свой [25] 100-летний юбилей маркетинговых исследований[26]; в 1924 году тогдашний генеральный директор попросил исследователя выяснить, почему клиенты покупают мыло Ivory. Сингх из P&G сказал нам: «В основе всего, что мы делаем, лежит потребитель. … Наша стратегия — обеспечить превосходный опыт продукта для наших потребителей. Мы используем экспериментальную науку, науку о человеке и поведении, науку о данных и знания технологических платформ, чтобы понимать наших потребителей».

[27] 3. Отношения с агентствами вносят сложность в право собственности на данные.

[28] Многие компании используют внешние рекламные и маркетинговые агентства для потребительских исследований. Отношения клиент/агентство могут привести к неопределенности и дисфункции, связанным со стратегиями анализа, интерпретациями анализов и текущим правом собственности на данные и результаты. Если агентства в конечном итоге владеют всеми или большинством потребительских и рыночных инсайтов, сотрудники компании не смогут удовлетворять потребности клиентов без внешней помощи. Ганс из PepsiCo решительно утверждал, что компания-клиент должна владеть всеми результатами исследований и инсайтами, созданными агентствами от имени клиента. Он добавил, что не стоит владеть данными, но затем передавать обучение на их основе на аутсорсинг, поскольку сотрудники должны применять уроки, извлеченные из маркетинговых исследований, в будущих кампаниях.

[29] Однако для компаний, ориентированных на потребителя, которые продолжают работать с агентствами, некоторое программное обеспечение поставщиков может облегчить сотрудничество между клиентами и агентствами. Обе стороны могут просматривать, редактировать и запрашивать потребительские исследования, а также создавать различные результаты.

[0] 4. Специалисты по аналитике могут восприниматься как «исполнители заказов» с низким статусом.

[1] Если это так в вашей организации, эту репутацию необходимо изменить. В одной из компаний по производству потребительских товаров, где мы проводили интервью, функция анализа и аналитики всегда напоминала библиотеку. Раньше внутренним клиентам, заинтересованным в аналитике, приходилось консультироваться с исследователем или «библиотекарем». С появлением GenAI-инструмента от поставщика эта функция стала демократизированной.

[2] Однако пользователи системы компании по-прежнему относятся к ней как к библиотеке; они не вносят значительного вклада в запас аналитики. Предоставление внутренним клиентам возможности самообслуживания не привело к существенному увеличению спроса на контент и анализ. Пользователи также не всегда предоставляют качественные запросы; они могут спросить: «Что мы знаем о подготовке к школе?», не осознавая, что у компании есть десятилетия маркетинговых исследований по этой теме. Как и в Novartis, эксперты создали в платформе микросайты с курируемым контентом для решения конкретных проблем доступа к информации в определенных областях. Тем не менее, бюджеты и штатная численность в функции анализа и аналитики в последние годы были сокращены. Аналогичные функции за пределами США не хотят платить за инструмент на базе GenAI, поэтому они используют другие подходы к знаниям о клиентах и рынке.

[3] Ранее в PepsiCo существовало нечто вроде менталитета «исполнения заказов» в отношении маркетинговых исследований, и исследователей редко просили сотрудничать с внутренними клиентами или помогать формулировать запросы на аналитику. Члены исследовательской группы мало уважали свои роли, и функцию несколько раз просили сократить бюджет. Когда Ганс занял руководящую должность в этой функции, он и директор по маркетингу пришли к выводу, что PepsiCo тратит сотни миллионов долларов в год на потребительскую аналитику, и что это не имеет смысла, если компания не станет более клиентоориентированной. Он внес ряд изменений, включая внедрение новой системы ИИ и программного обеспечения для аналитики, а также платформы Ask Ada, что в конечном итоге сделало организацию по анализу потребителей и аналитике уважаемой и хорошо финансируемой.

---

[4] В целом, любой инструмент ИИ не следует рассматривать как замену тому, что организация уже делает хорошо. Как сказал нам Сингх из P&G: «Мы объединили нашу традицию сосредоточенности на понимании клиента с новейшими решениями ИИ — не заменяя, например, посещения домов клиентов, а дополняя их ИИ».

[5] Наше исследование также показывает, что программное обеспечение с поддержкой ИИ для управления информацией о клиентах и рынке быстро развивается. Руководители часто заинтересованы в различных функциях и возможностях, соответствующих конкретной ситуации их компании. Но руководители должны знать, что современное программное обеспечение имеет ограничения. В плохо интегрированных глобальных организациях люди создали разные названия для клиентов, брендов и маркетинговых подходов в разных географических регионах; даже ИИ не может в таком случае собрать единый набор информации о клиентах и рынке. Компаниям нужны люди для интеграции и стандартизации этих данных, чтобы эффективно их анализировать и действовать на их основе.

[6] Наконец, если рабочая сила компании на самом деле не заинтересована в сборе и использовании информации о клиентах и рынке, никакое программное обеспечение вряд ли изменит эту ситуацию. Это проблемы, которые должны решать люди, а не ИИ.