Ключевые слова:нейросети, маркетинговые исследования, прогнозирование потребительского поведения.
В условиях сложившейся современной концепции маркетинга взаимоотношений все больше и больше компаний уделяют внимание анализу потребностей целевой аудитории. Ввиду высокой степени конкуренции на большинстве рынков передовые компании стремятся не только сделать свой продукт качественным, но и максимально адаптированным под нужды и интересы конкретного потребителя. При этом важно подчеркнуть, что полная индивидуализация предложения в настоящий момент является затруднительной и затратной для производства. Качество и точность полученной о потребителях информации существенно влияет на деятельность компании. В настоящее время наблюдается проблема так называемого размытия ядра целевой аудитории, т. е. несоответствия реальных и предполагаемых потребителей. Маркетологи располагают огромным количеством данных, но не всегда могут определить, кто из потенциальных и текущих потребителей с наибольшей вероятностью совершит покупку.
В данном контексте актуальным становится применение искусственного интеллекта на базе нейросети. В моделировании потребительского поведения использование нейронных сетей по сравнению с другими методами получило меньшее распространение ввиду трудоемкости построения ее архитектуры. При этом нейронная сеть обладает рядом преимуществ по сравнению с традиционными регрессионными моделями. Например, возможность автоматического обучения, универсальность работы с разными шкалами измерения зависимой и независимой переменных, возможность аппроксимации любой непрерывной функции зависимости.
Нейросеть была разработана Уорреном Мак-Каллоком и Уолтером Питтсом. Она представляет собой математические модели и их программное или аппаратное воплощение, построенные по принципу организации и функционирования биологических нейронных сетей ‒ сетей нервных клеток живого организма (рис. 1).
Рис. 1 Модель нейросети Уоррена Мак-Каллока и Уолтера Питтса [2]
Где:
- X ‒ входной вектор параметров. W ‒ вектор весов (в общем случае ‒ матрица весов).
- Сумматор ‒ функциональный блок нейрона, который складывает все входные параметры, умноженные на соответствующие им веса.
- Функция зависимости значения выхода нейрона от значения, пришедшего от сумматора.
- Следующие нейроны (этот слой может отсутствовать, если этот нейрон последний, терминальный).
Затем из этих единиц собирают классические искусственные нейронные сети, с большим числом скрытых ассоциативных слоев, благодаря которым искусственная нейронная сеть способна строить гипотезы, основанные на нахождении сложных зависимостей. Классическую формулу нейросети представлена ниже:
Под обучением нейронной сети понимается нахождение коэффициентов матрицы весов, при которых нейрон, отвечающий за класс, будет выдавать желаемое значение результирующего показателя.
Это преимущество позволяет на основе bigdata произвести профилирование потребителей, чтобы понять, кто из них является наиболее платежеспособным и потенциально готовым совершить покупку, а также понять, какие характеристики являются наиболее значимыми при принятии решения и покупке.
При прогнозировании и профилировании потребительского поведения в качестве входных данных целесообразно рассмотреть совокупность потребительских, производственных и внешних факторов.
На этапе, предшествующем совершению покупки, на принятие решения потребителем влияют две группы факторов. Во-первых, факторы самого потребителя, т. е. его потребность, демографические, социальные, поведенческие и психографические характеристики. Во-вторых, внешние факторы: свойства продукта, его цена, время и место продажи, информация о продукте, послепродажное обслуживание, различные стимулирующие мероприятия, сила бренда, имидж продавца и т.д [4].
Для включения в модель целесообразно преобразование данных параметров в численную шкалу измерения, также важно отбирать именно независимые друг от друга характеристики.
Именно эти данные будут являться входными. Результирующим показателем является целевое в рамках тактических действий состояние.
Так, например в банковской сфере для построения прогностических моделей входными данными для нейросети являются возраст клиента, наличие кредитной карты или дебетовой карты, пользование услугами страхования, наличие вклада, пользование мобильным банком и т. д. Зависимая переменная — получение клиентом новой платежной карты или заключение иной сделки.
Анализируя текущих потребителей, нейросеть определяет значимость тех или иных входных показателей и в зависимости от их сочетания строит точечный прогноз касательно совершения покупки конкретным потребителем. При этом становится возможным разделить текущих потребителей на несколько сегментов и понять, сотрудничество с каким из них является наиболее выгодным для фирмы и какие факторы наиболее сильно влияют на их покупательскую способность.
Таким образом, интеграция искусственного интеллекта в процесс маркетинга позволяет предприятиям достигать следующих целей:
Во-первых, это выявление наиболее значимых для потребителей факторов. Во-вторых, привлечение целевых сегментов благодаря концентрированному или дифференцированному предложению. Наконец, данных анализ позволяет повысить конверсию от взаимодействия с потребителями и оптимизировать затраты фирмы на ведение бизнес-процессов в целом.
Несмотря на это внедрение нейросетей в исследовательский процесс несколько ограничено. Ввиду трудоемкости первичного обучения, высокой стоимости построения оптимальной архитектуры сети, необходимости сбора большого числа данных для построения обучающей и тестовой выборки и малоизученности данной темы большинство предприятий придерживаются традиционным методам исследования, т. е. применению стандартных количественных и качественных маркетинговых исследований и использованию математических методов анализа их результатов, которые не всегда эффективны в условиях изменяющейся ситуации.
Данная тема не потеряет своей значимости ввиду того, что для повышения конкурентоспособности и эффективности своей деятельности предприятия должны четко понимать, кто их потребитель и какие внутренние и внешние параметры являются для него наиболее важными.
Ввиду высокой степени динамизма, компаниям становится все сложнее и сложнее отслеживать поведение потребителей, в связи с чем затраты на проведение маркетинговых исследований растут. Внедрение нейросетей в исследовательскую деятельность позволит не только сэкономить затраты на изучение потребителей, но и высвободить время специалистов, а также получить максимально достоверную прогностическую модель, которая позволит максимально эффективно взаимодействовать с клиентами и сохранять конкурентоспособность компании.
Литература:
1. Калиновская И. Н., Дунец Н. В., Масейко М. С. Использование искусственного интеллекта в маркетинговых исследованиях поведения потребителей // Молодой ученый. — 2018. — № 33. — С. 42–45. — URL https://moluch.ru/archive/219/52395/ (дата обращения: 11.04.2019).
2. “Краткий курс машинного обучения или как создать нейронную сеть для решения скоринг-задачи”. Сайт. URL: https://habr.com/ru/post/340792/
3. “Нейросети для транзакций: как на деле работают «большие данные» в российских банках” cайт. URL: https://www.forbes.ru.
4. Моделирование покупательского поведения и анализ процесса принятия покупательского решения // Вестник Ростовского государственного экономического университета (РИНХ) / Прокопец Т. Н., Комарова С. Н.
5. Сорокин А. С. Использование нейросетевых моделей в поведенческом скоринге // Прикладная информатика. — 2015 — № 2(56). — С. 92–109.
6. Суслова Е. В. Интеллектуальные системы поддержки принятия решений // Молодой ученый. — 2017. — № 3. — С. 171–174. — URL https://moluch.ru.
