Егоров П. Д. НИУ ВШЭ
Применение методов машинного обучения для решения задач бизнеса
Введение
В настоящее время фирмам приходится искать все больше путей для продвижения своей продукции и конкуренции на общемировом рынке, они становятся более производительными и внедряют в свои, в том числе и маркетинговые, процессы современные технологии. Это видно исходя из интереса компаний к области применения машинного обучения в маркетинговой среде, наглядно отражающейся в увеличении количества соревнований по анализу коммерческих данных предприятий, что подтверждает актуальность данной темы. Одна из самых популярных площадок в сфере анализа данных «Kaggle» постоянно увеличивает количество соревнований от компаний, а самое крупное, прошедшее два года назад имело призовой фонд 1,2 миллиона долларов.[55] Кроме этого, все заметнее интерес к данной теме и среди ученых, что отражено на приведенной ниже тенденции публикации работ по направлениям маркетинга и машинного обучения на платформе «Scopus».[51] Все это несомненно заставляет задуматься и сделать выводы о важности данной темы в современных бизнес-структурах.
В настоящее время фирмам приходится искать все больше путей для продвижения своей продукции и конкуренции на общемировом рынке, они становятся более производительными и внедряют в свои, в том числе и маркетинговые, процессы современные технологии. Это видно исходя из интереса компаний к области применения машинного обучения в маркетинговой среде, наглядно отражающейся в увеличении количества соревнований по анализу коммерческих данных предприятий, что подтверждает актуальность данной темы. Одна из самых популярных площадок в сфере анализа данных «Kaggle» постоянно увеличивает количество соревнований от компаний, а самое крупное, прошедшее два года назад имело призовой фонд 1,2 миллиона долларов.[55] Кроме этого, все заметнее интерес к данной теме и среди ученых, что отражено на приведенной ниже тенденции публикации работ по направлениям маркетинга и машинного обучения на платформе «Scopus».[51] Все это несомненно заставляет задуматься и сделать выводы о важности данной темы в современных бизнес-структурах.
Рисунок 1. График научных публикаций по темам маркетинга и машинного обучения
Источник: Составлено автором на основе данных платформы «Scopus» [52]
Проблемой является то, что не все компании знают о возможностях машинного обучения в маркетинговой среде. Как следствие, целью работы является систематизация опыта и кейсов разных компаний, а также научных статей по темам маркетинга и машинного обучения.
Работа состоит из следующих задач: изучение истории машинного обучения, классификация задач и методов машинного обучения, исследование этапов маркетинговой деятельности компаний в современном мире, систематизация возможностей применения машинного обучения в маркетинговой среде, а также агрегирование опыта коммерческих компаний по применению машинного обучения. Объектом исследования является маркетинговая деятельность компании, а предметом – возможности применения методов машинного обучения.
Работа состоит из двух глав, в первой рассматривается история машинного обучения, а также классифицируются его алгоритмы по задачам и рассказывается об основных. Во второй – выполняется переход к рассмотрению маркетинговой деятельности компании, ее задачам, а также на них накладываются методы машинного обучения, что подтверждается примерами бизнес-кейсов.
1. История и основные понятия машинного обучения
1.1. Машинное обучение как составляющая искусственного интеллекта
В современном бизнесе компьютерные модели уже играют огромную роль. Благодаря ним считают рентабельность, количество налогов, которое следует заплатить, объем заработной платы и многое другое. Однако развитие математических компьютерных моделей не стоит на месте, и на смежности программирования, статистики и больших массивов данных зародилась наука о машинном обучении, которая должна помочь не только в подсчетах по известным экономическим формулам, но и в прогнозировании будущего финансового положения.
Машинное обучение и его модели по своему замыслу должны помочь найти закономерности среди информации. Это может решить многие проблемы в том числе и бизнеса. На самом деле, многие концепции, используемые в таких моделях довольно тривиальны и были известны уже давно, однако, перед практическим их использованием стояла проблема трудности расчетов и нехватки данных, сейчас же все это становится менее существенным с каждым годом, ведь посредством общественной цифровизации и компьютеризации создаются все больше способов сбора данных, да и современные компьютеры в силах выполнять большое количество вычислений одновременно. Благодаря этому вопрос о применении математических предиктивных моделей в бизнесе стоит очень остро.
Для осознания всей стратегии применения машинного обучения следует немного углубиться в его историю. Это предоставит возможность лучше понять, что сейчас представляет из себя машинное обучение. В начале следует разграничить понятия «машинное обучение» и «искусственный интеллект», это разные термины, и машинное обучение представляет собой лишь часть науки об искусственном интеллекте, что будет более развёрнуто описано в дальнейшем.
Считается, что наука об искусственном интеллекте зародилась в 1950 году с выходом довольно известной статьи британского математика Алана Тьюринга «Computing Machinery and Intelligence», в которой он рассуждал о том, способны ли машины думать, позже этот вопрос свелся к созданию теста для проверки искусственного интеллекта.[31] Проходя его, машина должна доказать жюри, что она человек лучше и убедительнее, чем сам участвующий параллельно человек. Сейчас же данный тест широко не применяется, так как он достаточно узконаправленный и может отражать лишь успешность современных чат-ботов, в то время как наука идет в более широком направлении.
Позднее, в 1986 году, состоялось одно из первых использований искусственного интеллекта для решения бизнес задач, компания «DEC», производящая компьютерные системы, поделилась экономией около 10 млн долларов в год, благодаря введению системы искусственного интеллекта «R1».[25] Компания использовала ее для обработки и анализа клиентских заказов, она помогала найти недостающие продукты в корзине и вовремя об этом сообщить. Вслед за таким успехом многие организации решили создать отделы искусственного интеллекта, однако, для большинства эффект оказался неутешительным, в силу недостаточной освоенности технологий и малой производительности вычислительных систем.
В наше время понятие «искусственный интеллект» часть общественности ассоциирует с роботами и киборгами, однако, как видно в том числе и из истории, искусственный интеллект – это, скорее, попытка воссоздания человеческих способностей к анализу информации в целях облегчения решения бытовых задач. Часто искусственным интеллектом называют науку или технологию, включающую набор средств, позволяющих компьютеру на основе накопленных знаний давать ответы на вопросы и делать на базе этого экспертные выводы, а значит, получать знания, которые в него не закладывал разработчик.[10]
После 1980-х годов системы искусственного интеллекта не стояли на месте, и вскоре одним из основных направлений развития стало машинное обучение.[3] Само направление зародилось еще в 50-х годах, когда созданной ранее машине для игры в шашки Артур Самуэль добавил возможность обучаться на предыдущем опыте игры, что увеличило процент ее побед и стало инновационной идеей, однако, в то время данных было еще не так много, да и производительность систем оставляла желать лучшего.[53] Что касается дальнейшего развития машинного обучения, то за счет повсеместного внедрения сетей интернет данных становилось все больше, а производительность компьютеров росла. В нашем веке машинное обучение начали использовать компании-гиганты, самым очевидным примером являются браузеры, алгоритмы машинного обучения которых выполняют градацию ссылок во время поискового запроса.[38]
Исходя из данных исторических примеров, можно выявить, что машинное обучение – это систематическое обучение алгоритмов и структур, в результате которого их знания или качество работы возрастает по мере накопления опыта.[6] В то же время машинное обучение – часть искусственного интеллекта или некая попытка приблизиться к нему, которая предоставляет возможность использовать полученные знания для решения задач схожего типа.
Что касается настоящего времени, то сфера машинного обучения стремительно развивается и популяризируется, что подтверждает Gartner's Hype Cycle For AI, в 2019 году в него вошли 8 новых направлений, а направления «Распознавание речи» и «Ускорение процессов с использованием GPU», как видно на Рисунке 2, уже находятся на стадии продуктивной работы, что несомненно свидетельствует об успешности их в коммерческой деятельности.[43]
Источник: Составлено автором на основе данных платформы «Scopus» [52]
Проблемой является то, что не все компании знают о возможностях машинного обучения в маркетинговой среде. Как следствие, целью работы является систематизация опыта и кейсов разных компаний, а также научных статей по темам маркетинга и машинного обучения.
Работа состоит из следующих задач: изучение истории машинного обучения, классификация задач и методов машинного обучения, исследование этапов маркетинговой деятельности компаний в современном мире, систематизация возможностей применения машинного обучения в маркетинговой среде, а также агрегирование опыта коммерческих компаний по применению машинного обучения. Объектом исследования является маркетинговая деятельность компании, а предметом – возможности применения методов машинного обучения.
Работа состоит из двух глав, в первой рассматривается история машинного обучения, а также классифицируются его алгоритмы по задачам и рассказывается об основных. Во второй – выполняется переход к рассмотрению маркетинговой деятельности компании, ее задачам, а также на них накладываются методы машинного обучения, что подтверждается примерами бизнес-кейсов.
1. История и основные понятия машинного обучения
1.1. Машинное обучение как составляющая искусственного интеллекта
В современном бизнесе компьютерные модели уже играют огромную роль. Благодаря ним считают рентабельность, количество налогов, которое следует заплатить, объем заработной платы и многое другое. Однако развитие математических компьютерных моделей не стоит на месте, и на смежности программирования, статистики и больших массивов данных зародилась наука о машинном обучении, которая должна помочь не только в подсчетах по известным экономическим формулам, но и в прогнозировании будущего финансового положения.
Машинное обучение и его модели по своему замыслу должны помочь найти закономерности среди информации. Это может решить многие проблемы в том числе и бизнеса. На самом деле, многие концепции, используемые в таких моделях довольно тривиальны и были известны уже давно, однако, перед практическим их использованием стояла проблема трудности расчетов и нехватки данных, сейчас же все это становится менее существенным с каждым годом, ведь посредством общественной цифровизации и компьютеризации создаются все больше способов сбора данных, да и современные компьютеры в силах выполнять большое количество вычислений одновременно. Благодаря этому вопрос о применении математических предиктивных моделей в бизнесе стоит очень остро.
Для осознания всей стратегии применения машинного обучения следует немного углубиться в его историю. Это предоставит возможность лучше понять, что сейчас представляет из себя машинное обучение. В начале следует разграничить понятия «машинное обучение» и «искусственный интеллект», это разные термины, и машинное обучение представляет собой лишь часть науки об искусственном интеллекте, что будет более развёрнуто описано в дальнейшем.
Считается, что наука об искусственном интеллекте зародилась в 1950 году с выходом довольно известной статьи британского математика Алана Тьюринга «Computing Machinery and Intelligence», в которой он рассуждал о том, способны ли машины думать, позже этот вопрос свелся к созданию теста для проверки искусственного интеллекта.[31] Проходя его, машина должна доказать жюри, что она человек лучше и убедительнее, чем сам участвующий параллельно человек. Сейчас же данный тест широко не применяется, так как он достаточно узконаправленный и может отражать лишь успешность современных чат-ботов, в то время как наука идет в более широком направлении.
Позднее, в 1986 году, состоялось одно из первых использований искусственного интеллекта для решения бизнес задач, компания «DEC», производящая компьютерные системы, поделилась экономией около 10 млн долларов в год, благодаря введению системы искусственного интеллекта «R1».[25] Компания использовала ее для обработки и анализа клиентских заказов, она помогала найти недостающие продукты в корзине и вовремя об этом сообщить. Вслед за таким успехом многие организации решили создать отделы искусственного интеллекта, однако, для большинства эффект оказался неутешительным, в силу недостаточной освоенности технологий и малой производительности вычислительных систем.
В наше время понятие «искусственный интеллект» часть общественности ассоциирует с роботами и киборгами, однако, как видно в том числе и из истории, искусственный интеллект – это, скорее, попытка воссоздания человеческих способностей к анализу информации в целях облегчения решения бытовых задач. Часто искусственным интеллектом называют науку или технологию, включающую набор средств, позволяющих компьютеру на основе накопленных знаний давать ответы на вопросы и делать на базе этого экспертные выводы, а значит, получать знания, которые в него не закладывал разработчик.[10]
После 1980-х годов системы искусственного интеллекта не стояли на месте, и вскоре одним из основных направлений развития стало машинное обучение.[3] Само направление зародилось еще в 50-х годах, когда созданной ранее машине для игры в шашки Артур Самуэль добавил возможность обучаться на предыдущем опыте игры, что увеличило процент ее побед и стало инновационной идеей, однако, в то время данных было еще не так много, да и производительность систем оставляла желать лучшего.[53] Что касается дальнейшего развития машинного обучения, то за счет повсеместного внедрения сетей интернет данных становилось все больше, а производительность компьютеров росла. В нашем веке машинное обучение начали использовать компании-гиганты, самым очевидным примером являются браузеры, алгоритмы машинного обучения которых выполняют градацию ссылок во время поискового запроса.[38]
Исходя из данных исторических примеров, можно выявить, что машинное обучение – это систематическое обучение алгоритмов и структур, в результате которого их знания или качество работы возрастает по мере накопления опыта.[6] В то же время машинное обучение – часть искусственного интеллекта или некая попытка приблизиться к нему, которая предоставляет возможность использовать полученные знания для решения задач схожего типа.
Что касается настоящего времени, то сфера машинного обучения стремительно развивается и популяризируется, что подтверждает Gartner's Hype Cycle For AI, в 2019 году в него вошли 8 новых направлений, а направления «Распознавание речи» и «Ускорение процессов с использованием GPU», как видно на Рисунке 2, уже находятся на стадии продуктивной работы, что несомненно свидетельствует об успешности их в коммерческой деятельности.[43]
Рисунок 2. Gartner's Hype Cycle For AI 2019
Источник: Laurence Goasduff, Top Trends on the Gartner Hype Cycle for Artificial Intelligence, 2019 – 2019 [52]
Если же сравнивать такие показатели с 2017 годом, то тогда не было даже отдельного цикла для искусственного интеллекта, а сам он находился в разделе развивающихся технологий.[44]
Сейчас алгоритмы машинного обучения внедряют во многие аспекты жизни, от регулирования трафика, до медицины.[23] Наш же интерес падает на использование моделей в современном бизнесе и маркетинге.
1.2. Классификация задач методов машинного обучения
Как говорилось ранее, машинное обучение сейчас представляет собой несколько областей методов, решающих определённые задачи, стоящие перед нами в абсолютно разных сферах жизни. Таким образом, для лучшего понимания, как использовать машинное обучение в маркетинге и бизнесе в целом, стоит разграничить методы по задачам их применения.
Итак, решение того или иного вопроса построено на имеющихся у нас данных, это важная часть разбиения моделей по группам. По данному признаку алгоритмы делят на: обучение с учителем, обучение без учителя и обучение с подкреплением.[3] Такое разбиение соответствует набору и структуре располагаемых данных. Здесь важно уточнить некую терминологию, размеченными данными называют наборы данных, в которых хранится информация не только о признаках какого либо объекта, но и об ответе, который мы хотим научиться прогнозировать, например, у нас есть информация о характеристиках разных фруктов по разным параметрам (вес, размер, форма и так далее), но кроме этого мы также знаем, что это – яблоко, а это – груша.[40] Как не сложно догадаться, неразмеченные данные представляют собой лишь набор характеристик объектов без информации о целевой переменной.
Модели, обучающиеся с учителем строятся на размеченных данных, в них мы строим прогнозы на основе уже имеющихся ответов, основными представителями задач, входящих в данную группу, служат регрессия и классификация.[1] Это две очень популярные задачи, стоящие перед специалистами. Регрессия на выходе должна выдавать непрерывную числовую переменную, например, стоимость квартиры или размер кредита, который компания может предложить.[1] Классификация, в свою очередь, выдает информацию о принадлежности объекта к тому или иному классу, например, солнечная или пасмурная будет погода.[1] Также в последнее время важной задачей обучения с учителем становится ранжирование, это определение порядковых номеров объектов по тем или иным признакам. Такая задача часто стоит перед алгоритмами поисковой выдачи, когда модель должна определить положение сайтов в порядке убывания релевантности от верхней позиции к нижней.[27]
Что касается моделей без учителя, то логично, что их предположения основаны на неразмеченных данных. Такие модели не заточены на прогнозирование точного ответа, они скорее находят закономерности в информации и пытаются объединить объекты между собой.[1] Основными примерами задач, входящих в данную область, являются задачи кластеризации, то есть, объединение объектов на группы по схожести их признаков и задачи уменьшения размерности, применяющиеся, когда данных слишком много и мы хотим обучаться не по всем признакам, а лишь на пространстве объединений этих признаков в абстракции.[45] При применении последнего теряется часть характеристик, однако, получается выигрыш во времени построения модели. Также задачей обучения без учителя служит поиск ассоциативных правил, это еще не столь изученная и проработанная область, однако, не менее важная. Заключается она в анализе входящей информации и выдвижении некоторых предположений о действиях агента в будущем.[34] Например, при помощи данных методов можно понять, что купит клиент в магазине, если в его корзине уже лежит творог.
Что касается обучения с подкреплением, то данный класс задач реализован на основе концепции взаимодействия алгоритма с внешней средой. Для модели задаются некоторые входящие значения, а также возможности ее действия, она начинает пробовать совершать что либо, за каждое действие получая бонус (положительный или отрицательный), функция которого уже дана.[7] Таким образом, решая сделать что-либо, программа максимизирует бонус, получаемый от среды. Данная концепция используется во многих сферах, как в играх, так и в системах самоуправления в автомобилях.[49]
Данное разбиение задач охватывает разные проблемы, решаемые людьми постоянно, именно они составляют основной пласт машинного обучения на данный момент. Задачи имеют свои методы – математические и логический структуры, заточенные для решения тех или иных проблем. Ниже приведена схема текущего состояния мира машинного обучения (Рисунок 3), включающая некоторые методы, которые будут освещены в следующей главе.
Источник: Laurence Goasduff, Top Trends on the Gartner Hype Cycle for Artificial Intelligence, 2019 – 2019 [52]
Если же сравнивать такие показатели с 2017 годом, то тогда не было даже отдельного цикла для искусственного интеллекта, а сам он находился в разделе развивающихся технологий.[44]
Сейчас алгоритмы машинного обучения внедряют во многие аспекты жизни, от регулирования трафика, до медицины.[23] Наш же интерес падает на использование моделей в современном бизнесе и маркетинге.
1.2. Классификация задач методов машинного обучения
Как говорилось ранее, машинное обучение сейчас представляет собой несколько областей методов, решающих определённые задачи, стоящие перед нами в абсолютно разных сферах жизни. Таким образом, для лучшего понимания, как использовать машинное обучение в маркетинге и бизнесе в целом, стоит разграничить методы по задачам их применения.
Итак, решение того или иного вопроса построено на имеющихся у нас данных, это важная часть разбиения моделей по группам. По данному признаку алгоритмы делят на: обучение с учителем, обучение без учителя и обучение с подкреплением.[3] Такое разбиение соответствует набору и структуре располагаемых данных. Здесь важно уточнить некую терминологию, размеченными данными называют наборы данных, в которых хранится информация не только о признаках какого либо объекта, но и об ответе, который мы хотим научиться прогнозировать, например, у нас есть информация о характеристиках разных фруктов по разным параметрам (вес, размер, форма и так далее), но кроме этого мы также знаем, что это – яблоко, а это – груша.[40] Как не сложно догадаться, неразмеченные данные представляют собой лишь набор характеристик объектов без информации о целевой переменной.
Модели, обучающиеся с учителем строятся на размеченных данных, в них мы строим прогнозы на основе уже имеющихся ответов, основными представителями задач, входящих в данную группу, служат регрессия и классификация.[1] Это две очень популярные задачи, стоящие перед специалистами. Регрессия на выходе должна выдавать непрерывную числовую переменную, например, стоимость квартиры или размер кредита, который компания может предложить.[1] Классификация, в свою очередь, выдает информацию о принадлежности объекта к тому или иному классу, например, солнечная или пасмурная будет погода.[1] Также в последнее время важной задачей обучения с учителем становится ранжирование, это определение порядковых номеров объектов по тем или иным признакам. Такая задача часто стоит перед алгоритмами поисковой выдачи, когда модель должна определить положение сайтов в порядке убывания релевантности от верхней позиции к нижней.[27]
Что касается моделей без учителя, то логично, что их предположения основаны на неразмеченных данных. Такие модели не заточены на прогнозирование точного ответа, они скорее находят закономерности в информации и пытаются объединить объекты между собой.[1] Основными примерами задач, входящих в данную область, являются задачи кластеризации, то есть, объединение объектов на группы по схожести их признаков и задачи уменьшения размерности, применяющиеся, когда данных слишком много и мы хотим обучаться не по всем признакам, а лишь на пространстве объединений этих признаков в абстракции.[45] При применении последнего теряется часть характеристик, однако, получается выигрыш во времени построения модели. Также задачей обучения без учителя служит поиск ассоциативных правил, это еще не столь изученная и проработанная область, однако, не менее важная. Заключается она в анализе входящей информации и выдвижении некоторых предположений о действиях агента в будущем.[34] Например, при помощи данных методов можно понять, что купит клиент в магазине, если в его корзине уже лежит творог.
Что касается обучения с подкреплением, то данный класс задач реализован на основе концепции взаимодействия алгоритма с внешней средой. Для модели задаются некоторые входящие значения, а также возможности ее действия, она начинает пробовать совершать что либо, за каждое действие получая бонус (положительный или отрицательный), функция которого уже дана.[7] Таким образом, решая сделать что-либо, программа максимизирует бонус, получаемый от среды. Данная концепция используется во многих сферах, как в играх, так и в системах самоуправления в автомобилях.[49]
Данное разбиение задач охватывает разные проблемы, решаемые людьми постоянно, именно они составляют основной пласт машинного обучения на данный момент. Задачи имеют свои методы – математические и логический структуры, заточенные для решения тех или иных проблем. Ниже приведена схема текущего состояния мира машинного обучения (Рисунок 3), включающая некоторые методы, которые будут освещены в следующей главе.
Рисунок 3. Схема основных задач машинного обучения
Источник: Составлено автором
1.3. Методы машинного обучения, востребованные в бизнесе
После рассмотрения истории машинного обучения как производной искусственного интеллекта и основных задач данного направления, стоит немного углубиться в сами модели и выявить наиболее используемые из них.
Сейчас существует ряд алгоритмов, бьющихся за пальму первенства в абсолютно разных сферах. Здесь стоит немного разграничить их на несколько типов по методам построения. Базовые модели, которые строят определённый алгоритм и работают по нему называют классическим машинным обучением.[32] Кроме него можно выделить ансамблевые методы, при их реализации строится множество простых моделей на одних данных или некой выборке, после чего их объединяют и уже при помощи такого усредненного алгоритма происходит прогнозирование.[12] Третьим типом являются нейронные сети. Нейронные сети – это вид алгоритмов, построенных при помощи нескольких слоев нейронов, каждый из которых является математической моделью, получающей на вход некоторое число объектов и после преобразований, выдающее бинарный ответ на следующий слой или на выход пользователю.[28]
После такого разбиения требуется рассказать о самых успешных и популярных алгоритмах на данный момент. В данном контексте нельзя в первую очередь не затронуть поглубже нейронные сети. По данным на 2018 год, они участвуют в 90% проектах.[9] Нейронные сети – действительно важная и перспективная отрасль, однако, она не нова, разработки в этой сфере велись еще во второй половине прошлого века, но бурный рост в производительности начался только в последний десяток лет.[37] Во многом это опять же связано с развитием технологий и увеличением количества данных. Принцип, по которым учатся модели в общем довольно прост: алгоритму показывают данные и говорят ответ, например дают на вход картинки кошек и собак, обозначая их, после этого алгоритм корректирует коэффициенты на каждом из нейронов, чтобы в будущем на выявленных закономерностях уже самому распознавать питомца.[22] Нейронные сети различаются в зависимости от решаемых задач, также меняется их структура: количество слоев и нейронов в каждом из них. Важно помнить, что модель не придумывает что-то сама, она учится на уже приготовленных данных и применяет выявленные закономерности.
Другой конкурирующей моделью является бустинг и его разновидность «градиентный бустинг». Данный вид алгоритмов наряду с вышеизложенными нейронными сетями занимает первые места в соревнованиях по машинному обучению, проводимых на платформе «Kaggle» (один из самых популярных сайтов, где проходят соревнования по машинному обучению).[42] Градиентный бустинг – это один из ансамблевых методов машинного обучения, во время реализации которого строятся несколько моделей, и каждая учится на векторе производных от функции ошибки ответов предыдущих алгоритмов.[26] Это похоже на совместное написание контрольной, когда первый студент учит весь материал и отвечает. Далее смотрят на его результат, и следующий готовится только к тем темам, где предыдущий сильно ошибся, тем самым нивелируя его недочеты. Так происходит несколько раз и после этого выдается контрольная на совместное решение.
Представленные выше виды моделей занимают передовые позиции в современном машинном обучении. Данная отрасль сейчас – это не только помощник для онлайн компаний, такие технологии также активно осваиваются как на производствах, так и в точках офлайн продаж.[50]
Что касается других моделей, то они также встречаются при решении разных задач. Так, все зависит от приоритетов компаний и конкретных ситуаций, иногда простые классические модели, такие как решающие деревья, линейные алгоритмы или логистические регрессии могут не дать удовлетворительного результата, однако, их работа и обучение проходит заметно быстрее, чем у нейронных сетей и ансамблевых методов. Таким образом, сейчас существует множество алгоритмов, применяемых на практике, выбор того или иного зависит от наборов имеющихся данных, обстоятельств и приоритетов компании, однако, можно сказать точно, что все они, может, и не выполняют за человека все, но точно помогают взвесить социальные, экономические и другие факторы и принять верное решение.
1.4. Выводы по главе
В данной главе были изложены основные понятия машинного обучения, история и показано современное состояние мира с его методами и задачами. Исходя из вышеизложенного следует вывод о довольно стремительном развитии технологий отрасли и возможностей их применения, ведь многие методы зародились или стали более эффективными именно в последнее время в силу компьютерной модернизации.
Также следует отметить, что данная отрасль не только быстро развивается, но и имеет перспективу в будущем, а на сегодняшнем же этапе ключевыми алгоритмами являются ансамблевые методы и нейронные сети, помогающие решать множество как повседневных, так и уникальных задач в разных сферах общественной жизни.
2. Применение методов машинного обучения в маркетинговых практиках компаний
2.1. Задачи, стоящие перед маркетингом в современном мире
После рассмотрения основных алгоритмов машинного обучения следует затронуть проблемы современного маркетинга и возможности их решения при помощи данных моделей. Для начала надо разобраться, что из себя представляет маркетинг в наше время. По словам одного из известнейших маркетологов Филиппа Котлера, маркетинг – это вид человеческой деятельности, направленный на удовлетворение нужд и потребностей людей посредством обмена.[2] Таким образом, маркетинг представляет собой целую науку по обеспечению плодотворной работы компании на всех этапах ее существования. Один из ведущих теоретиков по проблемам управления, Питер Друкер говорит об этом так: «Цель маркетинга — сделать усилия по сбыту ненужными. Его цель — так хорошо познать и понять клиента, что товар или услуга будут точно подходить последнему и продавать себя сами».[5]
Основываясь на вышеизложенном, становится ясно, что маркетинговая деятельность невероятно обширна, а значит, стоит разграничить ее задачи в бизнес среде в тактическом и стратегическом управлении компаниями.
Часто выделяют четыре основные функции маркетинга: аналитическая, производственная, сбытовая и функция управления и контроля.[4] Все они равнозначно важны в современной бизнес-структуре. Так, аналитическая функция включает в себя сбор и агрегирование информации о рынке в целом, самом товаре, его покупателях и конкурентах, а также состояние окружающих факторов.[8] Производственная описывает весь процесс создания нового продукта от организации заводов и налаживания логистики, до управления качеством и конкурентоспособностью товара.[8] Что касается сбытовой, то это та самая функция, которая в головах обывателей часто ассоциируется со всей маркетинговой деятельностью. Она представляет собой создание среды для продажи произведенного продукта пользователям.[8] И последняя – функция управления и контроля, которая в основном отвечает за стратегические действия компании по повышению своих позиций на рынке и созданию внутренней структуры самой организации, а также помогает регулировать и планировать маркетинговую деятельность.[8]
Следует отметить, что это – ключевые задачи для каждой компании, маркетинг ответственен почти за все бизнес-процессы, а значит, от результатов работы специалистов зависит успех всего предприятия. Таким образом, маркетинг – одна из самых важных отраслей работы внутри фирмы, на которую зачастую выделяется значительное финансирование. Из этого следует, что автоматизация и компьютеризация действий в данной среде способны сильно уменьшить постоянные затраты и создать дополнительную прибыль для производства.
В такой связи имеет смысл затронуть весь процесс влияния маркетинга на становление и создание нового продукта. Здесь стоит сказать об определенном цикле маркетингового управления.[2] Он состоит из нескольких этапов, каждый из которых можно попытаться компьютеризировать, тем самым ускорив его выполнение и зачастую повысив качество.
Первой стадией выделяют анализ рыночных возможностей, это – один из важнейших аспектов создания продукта и предпринимательства в целом.[2] Для этого компания должна иметь представление о всех существующих ресурсах, а также уметь оценить всю собственную трудоспособность.
Далее идет отбор целевых рынков.[2] Как ни странно, это довольно важный и серьезный процесс. Грамотный подход состоит в том, чтобы оценить все возможные рынки по критериям первоначальных вложений, доходности, востребованности, досягаемости, возможностей входа и другим и соотнести с имеющимися средствами, проанализированными на предыдущей стадии. Весь путь к созданию нового продукта должен быть тщательно спланирован и экономически простроен, в этом машинное обучение и может помочь.
Третьим не менее важным этапом служит создание комплекса маркетинга. Он важен для описания полной концепции представления о будущем товаре. «Комплекс маркетинга — набор поддающихся контролю переменных факторов маркетинга, совокупность которых фирма использует в стремлении вызвать желаемую ответную реакцию со стороны целевого рынка».[2] В него входят те пункты, которые фирма собирается простроить в восприятии товара потребителем, это – внешняя оболочка товара, в ней прописаны как точки взаимодействия с потребителей, так и способы, средства и возможности.
Финальной частью всего управления маркетингом является претворение в жизнь всех идей и концепций, созданных ранее, что является воплощением планирующей и контролирующей функции.[2] Бывает, что при хорошей идее и концепции, но без должного уделения внимания реализации, продукт получается сырым, некачественным и безуспешным. Как и во многих сферах, в маркетинге на всех стадиях жизни товара важно с ответственностью подходить к работе.
2.2. Возможности применения методов машинного обучения для решения маркетинговых задач
После описания методов и задач машинного обучения, а также основных функций и задач маркетинга можно перейти к возможностям их взаимодействия. В этой части работы стоит разобрать некоторые теоретические концепции, пригодные для применения или применяемые в маркетинговой среде, а в следующем параграфе – рассмотреть конкретные кейсы, показывающие эффективность таких процессов.
Сначала следует сказать, что процесс, которым занимаются специалисты по машинному обучению не сводится лишь к подбору оптимального алгоритма и его построению. Зачастую это – лишь малая часть всей работы. Для составления алгоритмов требуются данные, которые необходимо получить, в этом контексте маркетинг – идеальная отрасль, ведь от нехватки данных о пользователе большинство компаний не страдают. Особенно сейчас, в век повсеместной компьютеризации, данные о предпочтениях, желаниях и даже возможностях можно агрегировать из тех, что хранятся на серверах. Однако если о привлечении машинного анализа данных задумывается небольшая фирма, которая только начинает собирать информацию о клиентах или не делает это вовсе, то такая идея – довольно безуспешна. Главным правилом в таком случае служит требование осознания и соотнесения количества имеющейся информации для выполнения поставленных задач.
Если же все подготовительные этапы проделаны, то стоит решить, в каких направлениях маркетинга стоит применять машинное обучение, и где возникнет наибольшее количество прибыли от этого. Как обозначалось ранее, маркетинг - многогранная наука. Она включает в себя принятие решений по абсолютно разным сферам бизнес-задач, а значит, для каждой из них требуется свой алгоритм с заявленными входными и выходными данными. Для этого стоит разделить повествование на четыре части по маркетинговым функциям и для каждой привести примеры решения ключевых задач при помощи построения моделей.
Аналитическая функция, как было сказано ранее, довольно важная и представляет собой сбор и анализ информации о рынке, потребителях, конкурентах, товаре и самой компании. Это первоочередная функция маркетинга, на ее основе начинают реализовываться остальные.
Если говорить о возможностях применения машинного обучения в данной среде, то одной из важных маркетинговых задач является сегментирования рынка. Оно необходимо для каждой фирмы и каждого ее товара. Сегментация делит покупателей на группы по схожести интересов, социальным, демографическим и другим признакам. После выполнения данного процесса фирма понимает, кому она хочет продавать свою продукцию. Что касается стороны машинного обучения, то для этой цели возможно использовать алгоритмы, направленные на решение задач кластеризации и классификации.[13] Данные направления заточены на прогнозирование принадлежности объектов к тому или иному классу с той разницей, что классификация учится на размеченных данных и, как следствие, предсказывает определенный класс объекта, а кластеризация – на неразмеченных и определяет принадлежность лишь к некоторой общности, также такие алгоритмы помогают определению структуры в данных. Модели смогут поделить аудиторию на группы по схожести потребностей и благодаря этому фирма получит возможность не только автоматизировано сегментировать аудиторию, но и идентифицировать каждого конкретного индивида, основываясь на данных о его предпочтениях.
Что касается изучения и анализа рынка, то применение методов машинного обучения возможно наглядно представить в сфере ценных бумаг. Основной задачей трейдеров и фондовых организаций является получение прибыли от вложений и машинное обучение способно помочь этому. Здесь речь идет о возможностях моделей благодаря задаваемым параметрам (текущей цены, сезонности, мировым изменениям) прогнозировать повышение или понижение стоимости ценных бумаг. Важно отметить, что это довольно сложный процесс – выявить грамотное вложение. Для него не подойдут простые линейные алгоритмы, так как цена зависит от большого количества параметров и не всегда пропорционально, однако, навстречу приходят нелинейные модели и разновидности нейронных сетей. [14] К данной задачи можно подходить, основываясь на двух подходах: регрессионное предсказание будущей цены акции и классификационное предположение роста или падения цены. Они оба имеют право на существование и, вероятно, для большей точности должны применяться параллельно.
После этого следует рассмотреть возможности машинного обучения в производственной среде маркетинга. В данной области затрагиваются задачи организации производства, его снабжения, а также регулирования качества продукции. Для данных требований методы машинного обучения также подходят. В настоящее время, при помощи них можно решать логистические вопросы по поставкам груза и сырья, нахождению территории для постройки нового завода и выбора нового поставщика.[41] Также некоторые виды алгоритмов способны помочь и в контроле за продукцией, а именно в обнаружении дефектов. Так, можно использовать популярный бинарный классификатор – логистическую регрессию в таких целях, задавая на вход ключевые параметры товара и получая сигнал о его пригодности.[15]
Следующей функцией маркетинга, в которой не менее важно выявить возможности для применения методов машинного обучения послужит сбытовая. Отрасль сбыта и продаж – наверное, обладает самыми обширными возможностями по использованию искусственного интеллекта. Вследствие этого требуется несколько структурировать повествование, поделив на подфункции и осветив некоторые из них.
Одной из важнейших задач является стимулирование сбыта. Осуществлять данную деятельность возможно при помощи разных методов, в том числе, используя машинное обучение. Довольно популярным является отслеживание интересов покупателей в офлайн точках продаж. Это можно делать разными способами и потом предлагать потребителю скидку на товары, входящие в его круг интересов. Довольно популярным средством для распознавания клиента и его потребностей являются чеки, привязанные к карте лояльности.[33] При помощи агрегации таких данных ритейлер может узнать о человеке многое, начиная от примерного возраста и заканчивая финансовым положением, не говоря уже о товарных предпочтениях. За счет всего этого компания может построить профиль клиента и предлагать скидки на необходимые товары для каждой аудитории.
Кроме специальных предложений, основанных на офлайн интересах, важным аспектом является онлайн взаимодействие с клиентом. Здесь возможности машинного обучения практически бесконечны. Данные о пользователях можно собирать везде: из социальных сетей, личных кабинетов, действий, которые они совершают на вашем сайте. Все это составляет его портрет, благодаря собранным данным и построенной модели можно определить вероятность перехода или покупки, что служит важнейшем фактором в оценке эффективности продвижения. На похожих принципах основаны и рекомендательные системы, которые предлагают пользователям возможность приобрести товар, схожий с их кругом потребностей.[18] Это важная технология машинного обучения – находить закономерности в действиях клиента и предугадывать его выбор.
Обозначив некоторые возможности машинного обучения по отношению к стимулированию сбыта, следует перейти к следующей подфункции, а именно, к ценообразованию. И данная стоящая перед нами задача более нетривиальна. Существует множество экономических структур от конкуренции до монополии, для каждой из которых существуют разные варианты действий. Кроме этого, у фирм могут быть разные стратегические цели и существующие ограничения. Говоря о ценообразовании, затрагивают не только выявление оптимизирующей прибыль цены на данный момент. Не менее важными аспектами являются воздействия скидок и акций, влияние ценовой дискриминации, особенно 2 и 3 рода по классификации Пигу, регрессионное прогнозирование всей кривой спроса и другие факторы. Также надо учитывать, что для фирмы выгоднее, например, увеличивать цену или стимулировать спрос. Так, консалтинговая компания «McKinsey & Company» проводила исследование, где на основе выборки из 2,5 тысяч компаний, был сделан вывод, что в основном изменение цены на 1% влечет больше выгоды, чем изменение продаж на 1%.[24] Однако, данный факт нельзя брать и слепо делать из него выводы для каждой фирмы, это лишь эксперимент, показывающий важность сопоставления прибыли при применении разных тактических приемов. Что касается машинного обучения в данной среде, то его модели помогают быстрее выявить верное решение в поставленных задачах, а также спрогнозировать требуемый показатель на основе накопленных данных. Кроме этого, математические компьютерные алгоритмы подходят для установления динамических цен, они способны моментально обновляться и максимизировать прибыль, прогнозируя при этом вероятность покупки относительно имеющегося спроса, времени, сезонности и профиля клиента, что применяется в разных сферах рынка.[17]
Последней гранью сбытовой функции, которую необходимо затронуть, служит товароснабжение и товарооборот. Просчитать и поставить оптимальное количество продукции в пункт продаж – важная задача для любой организации. Кроме того, что количество поставленных товаров напрямую влияет на транспортные, складские затраты и расходы, вызванные просрочкой продукции, оно также составляет вторую переменную в уравнениях спроса и предложения наряду с ценой, разобранной ранее. Следовательно, объем товара – стратегически важный показатель для множества фирм. В этой сфере машинное обучение развилось не менее успешно. Благодаря регрессионным моделям возможно предсказывать уровень спроса в том или ином районе на определенный день и даже час.[21] Здесь победу по минимизации издержек занимает та компания, у которой накоплен больший «чемодан данных». Зачастую модели основываются на уровне спроса в течение последнего времени, спросе в те же дни недели этого и прошлого месяца и ту же дату прошлых годов. Подобные модели помогают понять, сколько продукции, ресурсов или персонала понадобится в конкретное время, что довольно полезно для кафе и ресторанов, для которых критически важно минимизировать остатки на конец дня, ведь от этого зависит их прибыль.
Последней маркетинговой функцией, в которой необходимо найти точки взаимодействия с машинным обучением, является управление и контроль. Это завершающая, кульминационная задача, призванная скомпоновать воедино все предыдущие действия. Без ее грамотной реализации остальное будет тщетно. Данная функция воплощается в планировании всей деятельности предприятия, контроле и управлении маркетинговой среды, коммуникации и информировании. Все это – довольно разноплановые аспекты, однако, нацеленные на поддержание стабильности и целенаправленности деятельности фирмы, а также уменьшение неопределенности. Так, планирование – одна из стратегически важных целей компаний, с точки зрения машинного обучения, на нее зачастую смотрят не как на составление списка событий в хронологическом порядке, а, скорее, как на измерение риска и неопределенности конкретных решений, что можно привести к задачи бинарной классификации с вероятностной выдачей плохого или хорошего исхода, аналогично с кредитной организацией, принимающей решение о новой выдаче, анализируя риски и вероятности.[30] Надо отметить, что современные модели по принятию решений призваны учитывать не только очевидные параметры цены, спроса и объемов производства, но и менее очевидные, такие как, спрос на субституты и комплементы, уровень платежеспособности, банковской ставки и многое другое, что еще больше помогает в просчете успешности действий.
Основываясь на теоретических концепциях использования машинного обучения в маркетинговых целях, изложенных выше, можно говорить об огромном наборе таких возможностей. Однако пока нельзя достоверно утверждать об эффективности подобного применения алгоритмов. Поэтому в следующей главе важно показать практическое влияние нововведений, что поможет лучше и нагляднее понять способности современных моделей в маркетинге и бизнесе.
2.3. Бизнес-кейсы по применению методов машинного обучения
Как было указано ранее, в данной части необходимо перейти к реальным историям применения методов машинного обучения в маркетинге.
Одной из самых известных российских IT-компаний является «Яндекс», и не так давно он начал перерабатывать одно из своих подразделений, занимающихся B2B помощью в модернизации производства с использованием машинного обучения – «Yandex Data Factory». Один из ярких проектов компании стала работа совместно с крупным промышленным предприятием – «Магнитогорским металлургическим комбинатом». Их решение основано на технологиях компании в области машинного обучения и анализа больших данных. Оно позволяет оптимизировать расход материалов при производстве стали. Сервис принимает данные по исходному составу и массе, а также другие параметры плавки и в реальном времени выдает оператору рекомендации по использованию материалов. Таким образом, данная инновация решает производственную сторону маркетинга, сокращая издержки при изготовлении. Что касается эффективности такой задумки, тестирование показало снижение издержек более, чем на 275 млн рублей (5% от всего использования материалов).[39] Это довольно показательный пример, говорящий о том, что машинное обучение возможно использовать не только основываясь на данных о пользователях и прогнозируя спрос или конверсию. Также важно применять такие технологии и для изменения структуры производства, оптимизации статей расходов и совершенствования отдаленных от сетей интернет отраслей промышленности, где машинное обучение имеет возможность взаимодействовать с наукой и дополнять ее.
Другой областью алгоритмов машинного обучения, активно использующейся в бизнесе, являются рекомендательные системы. Рекомендательные системы – это набор алгоритмов ранжирования, помогающих выбрать товар, наиболее релевантный запросам пользователя для того, чтобы увеличить конверсию по целевым действиям.[19] Они помогают не только компаниям в сокращении транзакционных издержек, но и пользователям в возможности быстрого нахождения подходящих товаров и контента. Многие интернет компании активно осваивают данные методы. Так, «Netflix» благодаря рекомендательным системам показывает людям не только эксклюзивные подборки, построенные на интересах отдельного индивида, но и даже постеры фильмов. Если один из фильмов окажется в разделе рекомендованных у разных кластеров аудитории, отобранных системой, то одному могут показать его при помощи фотографии целующейся пары, а другой целевой группе – изображением полицейского с пистолетом, однако, это останется один и тот же фильм, пример можно увидеть на Рисунке 4. Такие технологические стратегии часто дают неплохой выигрыш в финансовом плане, ведь для каждого пользователя вы предлагаете не только фильм, который может понравиться, но и заставку, которая заинтересует его с большей вероятностью. Сама компания говорит о том, что оценивает суммарный эффект от рекомендательной системы в экономии примерно 1 миллиарда долларов в год, что даже для такой большой – компании огромные средства.[16]
Источник: Составлено автором
1.3. Методы машинного обучения, востребованные в бизнесе
После рассмотрения истории машинного обучения как производной искусственного интеллекта и основных задач данного направления, стоит немного углубиться в сами модели и выявить наиболее используемые из них.
Сейчас существует ряд алгоритмов, бьющихся за пальму первенства в абсолютно разных сферах. Здесь стоит немного разграничить их на несколько типов по методам построения. Базовые модели, которые строят определённый алгоритм и работают по нему называют классическим машинным обучением.[32] Кроме него можно выделить ансамблевые методы, при их реализации строится множество простых моделей на одних данных или некой выборке, после чего их объединяют и уже при помощи такого усредненного алгоритма происходит прогнозирование.[12] Третьим типом являются нейронные сети. Нейронные сети – это вид алгоритмов, построенных при помощи нескольких слоев нейронов, каждый из которых является математической моделью, получающей на вход некоторое число объектов и после преобразований, выдающее бинарный ответ на следующий слой или на выход пользователю.[28]
После такого разбиения требуется рассказать о самых успешных и популярных алгоритмах на данный момент. В данном контексте нельзя в первую очередь не затронуть поглубже нейронные сети. По данным на 2018 год, они участвуют в 90% проектах.[9] Нейронные сети – действительно важная и перспективная отрасль, однако, она не нова, разработки в этой сфере велись еще во второй половине прошлого века, но бурный рост в производительности начался только в последний десяток лет.[37] Во многом это опять же связано с развитием технологий и увеличением количества данных. Принцип, по которым учатся модели в общем довольно прост: алгоритму показывают данные и говорят ответ, например дают на вход картинки кошек и собак, обозначая их, после этого алгоритм корректирует коэффициенты на каждом из нейронов, чтобы в будущем на выявленных закономерностях уже самому распознавать питомца.[22] Нейронные сети различаются в зависимости от решаемых задач, также меняется их структура: количество слоев и нейронов в каждом из них. Важно помнить, что модель не придумывает что-то сама, она учится на уже приготовленных данных и применяет выявленные закономерности.
Другой конкурирующей моделью является бустинг и его разновидность «градиентный бустинг». Данный вид алгоритмов наряду с вышеизложенными нейронными сетями занимает первые места в соревнованиях по машинному обучению, проводимых на платформе «Kaggle» (один из самых популярных сайтов, где проходят соревнования по машинному обучению).[42] Градиентный бустинг – это один из ансамблевых методов машинного обучения, во время реализации которого строятся несколько моделей, и каждая учится на векторе производных от функции ошибки ответов предыдущих алгоритмов.[26] Это похоже на совместное написание контрольной, когда первый студент учит весь материал и отвечает. Далее смотрят на его результат, и следующий готовится только к тем темам, где предыдущий сильно ошибся, тем самым нивелируя его недочеты. Так происходит несколько раз и после этого выдается контрольная на совместное решение.
Представленные выше виды моделей занимают передовые позиции в современном машинном обучении. Данная отрасль сейчас – это не только помощник для онлайн компаний, такие технологии также активно осваиваются как на производствах, так и в точках офлайн продаж.[50]
Что касается других моделей, то они также встречаются при решении разных задач. Так, все зависит от приоритетов компаний и конкретных ситуаций, иногда простые классические модели, такие как решающие деревья, линейные алгоритмы или логистические регрессии могут не дать удовлетворительного результата, однако, их работа и обучение проходит заметно быстрее, чем у нейронных сетей и ансамблевых методов. Таким образом, сейчас существует множество алгоритмов, применяемых на практике, выбор того или иного зависит от наборов имеющихся данных, обстоятельств и приоритетов компании, однако, можно сказать точно, что все они, может, и не выполняют за человека все, но точно помогают взвесить социальные, экономические и другие факторы и принять верное решение.
1.4. Выводы по главе
В данной главе были изложены основные понятия машинного обучения, история и показано современное состояние мира с его методами и задачами. Исходя из вышеизложенного следует вывод о довольно стремительном развитии технологий отрасли и возможностей их применения, ведь многие методы зародились или стали более эффективными именно в последнее время в силу компьютерной модернизации.
Также следует отметить, что данная отрасль не только быстро развивается, но и имеет перспективу в будущем, а на сегодняшнем же этапе ключевыми алгоритмами являются ансамблевые методы и нейронные сети, помогающие решать множество как повседневных, так и уникальных задач в разных сферах общественной жизни.
2. Применение методов машинного обучения в маркетинговых практиках компаний
2.1. Задачи, стоящие перед маркетингом в современном мире
После рассмотрения основных алгоритмов машинного обучения следует затронуть проблемы современного маркетинга и возможности их решения при помощи данных моделей. Для начала надо разобраться, что из себя представляет маркетинг в наше время. По словам одного из известнейших маркетологов Филиппа Котлера, маркетинг – это вид человеческой деятельности, направленный на удовлетворение нужд и потребностей людей посредством обмена.[2] Таким образом, маркетинг представляет собой целую науку по обеспечению плодотворной работы компании на всех этапах ее существования. Один из ведущих теоретиков по проблемам управления, Питер Друкер говорит об этом так: «Цель маркетинга — сделать усилия по сбыту ненужными. Его цель — так хорошо познать и понять клиента, что товар или услуга будут точно подходить последнему и продавать себя сами».[5]
Основываясь на вышеизложенном, становится ясно, что маркетинговая деятельность невероятно обширна, а значит, стоит разграничить ее задачи в бизнес среде в тактическом и стратегическом управлении компаниями.
Часто выделяют четыре основные функции маркетинга: аналитическая, производственная, сбытовая и функция управления и контроля.[4] Все они равнозначно важны в современной бизнес-структуре. Так, аналитическая функция включает в себя сбор и агрегирование информации о рынке в целом, самом товаре, его покупателях и конкурентах, а также состояние окружающих факторов.[8] Производственная описывает весь процесс создания нового продукта от организации заводов и налаживания логистики, до управления качеством и конкурентоспособностью товара.[8] Что касается сбытовой, то это та самая функция, которая в головах обывателей часто ассоциируется со всей маркетинговой деятельностью. Она представляет собой создание среды для продажи произведенного продукта пользователям.[8] И последняя – функция управления и контроля, которая в основном отвечает за стратегические действия компании по повышению своих позиций на рынке и созданию внутренней структуры самой организации, а также помогает регулировать и планировать маркетинговую деятельность.[8]
Следует отметить, что это – ключевые задачи для каждой компании, маркетинг ответственен почти за все бизнес-процессы, а значит, от результатов работы специалистов зависит успех всего предприятия. Таким образом, маркетинг – одна из самых важных отраслей работы внутри фирмы, на которую зачастую выделяется значительное финансирование. Из этого следует, что автоматизация и компьютеризация действий в данной среде способны сильно уменьшить постоянные затраты и создать дополнительную прибыль для производства.
В такой связи имеет смысл затронуть весь процесс влияния маркетинга на становление и создание нового продукта. Здесь стоит сказать об определенном цикле маркетингового управления.[2] Он состоит из нескольких этапов, каждый из которых можно попытаться компьютеризировать, тем самым ускорив его выполнение и зачастую повысив качество.
Первой стадией выделяют анализ рыночных возможностей, это – один из важнейших аспектов создания продукта и предпринимательства в целом.[2] Для этого компания должна иметь представление о всех существующих ресурсах, а также уметь оценить всю собственную трудоспособность.
Далее идет отбор целевых рынков.[2] Как ни странно, это довольно важный и серьезный процесс. Грамотный подход состоит в том, чтобы оценить все возможные рынки по критериям первоначальных вложений, доходности, востребованности, досягаемости, возможностей входа и другим и соотнести с имеющимися средствами, проанализированными на предыдущей стадии. Весь путь к созданию нового продукта должен быть тщательно спланирован и экономически простроен, в этом машинное обучение и может помочь.
Третьим не менее важным этапом служит создание комплекса маркетинга. Он важен для описания полной концепции представления о будущем товаре. «Комплекс маркетинга — набор поддающихся контролю переменных факторов маркетинга, совокупность которых фирма использует в стремлении вызвать желаемую ответную реакцию со стороны целевого рынка».[2] В него входят те пункты, которые фирма собирается простроить в восприятии товара потребителем, это – внешняя оболочка товара, в ней прописаны как точки взаимодействия с потребителей, так и способы, средства и возможности.
Финальной частью всего управления маркетингом является претворение в жизнь всех идей и концепций, созданных ранее, что является воплощением планирующей и контролирующей функции.[2] Бывает, что при хорошей идее и концепции, но без должного уделения внимания реализации, продукт получается сырым, некачественным и безуспешным. Как и во многих сферах, в маркетинге на всех стадиях жизни товара важно с ответственностью подходить к работе.
2.2. Возможности применения методов машинного обучения для решения маркетинговых задач
После описания методов и задач машинного обучения, а также основных функций и задач маркетинга можно перейти к возможностям их взаимодействия. В этой части работы стоит разобрать некоторые теоретические концепции, пригодные для применения или применяемые в маркетинговой среде, а в следующем параграфе – рассмотреть конкретные кейсы, показывающие эффективность таких процессов.
Сначала следует сказать, что процесс, которым занимаются специалисты по машинному обучению не сводится лишь к подбору оптимального алгоритма и его построению. Зачастую это – лишь малая часть всей работы. Для составления алгоритмов требуются данные, которые необходимо получить, в этом контексте маркетинг – идеальная отрасль, ведь от нехватки данных о пользователе большинство компаний не страдают. Особенно сейчас, в век повсеместной компьютеризации, данные о предпочтениях, желаниях и даже возможностях можно агрегировать из тех, что хранятся на серверах. Однако если о привлечении машинного анализа данных задумывается небольшая фирма, которая только начинает собирать информацию о клиентах или не делает это вовсе, то такая идея – довольно безуспешна. Главным правилом в таком случае служит требование осознания и соотнесения количества имеющейся информации для выполнения поставленных задач.
Если же все подготовительные этапы проделаны, то стоит решить, в каких направлениях маркетинга стоит применять машинное обучение, и где возникнет наибольшее количество прибыли от этого. Как обозначалось ранее, маркетинг - многогранная наука. Она включает в себя принятие решений по абсолютно разным сферам бизнес-задач, а значит, для каждой из них требуется свой алгоритм с заявленными входными и выходными данными. Для этого стоит разделить повествование на четыре части по маркетинговым функциям и для каждой привести примеры решения ключевых задач при помощи построения моделей.
Аналитическая функция, как было сказано ранее, довольно важная и представляет собой сбор и анализ информации о рынке, потребителях, конкурентах, товаре и самой компании. Это первоочередная функция маркетинга, на ее основе начинают реализовываться остальные.
Если говорить о возможностях применения машинного обучения в данной среде, то одной из важных маркетинговых задач является сегментирования рынка. Оно необходимо для каждой фирмы и каждого ее товара. Сегментация делит покупателей на группы по схожести интересов, социальным, демографическим и другим признакам. После выполнения данного процесса фирма понимает, кому она хочет продавать свою продукцию. Что касается стороны машинного обучения, то для этой цели возможно использовать алгоритмы, направленные на решение задач кластеризации и классификации.[13] Данные направления заточены на прогнозирование принадлежности объектов к тому или иному классу с той разницей, что классификация учится на размеченных данных и, как следствие, предсказывает определенный класс объекта, а кластеризация – на неразмеченных и определяет принадлежность лишь к некоторой общности, также такие алгоритмы помогают определению структуры в данных. Модели смогут поделить аудиторию на группы по схожести потребностей и благодаря этому фирма получит возможность не только автоматизировано сегментировать аудиторию, но и идентифицировать каждого конкретного индивида, основываясь на данных о его предпочтениях.
Что касается изучения и анализа рынка, то применение методов машинного обучения возможно наглядно представить в сфере ценных бумаг. Основной задачей трейдеров и фондовых организаций является получение прибыли от вложений и машинное обучение способно помочь этому. Здесь речь идет о возможностях моделей благодаря задаваемым параметрам (текущей цены, сезонности, мировым изменениям) прогнозировать повышение или понижение стоимости ценных бумаг. Важно отметить, что это довольно сложный процесс – выявить грамотное вложение. Для него не подойдут простые линейные алгоритмы, так как цена зависит от большого количества параметров и не всегда пропорционально, однако, навстречу приходят нелинейные модели и разновидности нейронных сетей. [14] К данной задачи можно подходить, основываясь на двух подходах: регрессионное предсказание будущей цены акции и классификационное предположение роста или падения цены. Они оба имеют право на существование и, вероятно, для большей точности должны применяться параллельно.
После этого следует рассмотреть возможности машинного обучения в производственной среде маркетинга. В данной области затрагиваются задачи организации производства, его снабжения, а также регулирования качества продукции. Для данных требований методы машинного обучения также подходят. В настоящее время, при помощи них можно решать логистические вопросы по поставкам груза и сырья, нахождению территории для постройки нового завода и выбора нового поставщика.[41] Также некоторые виды алгоритмов способны помочь и в контроле за продукцией, а именно в обнаружении дефектов. Так, можно использовать популярный бинарный классификатор – логистическую регрессию в таких целях, задавая на вход ключевые параметры товара и получая сигнал о его пригодности.[15]
Следующей функцией маркетинга, в которой не менее важно выявить возможности для применения методов машинного обучения послужит сбытовая. Отрасль сбыта и продаж – наверное, обладает самыми обширными возможностями по использованию искусственного интеллекта. Вследствие этого требуется несколько структурировать повествование, поделив на подфункции и осветив некоторые из них.
Одной из важнейших задач является стимулирование сбыта. Осуществлять данную деятельность возможно при помощи разных методов, в том числе, используя машинное обучение. Довольно популярным является отслеживание интересов покупателей в офлайн точках продаж. Это можно делать разными способами и потом предлагать потребителю скидку на товары, входящие в его круг интересов. Довольно популярным средством для распознавания клиента и его потребностей являются чеки, привязанные к карте лояльности.[33] При помощи агрегации таких данных ритейлер может узнать о человеке многое, начиная от примерного возраста и заканчивая финансовым положением, не говоря уже о товарных предпочтениях. За счет всего этого компания может построить профиль клиента и предлагать скидки на необходимые товары для каждой аудитории.
Кроме специальных предложений, основанных на офлайн интересах, важным аспектом является онлайн взаимодействие с клиентом. Здесь возможности машинного обучения практически бесконечны. Данные о пользователях можно собирать везде: из социальных сетей, личных кабинетов, действий, которые они совершают на вашем сайте. Все это составляет его портрет, благодаря собранным данным и построенной модели можно определить вероятность перехода или покупки, что служит важнейшем фактором в оценке эффективности продвижения. На похожих принципах основаны и рекомендательные системы, которые предлагают пользователям возможность приобрести товар, схожий с их кругом потребностей.[18] Это важная технология машинного обучения – находить закономерности в действиях клиента и предугадывать его выбор.
Обозначив некоторые возможности машинного обучения по отношению к стимулированию сбыта, следует перейти к следующей подфункции, а именно, к ценообразованию. И данная стоящая перед нами задача более нетривиальна. Существует множество экономических структур от конкуренции до монополии, для каждой из которых существуют разные варианты действий. Кроме этого, у фирм могут быть разные стратегические цели и существующие ограничения. Говоря о ценообразовании, затрагивают не только выявление оптимизирующей прибыль цены на данный момент. Не менее важными аспектами являются воздействия скидок и акций, влияние ценовой дискриминации, особенно 2 и 3 рода по классификации Пигу, регрессионное прогнозирование всей кривой спроса и другие факторы. Также надо учитывать, что для фирмы выгоднее, например, увеличивать цену или стимулировать спрос. Так, консалтинговая компания «McKinsey & Company» проводила исследование, где на основе выборки из 2,5 тысяч компаний, был сделан вывод, что в основном изменение цены на 1% влечет больше выгоды, чем изменение продаж на 1%.[24] Однако, данный факт нельзя брать и слепо делать из него выводы для каждой фирмы, это лишь эксперимент, показывающий важность сопоставления прибыли при применении разных тактических приемов. Что касается машинного обучения в данной среде, то его модели помогают быстрее выявить верное решение в поставленных задачах, а также спрогнозировать требуемый показатель на основе накопленных данных. Кроме этого, математические компьютерные алгоритмы подходят для установления динамических цен, они способны моментально обновляться и максимизировать прибыль, прогнозируя при этом вероятность покупки относительно имеющегося спроса, времени, сезонности и профиля клиента, что применяется в разных сферах рынка.[17]
Последней гранью сбытовой функции, которую необходимо затронуть, служит товароснабжение и товарооборот. Просчитать и поставить оптимальное количество продукции в пункт продаж – важная задача для любой организации. Кроме того, что количество поставленных товаров напрямую влияет на транспортные, складские затраты и расходы, вызванные просрочкой продукции, оно также составляет вторую переменную в уравнениях спроса и предложения наряду с ценой, разобранной ранее. Следовательно, объем товара – стратегически важный показатель для множества фирм. В этой сфере машинное обучение развилось не менее успешно. Благодаря регрессионным моделям возможно предсказывать уровень спроса в том или ином районе на определенный день и даже час.[21] Здесь победу по минимизации издержек занимает та компания, у которой накоплен больший «чемодан данных». Зачастую модели основываются на уровне спроса в течение последнего времени, спросе в те же дни недели этого и прошлого месяца и ту же дату прошлых годов. Подобные модели помогают понять, сколько продукции, ресурсов или персонала понадобится в конкретное время, что довольно полезно для кафе и ресторанов, для которых критически важно минимизировать остатки на конец дня, ведь от этого зависит их прибыль.
Последней маркетинговой функцией, в которой необходимо найти точки взаимодействия с машинным обучением, является управление и контроль. Это завершающая, кульминационная задача, призванная скомпоновать воедино все предыдущие действия. Без ее грамотной реализации остальное будет тщетно. Данная функция воплощается в планировании всей деятельности предприятия, контроле и управлении маркетинговой среды, коммуникации и информировании. Все это – довольно разноплановые аспекты, однако, нацеленные на поддержание стабильности и целенаправленности деятельности фирмы, а также уменьшение неопределенности. Так, планирование – одна из стратегически важных целей компаний, с точки зрения машинного обучения, на нее зачастую смотрят не как на составление списка событий в хронологическом порядке, а, скорее, как на измерение риска и неопределенности конкретных решений, что можно привести к задачи бинарной классификации с вероятностной выдачей плохого или хорошего исхода, аналогично с кредитной организацией, принимающей решение о новой выдаче, анализируя риски и вероятности.[30] Надо отметить, что современные модели по принятию решений призваны учитывать не только очевидные параметры цены, спроса и объемов производства, но и менее очевидные, такие как, спрос на субституты и комплементы, уровень платежеспособности, банковской ставки и многое другое, что еще больше помогает в просчете успешности действий.
Основываясь на теоретических концепциях использования машинного обучения в маркетинговых целях, изложенных выше, можно говорить об огромном наборе таких возможностей. Однако пока нельзя достоверно утверждать об эффективности подобного применения алгоритмов. Поэтому в следующей главе важно показать практическое влияние нововведений, что поможет лучше и нагляднее понять способности современных моделей в маркетинге и бизнесе.
2.3. Бизнес-кейсы по применению методов машинного обучения
Как было указано ранее, в данной части необходимо перейти к реальным историям применения методов машинного обучения в маркетинге.
Одной из самых известных российских IT-компаний является «Яндекс», и не так давно он начал перерабатывать одно из своих подразделений, занимающихся B2B помощью в модернизации производства с использованием машинного обучения – «Yandex Data Factory». Один из ярких проектов компании стала работа совместно с крупным промышленным предприятием – «Магнитогорским металлургическим комбинатом». Их решение основано на технологиях компании в области машинного обучения и анализа больших данных. Оно позволяет оптимизировать расход материалов при производстве стали. Сервис принимает данные по исходному составу и массе, а также другие параметры плавки и в реальном времени выдает оператору рекомендации по использованию материалов. Таким образом, данная инновация решает производственную сторону маркетинга, сокращая издержки при изготовлении. Что касается эффективности такой задумки, тестирование показало снижение издержек более, чем на 275 млн рублей (5% от всего использования материалов).[39] Это довольно показательный пример, говорящий о том, что машинное обучение возможно использовать не только основываясь на данных о пользователях и прогнозируя спрос или конверсию. Также важно применять такие технологии и для изменения структуры производства, оптимизации статей расходов и совершенствования отдаленных от сетей интернет отраслей промышленности, где машинное обучение имеет возможность взаимодействовать с наукой и дополнять ее.
Другой областью алгоритмов машинного обучения, активно использующейся в бизнесе, являются рекомендательные системы. Рекомендательные системы – это набор алгоритмов ранжирования, помогающих выбрать товар, наиболее релевантный запросам пользователя для того, чтобы увеличить конверсию по целевым действиям.[19] Они помогают не только компаниям в сокращении транзакционных издержек, но и пользователям в возможности быстрого нахождения подходящих товаров и контента. Многие интернет компании активно осваивают данные методы. Так, «Netflix» благодаря рекомендательным системам показывает людям не только эксклюзивные подборки, построенные на интересах отдельного индивида, но и даже постеры фильмов. Если один из фильмов окажется в разделе рекомендованных у разных кластеров аудитории, отобранных системой, то одному могут показать его при помощи фотографии целующейся пары, а другой целевой группе – изображением полицейского с пистолетом, однако, это останется один и тот же фильм, пример можно увидеть на Рисунке 4. Такие технологические стратегии часто дают неплохой выигрыш в финансовом плане, ведь для каждого пользователя вы предлагаете не только фильм, который может понравиться, но и заставку, которая заинтересует его с большей вероятностью. Сама компания говорит о том, что оценивает суммарный эффект от рекомендательной системы в экономии примерно 1 миллиарда долларов в год, что даже для такой большой – компании огромные средства.[16]
Рисунок 4. Отображение одного и того же фильма на платформе «Netflix» у разных пользователей
Источник: Allen Yu, How Netflix Uses AI, Data Science, and Machine Learning — From A Product Perspective – 2019 [54]
Технологии для предоставления персонализированной информации клиенту используют не только иностранные компании. Одна из крупнейших российских площадок для продажи товаров – «Авито» также применяет машинное обучение в маркетинговых целях. По данным из выступления одного из сотрудников отдела рекомендательных систем, компания увеличила число переходов по рекомендациям на 10% благодаря модернизации алгоритмов и систем тестирования, что является заметным улучшением процесса.[36]
Рекомендательные системы сейчас встречаются во многих аспектах жизни, они направляют наши действия как в интернете, так и офлайн, генерируют наши потребности и создают желания. Пришла эра персонализированных маркетинговых рекомендательных систем, что подтверждает одна из крупнейших консалтинговых компаний «McKinsey & Company», сообщая о доминировании в конверсии рекомендательных систем перед массовой рекламой, кроме этого их аналитика приводит сведения, что 35% прибыли компании «Amazon» создается благодаря рекомендательным системам, что также подтверждает парадигму о важности персонализированного маркетинга, использующего методы машинного обучения.[47] Кроме этого, к положительным показателям эффективности приводят и рекомендательные системы видео-хостинга «YouTube», по некоторым данным до 60% просмотренных видео приходили из каталога рекомендаций и индивидуальных подборок еще в 2010 году.[11]
Другим вариантом использования машинного обучения в бизнесе является динамическое ценообразование. Рассмотрев ценообразование в целом ранее, становится ясно, что это – тяжелый процесс, проходящий в среде неопределённости. Зачастую трудно аналитически установить цену, которую следует выдавать пользователю, учитывая концепцию максимизирования прибыли. На помощь приходит машинное обучение, имеющее возможность динамически подбирать цены на основе заданных стратегических предпочтений фирмы и изменений спроса в конкретный момент. Идея такого принципа выставления цен зародилась довольно давно, в 80-х годах прошлого века среди американских авиаперевозчиков.[48] Тогда эта отрасль была наиболее технологичной и начинала практиковать дистанционное бронирование, кроме этого, авиакомпании и сейчас нуждаются в полном заполнении своих бортов. После первого применения такой технологии большинство компаний переняли опыт к себе, а те, что остались верны скрепам – не выдержали конкуренции и ушли с рынка.[1] Сейчас многие фирмы практикуют такую модель ценообразования, при этом она не свойственна лишь туризму, так, одна из бразильских нефтегазовых компаний смогла внедрить машинное обучение в свою систему динамического ценообразования. После трех месяцев разработки нововведение принесло увеличение валовой прибыли на 9,6% относительно методов, использовавшихся ранее.[56]
На основе приведенных примеров видно, что новые технологии по анализу данных активно внедряются в маркетинговые процессы. Это важная и прибыльная тенденция, за которой следят компании от малого бизнеса до крупных промышленных предприятий. Данный факт также подтверждается и предсказаниями экспертов. Так, отрасль машинного обучения за ближайшие четыре года может вырасти в стоимости с 7,3 млрд долларов до 30,6 млрд долларов, что видно на Рисунке 5.[46] Это гласит о росте заинтересованности среди большого количества компаний.
Источник: Allen Yu, How Netflix Uses AI, Data Science, and Machine Learning — From A Product Perspective – 2019 [54]
Технологии для предоставления персонализированной информации клиенту используют не только иностранные компании. Одна из крупнейших российских площадок для продажи товаров – «Авито» также применяет машинное обучение в маркетинговых целях. По данным из выступления одного из сотрудников отдела рекомендательных систем, компания увеличила число переходов по рекомендациям на 10% благодаря модернизации алгоритмов и систем тестирования, что является заметным улучшением процесса.[36]
Рекомендательные системы сейчас встречаются во многих аспектах жизни, они направляют наши действия как в интернете, так и офлайн, генерируют наши потребности и создают желания. Пришла эра персонализированных маркетинговых рекомендательных систем, что подтверждает одна из крупнейших консалтинговых компаний «McKinsey & Company», сообщая о доминировании в конверсии рекомендательных систем перед массовой рекламой, кроме этого их аналитика приводит сведения, что 35% прибыли компании «Amazon» создается благодаря рекомендательным системам, что также подтверждает парадигму о важности персонализированного маркетинга, использующего методы машинного обучения.[47] Кроме этого, к положительным показателям эффективности приводят и рекомендательные системы видео-хостинга «YouTube», по некоторым данным до 60% просмотренных видео приходили из каталога рекомендаций и индивидуальных подборок еще в 2010 году.[11]
Другим вариантом использования машинного обучения в бизнесе является динамическое ценообразование. Рассмотрев ценообразование в целом ранее, становится ясно, что это – тяжелый процесс, проходящий в среде неопределённости. Зачастую трудно аналитически установить цену, которую следует выдавать пользователю, учитывая концепцию максимизирования прибыли. На помощь приходит машинное обучение, имеющее возможность динамически подбирать цены на основе заданных стратегических предпочтений фирмы и изменений спроса в конкретный момент. Идея такого принципа выставления цен зародилась довольно давно, в 80-х годах прошлого века среди американских авиаперевозчиков.[48] Тогда эта отрасль была наиболее технологичной и начинала практиковать дистанционное бронирование, кроме этого, авиакомпании и сейчас нуждаются в полном заполнении своих бортов. После первого применения такой технологии большинство компаний переняли опыт к себе, а те, что остались верны скрепам – не выдержали конкуренции и ушли с рынка.[1] Сейчас многие фирмы практикуют такую модель ценообразования, при этом она не свойственна лишь туризму, так, одна из бразильских нефтегазовых компаний смогла внедрить машинное обучение в свою систему динамического ценообразования. После трех месяцев разработки нововведение принесло увеличение валовой прибыли на 9,6% относительно методов, использовавшихся ранее.[56]
На основе приведенных примеров видно, что новые технологии по анализу данных активно внедряются в маркетинговые процессы. Это важная и прибыльная тенденция, за которой следят компании от малого бизнеса до крупных промышленных предприятий. Данный факт также подтверждается и предсказаниями экспертов. Так, отрасль машинного обучения за ближайшие четыре года может вырасти в стоимости с 7,3 млрд долларов до 30,6 млрд долларов, что видно на Рисунке 5.[46] Это гласит о росте заинтересованности среди большого количества компаний.
Рисунок 5. Прогноз денежного объема мирового рынка машинного обучения по сегментам за период 2017-2024 год
Источник: Адаптировано по Machine Learning Market Research Report - Global Forecast to 2024 – 2019 [46]
Несмотря на то, что заинтересованность в машинном обучении быстро растет, все же нельзя быть фанатичными, ведь пока невозможно полностью доверить процессы принятия решений машине. Она не может мыслить как человек, а все ее действия – лишь агрегация тренировочных данных, поэтому для грамотного запуска таких проектов должны быть созданы честные тестирующие системы (А/В тесты, многорукие бандиты и другие), кроме этого специалисты обязаны четко понимать специфику и особенности деятельности компании, ведь это важно для интерпретации решений и анализа логичности модели.[35]
2.4. Вывод по главе
В данной главе были разобраны основные маркетинговые задачи, показаны способы, при помощи которых машинное обучение возможно внедрять в маркетинговые процессы, а также приведены примеры реального взаимодействия данных областей. Также было продемонстрировано и то, что область машинного обучения имеет огромный потенциал для компаний из разных отраслей рынка.
Машинное обучение – действительно плодотворный путь для множества фирм в отношении сокращения расходов за счет оптимизации производства и увеличения прибыли за счет индивидуального подхода к клиентам, однако, работая в этой отрасли, происходит постоянное столкновение с неопределенностью, когда не известно, существует ли корреляция в данных, имеете ли вы всю необходимую информацию о процессе и в силах ли подобрать правильную модель, способную помочь фирме. А значит, такие алгоритмы - не панацея. Только грамотное и точное внедрение технологий, не являющееся самоцелью способно повысить эффективность компании.
Заключение
Подводя итог работе, следует обобщить выполненное. Была изучена история машинного обучения, которая свидетельствует о прогрессе и развитии технологий и аспектов применения. Классифицированы основные задачи и методы машинного обучения, а также создана схема современного мира алгоритмов и сделаны выводы о наиболее эффективных из них. Кроме этого, в работе были исследованы и основные маркетинговые задачи в компаниях, грамотная работа над которыми способна помочь в увеличении коммерческой эффективности организаций. После этого была проведена классификация алгоритмов машинного обучения по возможностям их применениях для выполнения конкретных маркетинговых целей. Финальным же этапом являлся анализ кейсов по применению машинного обучения в маркетинге, что дает более общую и реальную картину данной сферы.
Работа состоит из двух глав. В первой из которых были выявлены и агрегированы основные задачи машинного обучения и наиболее популярные алгоритмы. Во второй же – проведен анализ сопоставления выявленных алгоритмов и прикладных маркетинговых задач современного бизнеса, а также приведены примеры такого взаимодействия.
Список литературы
1. Кацов И. Машинное обучение для бизнеса и маркетинга. – СПб.: Питер, 2019 – 512 с.
2. Котлер Ф. Основы маркетинга Краткий курс. – М.: Издательский дом "Вильяме", 2007 — 656 с.
3. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. – СПб.: Питер, 2020 – 480 с.
4. Цахаев Р. К., Муртузалиева Т. В., Алиев С. А. Основы маркетинга – М.: Издательство «Экзамен», 2005 — 448 с.
5. Drucker P. F. Management: Tasks, Responsibilities, Practices – N.Y.: «Harper & Row», 1973 – 553 p.
6. Flach P. Machine learning The Art and Science of Algorithms that Make Sense of Data – Cambridge: Cambridge University Press, 2012 – 409 p.
7. Sutton R. S., Barto R. S. Reinforcement Learning: An Introduction – Cambridge: MIT Press, 1998 – 352 p.
8. Кормишина В. В., Романович В. К. Функции Маркетинга в деятельности предприятия // Инновационная наука – 2019 – №11 – С. 58-62.
9. Коротеев М. В. Обзор некоторых современных тенденций в технологии машинного обучения // E-Management – 2018 – №1 – С. 26-35.
10. Пройдаков Э. М. Современное состояние искусственного интеллекта // Науковедческие исследования – 2018 – №2018 – С. 129-153.
11. Davidson J. The YouTube Video Recommendation System // RecSys '10: Proceedings of the fourth ACM conference on Recommender systems – 2010 – P. 293-296.
12. Dietterich, T.G. Ensemble Methods in Machine Learning // Lecture Notes in Computer Science – 2000 – Volume 1857 – P. 1-15.
13. Dullaghan C., Rozaki E. Integration of Machine Learning Techniques to Evaluate Dynamic Customer Segmentation Analysis for Mobile Customers // International Journal of Data Mining & Knowledge Management Process – 2017 – Vol.7 – No.1 – P. 13-24.
14. Enke D., Thawornwong S. The use of data mining and neural networks for forecasting stock market returns // Expert System with Applications – 2005 – Volume 29 – Issue 4 – P. 927-940.
15. Escobar C. A., Morales-Menendez R. Machine learning techniques for quality control in high conformance manufacturing environment // Advances in Mechanical Engineering – 2018 – Vol. 10(2) – P. 1–16.
16. Gomez-Uribe C. A., Hunt N. The Netflix Recommender System: Algorithms, Business Value, and Innovation // ACM Transactions on Management Information Systems – 2015 – Vol. 6 – No. 4 – Article 13.
17. Gupta R., Pathak C. A Machine Learning Framework for Predicting Purchase by Online Customers based on Dynamic Pricing // Procedia Computer Science – 2014 – 36 – P. 599-605.
18. Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating Collaborative Filtering Recommender Systems // ACM Transactions on Information Systems – 2004 – Vol. 22 – No. 1 – P. 5-53.
19. Isinkaye F. O., Folajimi Y. O., Ojokoh B. A. Recommendation systems: Principles, methods and evaluation // Egyptian Informatics Journal – 2015 – Volume 16 – Issue 3 – P. 261-273.
20. Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects // Science – 2015 – Vol. 349 – Issue 6245 – P. 255-260.
21. Kilimci Z. H., Akyuz A. O., Uysal M., Akyokus S. An Improved Demand Forecasting Model Using Deep Learning Approach and Proposed Decision Integration Strategy for Supply Chain // Complexity – 2019 – P. 1-15.
22. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems – 2012 – Volume 2 – P. 1097-1105.
23. Magnin B., Mesrob L., Kinkingnéhun S. Support vector machine-based classification of Alzheimer's disease from whole-brain anatomical MRI // Neuroradiology – 2009 – No.51 – P. 73–83.
24. Marn M. V., Roseillo R. L. Managing price, gaining profit // Harvard Business Review – 1992 – September-October – P. 83-93.
25. McDermott J. P. R1: an Expert in the Computer Systems Domain // AAAI – 1980 – P. 269-271.
26. Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics – 2013 – Volume 7 – Article 21 – P. 1-21.
27. Richardson M., Prakash A., Brill E. Beyond PageRank: Machine Learning for Static Ranking // Proceedings of the 15th International World Wide Web Conference – 2006 – P. 707-715.
28. Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks – 2015 – Volume 61 – P. 85-117.
29. Silver D., Huang A., Maddison C. Mastering the game of Go with deep neural networks and tree search // Nature – 2016 – №529 – P. 484-489.
30. Tsai C.-F., Wu J.-W. Using neural network ensembles for bankruptcy prediction and credit scoring // Expert System with Applications – 2008 – Volume 34 – Issue 4 – P. 2639-2649.
31. Turing, A. M. Computing Machinery and Intelligence // Mind – 1950 – No. 236 – P. 433-460.
32. Zhou T., Popescu S. C., Lawing A. M., Eriksson M., Strimbu B. M., Bürkner P. C. Bayesian and Classical Machine Learning Methods: A Comparison for Tree Species Classification with LiDAR Waveform Signatures // Remote Sens – 2018 – Volume 10 – Issue 1.
33. Ворошилов Н. Как компьютерное зрение победит очереди и пустые полки в супермаркетах — Валерий Бабушкин, X5 Retail Group [Электронный ресурс] // Хайтек – 2019 – URL: https://hightech.fm/2019/01/07/babushkin-x5 (дата обращения: 25.05.2020).
34. Компьютерные науки 012. Методы поиска ассоциативных правил — К.В. Воронцов [Запись лекции К. В. Воронцова] // YouTube – 22 дек. 2014 – URL: https://www.youtube.com/watch?v=yB17EBtwa48 (дата обращения 28.05.2020).
35. Компьютерные науки 023. Machine Learning, или Трансформация данных в деньги — Александр Хайтин [Запись выступления А. Хайтина] // YouTube –27 фев. 2017 – URL: https://www.youtube.com/watch?v=7aVZejD9DdU&t=1919s (дата обращения: 25.05.2020).
36. Компьютерные науки 066. «Многорукие бандиты» в рекомендациях – Михаил Каменщиков [Запись выступления М. Каменщикова] // YouTube – 3 июля 2018 https://www.youtube.com/watch?v=O5MxQ00VVYs (дата обращения: 25.05.2020).
37. Константин Воронцов — Прогресс нейронных сетей [Электронный ресурс] // Postnauka – 2017 – URL: https://postnauka.ru/talks/80077 (дата обращения: 18.05.2020).
38. Принципы работы алгоритмов Google Поиска [Электронный ресурс] // Google Поиск – URL: https://www.google.com/search/howsearchworks/algorithms/ (дата обращения 28.05.2020).
39. Седов К. «Яндекс» сэкономит Магнитке 275 млн рублей ежегодно [Электронный ресурс] // Ведомости – 2016 – 12 июля – URL: https://www.vedomosti.ru/technology/articles/2016/07/13/648947-yandeks-magnitke (дата обращения: 15.05.2020).
40. Amazon Machine Learning Developer Guide [Электронный ресурс] // Amazon – 2020 – p. 16 – URL: https://docs.aws.amazon.com/machine-learning/latest/dg/machinelearning-dg.pdf#collecting-labeled-data (дата обращения 28.05.2020).
41. Columbus L. 10 Ways Machine Learning Is Revolutionizing Supply Chain Management [Электронный ресурс] // Forbes – 2018 – URL: https://www.forbes.com/sites/louiscolumbus/2018/06/11/10-ways-machine-learning-is-revolutionizing-supply-chain-management/#3c6b815d3e37 (дата обращения: 25.05.2020).
42. Fogg A. Anthony Goldbloom gives you the secret to winning Kaggle competitions [Электронный ресурс] // import.io – 2016 – URL: https://www.import.io/post/how-to-win-a-kaggle-competition/ (дата обращения: 18.05.2020).
43. Hype Cycle for Artificial Intelligence, 2019 [Электронный ресурс] // Gartner Research – 2019 – URL: https://www.gartner.com/en/documents/3953603/hype-cycle-for-artificial-intelligence-2019 (дата обращения: 18.05.2020).
44. Hype Cycle for Emerging Technologies, 2017 [Электронный ресурс] // Gartner Research – 2019 – URL: https://www.gartner.com/en/documents/3768572/hype-cycle-for-emerging-technologies-2017 (дата обращения: 18.05.2020).
45. Machine Learning for Everyone [Электронный ресурс] // Vas3k blog – URL: https://vas3k.com/blog/machine_learning/ (дата обращения: 30.05.2020).
46. Machine Learning Market Research Report - Global Forecast to 2024 [Электронный ресурс] // Market Research Future – 2019 – URL: https://www.marketresearchfuture.com/reports/machine-learning-market-2494 (дата обращения: 15.05.2020).
47. MacKenzie I., Meyer C., Noble S. How retailers can keep up with consumers [Электронный ресурс] // McKinsey & Company – 2013 – URL: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers (дата обращения: 25.05.2020).
48. McAfee R. P., V. te Velde Dynamic Pricing in the Airline Industry [Электронный ресурс] // McAfee – 2007 – URL: https://mcafee.cc/Papers/PDF/DynamicPriceDiscrimination.pdf (дата обращения: 15.05.2020).
49. Qu J. Training Self Driving Cars using Reinforcement Learning [Электронный ресурс] // Towards data science – 2018 – URL: https://towardsdatascience.com/reinforcement-learning-towards-general-ai-1bd68256c72d (дата обращения 28.05.2020)
50. Re Work Top 5 key areas: deep learning in retail & advertising [Электронный ресурс] // Medium – 2017 – URL: https://medium.com/@teamrework/top-5-key-areas-deep-learning-in-retail-advertising-20bf259a7fca (дата обращения: 18.05.2020)
51. Scopus [Электронный ресурс] // Scopus URL: https://proxylibrary.hse.ru:2073/term/analyzer.uri?sid=233970ad99f117570d7b7a84394914f7&origin=resultslist&src=s&s=TITLE-ABS-KEY%28%22machine+learning%22+AND+marketing%29&sort=plf-f&sdt=b&sot=b&sl=47&count=1162&analyzeResults=Analyze+results&txGid=49341ed1a7c173961f3463c8e6fa0e1c (дата обращения 28.05.2020) – Режим доступа: по подписке.
52. Top Trends on the Gartner Hype Cycle for Artificial Intelligence, 2019 [Электронный ресурс] // Smarter With Gartner – 2019 – URL: https://www.gartner.com/smarterwithgartner/top-trends-on-the-gartner-hype-cycle-for-artificial-intelligence-2019/ (дата обращения 28.05.2020).
53. Wiederhold G., McCarthy J., Feigenbaum E. Memorial Resolution: Arthur L. Samuel [Электронный ресурс] // Stanford University Historical Society – 1990 – URL: https://web.archive.org/web/20110526195107/http:/histsoc.stanford.edu/pdfmem/SamuelA.pdf (дата обращения: 15.05.2020).
54. Yu A. How Netflix Uses AI, Data Science, and Machine Learning — From A Product Perspective [Электронный ресурс] // Medium – 2019 – URL: https://becominghuman.ai/how-netflix-uses-ai-and-machine-learning-a087614630fe (дата обращения 28.05.2020).
55. Zillow Prize: Zillow's Home Value Prediction (Zestimate) [Электронный ресурс] // Kaggle – URL: https://www.kaggle.com/c/zillow-prize-1 (дата обращения 28.05.2020).
56. Zuanazzi G. How dynamic pricing algorithms can increase gross profit by +10% [Электронный ресурс] // Towards data science – 2019 – URL: https://towardsdatascience.com/how-dynamic-pricing-algorithms-can-increase-gross-profit-by-10-690a4856bed9 (дата обращения: 25.05.2020).
Источник: Адаптировано по Machine Learning Market Research Report - Global Forecast to 2024 – 2019 [46]
Несмотря на то, что заинтересованность в машинном обучении быстро растет, все же нельзя быть фанатичными, ведь пока невозможно полностью доверить процессы принятия решений машине. Она не может мыслить как человек, а все ее действия – лишь агрегация тренировочных данных, поэтому для грамотного запуска таких проектов должны быть созданы честные тестирующие системы (А/В тесты, многорукие бандиты и другие), кроме этого специалисты обязаны четко понимать специфику и особенности деятельности компании, ведь это важно для интерпретации решений и анализа логичности модели.[35]
2.4. Вывод по главе
В данной главе были разобраны основные маркетинговые задачи, показаны способы, при помощи которых машинное обучение возможно внедрять в маркетинговые процессы, а также приведены примеры реального взаимодействия данных областей. Также было продемонстрировано и то, что область машинного обучения имеет огромный потенциал для компаний из разных отраслей рынка.
Машинное обучение – действительно плодотворный путь для множества фирм в отношении сокращения расходов за счет оптимизации производства и увеличения прибыли за счет индивидуального подхода к клиентам, однако, работая в этой отрасли, происходит постоянное столкновение с неопределенностью, когда не известно, существует ли корреляция в данных, имеете ли вы всю необходимую информацию о процессе и в силах ли подобрать правильную модель, способную помочь фирме. А значит, такие алгоритмы - не панацея. Только грамотное и точное внедрение технологий, не являющееся самоцелью способно повысить эффективность компании.
Заключение
Подводя итог работе, следует обобщить выполненное. Была изучена история машинного обучения, которая свидетельствует о прогрессе и развитии технологий и аспектов применения. Классифицированы основные задачи и методы машинного обучения, а также создана схема современного мира алгоритмов и сделаны выводы о наиболее эффективных из них. Кроме этого, в работе были исследованы и основные маркетинговые задачи в компаниях, грамотная работа над которыми способна помочь в увеличении коммерческой эффективности организаций. После этого была проведена классификация алгоритмов машинного обучения по возможностям их применениях для выполнения конкретных маркетинговых целей. Финальным же этапом являлся анализ кейсов по применению машинного обучения в маркетинге, что дает более общую и реальную картину данной сферы.
Работа состоит из двух глав. В первой из которых были выявлены и агрегированы основные задачи машинного обучения и наиболее популярные алгоритмы. Во второй же – проведен анализ сопоставления выявленных алгоритмов и прикладных маркетинговых задач современного бизнеса, а также приведены примеры такого взаимодействия.
Список литературы
1. Кацов И. Машинное обучение для бизнеса и маркетинга. – СПб.: Питер, 2019 – 512 с.
2. Котлер Ф. Основы маркетинга Краткий курс. – М.: Издательский дом "Вильяме", 2007 — 656 с.
3. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. – СПб.: Питер, 2020 – 480 с.
4. Цахаев Р. К., Муртузалиева Т. В., Алиев С. А. Основы маркетинга – М.: Издательство «Экзамен», 2005 — 448 с.
5. Drucker P. F. Management: Tasks, Responsibilities, Practices – N.Y.: «Harper & Row», 1973 – 553 p.
6. Flach P. Machine learning The Art and Science of Algorithms that Make Sense of Data – Cambridge: Cambridge University Press, 2012 – 409 p.
7. Sutton R. S., Barto R. S. Reinforcement Learning: An Introduction – Cambridge: MIT Press, 1998 – 352 p.
8. Кормишина В. В., Романович В. К. Функции Маркетинга в деятельности предприятия // Инновационная наука – 2019 – №11 – С. 58-62.
9. Коротеев М. В. Обзор некоторых современных тенденций в технологии машинного обучения // E-Management – 2018 – №1 – С. 26-35.
10. Пройдаков Э. М. Современное состояние искусственного интеллекта // Науковедческие исследования – 2018 – №2018 – С. 129-153.
11. Davidson J. The YouTube Video Recommendation System // RecSys '10: Proceedings of the fourth ACM conference on Recommender systems – 2010 – P. 293-296.
12. Dietterich, T.G. Ensemble Methods in Machine Learning // Lecture Notes in Computer Science – 2000 – Volume 1857 – P. 1-15.
13. Dullaghan C., Rozaki E. Integration of Machine Learning Techniques to Evaluate Dynamic Customer Segmentation Analysis for Mobile Customers // International Journal of Data Mining & Knowledge Management Process – 2017 – Vol.7 – No.1 – P. 13-24.
14. Enke D., Thawornwong S. The use of data mining and neural networks for forecasting stock market returns // Expert System with Applications – 2005 – Volume 29 – Issue 4 – P. 927-940.
15. Escobar C. A., Morales-Menendez R. Machine learning techniques for quality control in high conformance manufacturing environment // Advances in Mechanical Engineering – 2018 – Vol. 10(2) – P. 1–16.
16. Gomez-Uribe C. A., Hunt N. The Netflix Recommender System: Algorithms, Business Value, and Innovation // ACM Transactions on Management Information Systems – 2015 – Vol. 6 – No. 4 – Article 13.
17. Gupta R., Pathak C. A Machine Learning Framework for Predicting Purchase by Online Customers based on Dynamic Pricing // Procedia Computer Science – 2014 – 36 – P. 599-605.
18. Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating Collaborative Filtering Recommender Systems // ACM Transactions on Information Systems – 2004 – Vol. 22 – No. 1 – P. 5-53.
19. Isinkaye F. O., Folajimi Y. O., Ojokoh B. A. Recommendation systems: Principles, methods and evaluation // Egyptian Informatics Journal – 2015 – Volume 16 – Issue 3 – P. 261-273.
20. Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects // Science – 2015 – Vol. 349 – Issue 6245 – P. 255-260.
21. Kilimci Z. H., Akyuz A. O., Uysal M., Akyokus S. An Improved Demand Forecasting Model Using Deep Learning Approach and Proposed Decision Integration Strategy for Supply Chain // Complexity – 2019 – P. 1-15.
22. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems – 2012 – Volume 2 – P. 1097-1105.
23. Magnin B., Mesrob L., Kinkingnéhun S. Support vector machine-based classification of Alzheimer's disease from whole-brain anatomical MRI // Neuroradiology – 2009 – No.51 – P. 73–83.
24. Marn M. V., Roseillo R. L. Managing price, gaining profit // Harvard Business Review – 1992 – September-October – P. 83-93.
25. McDermott J. P. R1: an Expert in the Computer Systems Domain // AAAI – 1980 – P. 269-271.
26. Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics – 2013 – Volume 7 – Article 21 – P. 1-21.
27. Richardson M., Prakash A., Brill E. Beyond PageRank: Machine Learning for Static Ranking // Proceedings of the 15th International World Wide Web Conference – 2006 – P. 707-715.
28. Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks – 2015 – Volume 61 – P. 85-117.
29. Silver D., Huang A., Maddison C. Mastering the game of Go with deep neural networks and tree search // Nature – 2016 – №529 – P. 484-489.
30. Tsai C.-F., Wu J.-W. Using neural network ensembles for bankruptcy prediction and credit scoring // Expert System with Applications – 2008 – Volume 34 – Issue 4 – P. 2639-2649.
31. Turing, A. M. Computing Machinery and Intelligence // Mind – 1950 – No. 236 – P. 433-460.
32. Zhou T., Popescu S. C., Lawing A. M., Eriksson M., Strimbu B. M., Bürkner P. C. Bayesian and Classical Machine Learning Methods: A Comparison for Tree Species Classification with LiDAR Waveform Signatures // Remote Sens – 2018 – Volume 10 – Issue 1.
33. Ворошилов Н. Как компьютерное зрение победит очереди и пустые полки в супермаркетах — Валерий Бабушкин, X5 Retail Group [Электронный ресурс] // Хайтек – 2019 – URL: https://hightech.fm/2019/01/07/babushkin-x5 (дата обращения: 25.05.2020).
34. Компьютерные науки 012. Методы поиска ассоциативных правил — К.В. Воронцов [Запись лекции К. В. Воронцова] // YouTube – 22 дек. 2014 – URL: https://www.youtube.com/watch?v=yB17EBtwa48 (дата обращения 28.05.2020).
35. Компьютерные науки 023. Machine Learning, или Трансформация данных в деньги — Александр Хайтин [Запись выступления А. Хайтина] // YouTube –27 фев. 2017 – URL: https://www.youtube.com/watch?v=7aVZejD9DdU&t=1919s (дата обращения: 25.05.2020).
36. Компьютерные науки 066. «Многорукие бандиты» в рекомендациях – Михаил Каменщиков [Запись выступления М. Каменщикова] // YouTube – 3 июля 2018 https://www.youtube.com/watch?v=O5MxQ00VVYs (дата обращения: 25.05.2020).
37. Константин Воронцов — Прогресс нейронных сетей [Электронный ресурс] // Postnauka – 2017 – URL: https://postnauka.ru/talks/80077 (дата обращения: 18.05.2020).
38. Принципы работы алгоритмов Google Поиска [Электронный ресурс] // Google Поиск – URL: https://www.google.com/search/howsearchworks/algorithms/ (дата обращения 28.05.2020).
39. Седов К. «Яндекс» сэкономит Магнитке 275 млн рублей ежегодно [Электронный ресурс] // Ведомости – 2016 – 12 июля – URL: https://www.vedomosti.ru/technology/articles/2016/07/13/648947-yandeks-magnitke (дата обращения: 15.05.2020).
40. Amazon Machine Learning Developer Guide [Электронный ресурс] // Amazon – 2020 – p. 16 – URL: https://docs.aws.amazon.com/machine-learning/latest/dg/machinelearning-dg.pdf#collecting-labeled-data (дата обращения 28.05.2020).
41. Columbus L. 10 Ways Machine Learning Is Revolutionizing Supply Chain Management [Электронный ресурс] // Forbes – 2018 – URL: https://www.forbes.com/sites/louiscolumbus/2018/06/11/10-ways-machine-learning-is-revolutionizing-supply-chain-management/#3c6b815d3e37 (дата обращения: 25.05.2020).
42. Fogg A. Anthony Goldbloom gives you the secret to winning Kaggle competitions [Электронный ресурс] // import.io – 2016 – URL: https://www.import.io/post/how-to-win-a-kaggle-competition/ (дата обращения: 18.05.2020).
43. Hype Cycle for Artificial Intelligence, 2019 [Электронный ресурс] // Gartner Research – 2019 – URL: https://www.gartner.com/en/documents/3953603/hype-cycle-for-artificial-intelligence-2019 (дата обращения: 18.05.2020).
44. Hype Cycle for Emerging Technologies, 2017 [Электронный ресурс] // Gartner Research – 2019 – URL: https://www.gartner.com/en/documents/3768572/hype-cycle-for-emerging-technologies-2017 (дата обращения: 18.05.2020).
45. Machine Learning for Everyone [Электронный ресурс] // Vas3k blog – URL: https://vas3k.com/blog/machine_learning/ (дата обращения: 30.05.2020).
46. Machine Learning Market Research Report - Global Forecast to 2024 [Электронный ресурс] // Market Research Future – 2019 – URL: https://www.marketresearchfuture.com/reports/machine-learning-market-2494 (дата обращения: 15.05.2020).
47. MacKenzie I., Meyer C., Noble S. How retailers can keep up with consumers [Электронный ресурс] // McKinsey & Company – 2013 – URL: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers (дата обращения: 25.05.2020).
48. McAfee R. P., V. te Velde Dynamic Pricing in the Airline Industry [Электронный ресурс] // McAfee – 2007 – URL: https://mcafee.cc/Papers/PDF/DynamicPriceDiscrimination.pdf (дата обращения: 15.05.2020).
49. Qu J. Training Self Driving Cars using Reinforcement Learning [Электронный ресурс] // Towards data science – 2018 – URL: https://towardsdatascience.com/reinforcement-learning-towards-general-ai-1bd68256c72d (дата обращения 28.05.2020)
50. Re Work Top 5 key areas: deep learning in retail & advertising [Электронный ресурс] // Medium – 2017 – URL: https://medium.com/@teamrework/top-5-key-areas-deep-learning-in-retail-advertising-20bf259a7fca (дата обращения: 18.05.2020)
51. Scopus [Электронный ресурс] // Scopus URL: https://proxylibrary.hse.ru:2073/term/analyzer.uri?sid=233970ad99f117570d7b7a84394914f7&origin=resultslist&src=s&s=TITLE-ABS-KEY%28%22machine+learning%22+AND+marketing%29&sort=plf-f&sdt=b&sot=b&sl=47&count=1162&analyzeResults=Analyze+results&txGid=49341ed1a7c173961f3463c8e6fa0e1c (дата обращения 28.05.2020) – Режим доступа: по подписке.
52. Top Trends on the Gartner Hype Cycle for Artificial Intelligence, 2019 [Электронный ресурс] // Smarter With Gartner – 2019 – URL: https://www.gartner.com/smarterwithgartner/top-trends-on-the-gartner-hype-cycle-for-artificial-intelligence-2019/ (дата обращения 28.05.2020).
53. Wiederhold G., McCarthy J., Feigenbaum E. Memorial Resolution: Arthur L. Samuel [Электронный ресурс] // Stanford University Historical Society – 1990 – URL: https://web.archive.org/web/20110526195107/http:/histsoc.stanford.edu/pdfmem/SamuelA.pdf (дата обращения: 15.05.2020).
54. Yu A. How Netflix Uses AI, Data Science, and Machine Learning — From A Product Perspective [Электронный ресурс] // Medium – 2019 – URL: https://becominghuman.ai/how-netflix-uses-ai-and-machine-learning-a087614630fe (дата обращения 28.05.2020).
55. Zillow Prize: Zillow's Home Value Prediction (Zestimate) [Электронный ресурс] // Kaggle – URL: https://www.kaggle.com/c/zillow-prize-1 (дата обращения 28.05.2020).
56. Zuanazzi G. How dynamic pricing algorithms can increase gross profit by +10% [Электронный ресурс] // Towards data science – 2019 – URL: https://towardsdatascience.com/how-dynamic-pricing-algorithms-can-increase-gross-profit-by-10-690a4856bed9 (дата обращения: 25.05.2020).
