Нейросети состоят из многочисленных взаимосвязанных и простых обрабатывающих элементов, которые имитируют определенные аспекты физической структуры мозга и обработки информации. Каждый обрабатывающий элемент (по сути, нейрон) получает информацию от других элементов. Значения и входные данные взвешиваются и объединяются, а затем выходные данные преобразуются с помощью передаточной функции в желаемый результат. Нейросети способны обучаться на основе данных, что делает их мощным инструментом для решения сложных задач, таких как классификация изображений, распознавание речи и прогнозирование временных рядов. Нейросети используются для анализа больших объемов данных о потребителях, прогнозирования их поведения и создания персонализированных маркетинговых сообщений.
Для изучения влияния нейросетей на решение маркетинговых и коммуникационных задач в практике современного бизнеса, мы будем использовать качественный подход, который будет включать в себя анализ существующих исследований и работ по данной теме, а также интервью с экспертами в области маркетинга и коммуникаций, которые используют нейросети в своей работе.
С точки зрения социологии интернета, важно понять, как технологии влияют на взаимодействие между брендами и потребителями, а также на способы, которыми компании достигают своих маркетинговых целей.
Нейронные сети могут быть использованы в маркетинге для анализа больших объемов данных и выявления скрытых взаимосвязей и трендов. Они могут помочь в прогнозировании поведения потребителей, определении эффективности маркетинговых кампаний и улучшении стратегий продаж. Например, нейронные сети могут использоваться для анализа исторических данных о продажах и определения будущих трендов. Они также могут помочь в определении, какие факторы влияют на решения покупателей, и использовать эту информацию для улучшения маркетинговых стратегий.
Нейросети помогают анализировать большие объемы данных о потребителях, прогнозировать их поведение и создавать персонализированные маркетинговые сообщения. Они могут использоваться для сегментации клиентов, прогнозирования оттока клиентов, определения оптимального времени для отправки маркетинговых сообщений. Например, нейросети могут группировать похожие пути клиентов с использованием алгоритмов встраивания изображений, что позволяет более глубоко понять поведение клиентов. Они также эффективны в сборе и извлечении информации из больших источников данных и имеют способность определять причинно-следственные связи в них.
Важным аспектом применения нейросетей в маркетинге является обучение нейросетей, которое заключается в подаче сети данных, необходимых для генерации результатов. Однако вызовом является разработка правильного «веса» для каждого входа в нейросеть, чтобы обеспечить наиболее точные прогнозы.
Зарубежные и отечественные исследователи активно работают над решением конкретных задач в области применения нейросетей в определенной отрасли. Так в статье «Artificial neural network and Bayesian network models for credit risk prediction» авторы предлагают улучшенные модели искусственных нейронных сетей для оценки кредитоспособности клиентов. [4] Это позволяет более точно оценивать риски при предоставлении кредитов. В 2020 году вышла статья «EEG signal based Modified Kohonen Neural Networks for Classifica-tion of Human Mental Emotions» и в ней предлагается несколько модифицированных нейронных сетей Кохонена для классификации человеческих эмоций. [2] Эмоции обнаруживаются из сигналов ЭЭГ, которые могут обеспечить более высокую точность по сравнению с аудио- и видеосигналами. Эмоции, классифицированные с использованием нейронных сетей Кохонена, включают гнев, радость, грусть и расслабление. Анализ данных проявлений может использоваться при проведении маркетинговых исследований.
Статья «Social Media Marketing Optimization Method Based on Deep Neural Network and Evolutionary Algorithm» представляет несколько методов оптимизации маркетинга в социальных медиа на основе глубоких нейронных сетей и продвинутых алгоритмов. [14]
Исследование, которое посвящено улучшению эффективности прогнозирования намерений клиентов банка с использованием искусственных нейронных сетей в условиях сильно несбалансированных данных, предоставляет свои авторские методики анализа (см. «Business Analytics in Telemarketing: Cost-Sensitive Analysis of Bank Cam-paigns Using Artificial Neural Networks» [12]).
Отечественные же авторы в исследовании «Neural Network Model for the Mass Appraisal of Residential Real Estate in Russian Cities» разрабатывают модель искусственной нейронной сети для массовой оценки жилой недвижимости в российских городах. [5] Она обучается на основе данных о рынке недвижимости в нескольких городах России за период с 2006 по 2020 год. Модель учитывает изменения в международной экономической ситуации и специфику региональных рынков, учитывает географическое расположение, строительные и эксплуатационные, а также экономические параметры, меняющиеся со временем. Это может быть полезно для строительных компаний для проведения прогнозов рынка и оптимизации их строительного бизнеса.
Нейросети также применяются в исследованиях, связанных с рекламой. Например, они используются для изучения эффекта онлайн-рекламы и измерения эффекта рекламы. В исследовании «Neural Networks in Marketing: Modelling Consumer Responses to Advertising Stimuli» анализируется использование машинного обучения для прогнозирования спроса на основе рекламных расходов. [1] Ученые сравнивают различные методы машинного обучения и глубокого обучения и приходят к выводу, что LSTM (долгосрочная память с коротким сроком) превосходит другие модели в точности прогнозирования.
Нейросети оказывают значительное влияние на рынок рекламы и в России, привнося инновации и улучшая эффективность рекламных кампаний. Одним из ключевых трендов, связанных с использованием нейросетей в рекламе, является нейромаркетинг. Этот подход предполагает изучение поведения потребителей и методов воздействия на него. Для этого нейромаркетинг измеряет и анализирует активность человеческого мозга и нервной системы, что позволяет выбирать те типы контента, на которые человек реагирует наиболее позитивно. На основе собранных данных можно вносить изменения в уже существующую маркетинговую стратегию или создавать новую, которая будет воздействовать на конкретный сегмент аудитории.
Важно отметить, что использование нейросетей в рекламе не ограничивается нейромаркетингом. Нейросети также используются для оптимизации поиска, анализа данных и создания персонализированных рекламных сообщений. Все эти новшества помогают улучшить эффективность рекламных кампаний и увеличить охват аудитории. В области коммуникаций нейросети могут помочь в анализе больших объемов данных, таких как отзывы клиентов, и использовать эту информацию для улучшения качества обслуживания клиентов и увеличения уровня удовлетворенности клиентов.
Указанные работы дают представление о том, как нейронные сети используются в различных аспектах бизнеса, от прогнозирования банкротства до обнаружения необычных финансовых операций, от анализа телемаркетинговых кампаний до классификации человеческих эмоций для лучшего взаимодействия с клиентами.
Существуют неоднозначные оценки в отношении влияния новейших технологий на социальную реальность. Исследование, опубликованное в журнале «Advances in Data Analysis and Classification», показало, что общественное мнение о нейросетях и искусственном интеллекте в целом положительное, но смешанное. [3] Большинство людей признают потенциал этих технологий и приветствуют их применение в различных областях, таких как здравоохранение, образование и транспорт. Однако многие также выражают опасения относительно возможных негативных последствий, включая угрозы безопасности, приватности и потери рабочих мест из-за автоматизации.
В зависимости от отрасли, в которой используются нейросети, общественное мнение может существенно варьироваться. Например, в области здравоохранения большинство людей положительно относятся к использованию нейросетей для диагностики и лечения заболеваний. Однако в сфере транспорта мнения разделились: некоторые люди приветствуют использование нейросетей в автономных автомобилях, в то время как другие выражают опасения относительно безопасности.
Несмотря на существующие опасения, большинство людей ожидают, что нейросети будут играть все более важную роль в нашем обществе в будущем. Многие считают, что правительство и организации должны активно участвовать в регулировании этих технологий, чтобы обеспечить их безопасное и этичное использование.
Нейросети оказывают значительное влияние на решение маркетинговых и коммуникационных задач в практике современного бизнеса. Они предоставляют мощные инструменты для анализа данных и выявления сложных закономерностей, которые могут быть использованы для оптимизации маркетинговых и коммуникационных стратегий.
Нейросети позволяют проводить более точную сегментацию клиентов, анализируя их поведение и группируя их по схожим характеристикам. Это позволяет компаниям разрабатывать более целевые и эффективные маркетинговые стратегии. Кроме того, они способны прогнозировать поведение клиентов, что может быть использовано для оптимизации маркетинговых кампаний и улучшения взаимодействия с клиентами.
В области коммуникаций нейросети могут быть использованы для анализа социальных медиа и других источников данных для выявления общественного мнения и настроений относительно бренда или продукта. Это может помочь компаниям лучше понять своих клиентов и адаптировать свои коммуникационные стратегии соответственно.
Однако, несмотря на все преимущества, использование нейросетей также представляет собой ряд вызовов. Это включает в себя необходимость в больших объемах данных для обучения нейросетей, сложности в интерпретации результатов и потенциальные проблемы с приватностью и безопасностью данных. Эти вызовы требуют дальнейшего исследования и разработки подходящих решений.
В целом, нейросети представляют собой мощный инструмент, который может значительно улучшить эффективность маркетинговых и коммуникационных стратегий. Однако их использование должно быть основано на тщательном понимании их возможностей и ограничений, а также на учете этических и правовых вопросов. Дальнейшие исследования в этой области могут привести к разработке новых методов и подходов, которые могут еще больше улучшить эффективность использования нейросетей в маркетинге и коммуникациях.
Важно отметить, что, несмотря на все преимущества нейросетей, они не являются панацеей и не могут заменить все другие инструменты и подходы в маркетинге и коммуникациях. Они должны использоваться в сочетании с другими методами и технологиями, и их использование должно быть адаптировано к конкретным условиям и потребностям каждой компании.
В заключение, можно сказать, что открываются новые возможности для маркетинга и коммуникаций, но их успешное применение требует глубокого понимания внутренней механики, а также умения работать с большими объемами данных и интерпретировать результаты их работы.
Автор
Скуратов А.Б., кандидат социологических наук, Уральский федеральный университет им. первого Президента России Б.Н. Ельцина
Для цитирования: Скуратов А.Б. Влияние нейросетей на решение маркетинговых и коммуникационных задач: современное состояние проблемы // Russian Economic Bulletin. 2023. Том 6. № 5. С. 37 – 41.
Литература
- Карри Б., Моутиньо Л. Нейронные сети в маркетинге: моделирование реакции потребителей на рекламные стимулы // Европейский журнал маркетинга. 1993. № 7 (27). С. 5 – 20.
- Д. Джуд Хемант. EEG сигнал на основе модифицированных нейронных сетей Кохонена для классификации человеческих ментальных эмоций // Журнал искусственного интеллекта и систем. 2020. № 1 (2). С. 1 – 13.
- Гальего В., Риос Инсуа Д. Текущие достижения в нейронных сетях // Ежегодный обзор статистики и ее применения. 2022. № 1 (9). С. 197 – 222.
- Германно Телес и др. Модели искусственных нейронных сетей и байесовских сетей для прогнозирования кредитного риска // Журнал искусственного интеллекта и систем. 2020. № 1 (2). С. 118 – 132.
- Леонид Н. Ясницкий, Виталий Л. Ясницкий, Александр О. Алексеев. Комплексная модель нейронной сети для массовой оценки и сценарного прогнозирования стоимости городской недвижимости, которая адаптируется к пространству и времени // Сложность. 2021. С. 1 – 17.
- Луи Фалиссар и др. Нейронный перевод и автоматическое распознавание медицинских сущностей ICD-10 из естественного языка: разработка модели и оценка производительности // JMIR медицинская информатика. 2022. № 4 (10).
- В.Г. Мохов, В.И. Цимбол. Прогнозирование потребления электроэнергии федерального округа России на основе рекуррентной нейронной сети // Журнал вычислительной и инженерной математики. 2018. № 2 (5). С. 3 – 15.
- Ян Су, Чонг-Хон Ванг, Сюэцзяо Сун. Легкая модель глубокого обучения для оптимизации маркетинго-вой стратегии и анализа характеристик // Компьютерный интеллект и нейронаука. 2022. (2022). С. 1 – 9.
- Юфань Ши. Исследование текущей ситуации и стратегий оптимизации онлайн-маркетинга Nescafe 2023. (37). С. 25 – 31.
- Гибридный метод сегментации клиентов в ресторанах Саудовской Аравии с использованием кластеризации, нейронных сетей и методов оптимизации обучения | SpringerLink [Электронный ресурс]. URL: https://link.springer.com/article/10.1007/s13369-022-07091-y (дата обращения: 15.05.2023)
- Ранний контрольный алгоритм корпоративного финансового риска с использованием искусственных нейронных сетей [Электронный ресурс]. URL: https://www.hindawi.com/journals/misy/2022/4398602/ (дата обращения: 15.05.2023)
- Бизнес-аналитика в телемаркетинге: анализ затрат банковских кампаний с использованием искусственных нейронных сетей [Электронный ресурс]. URL: https://www.mdpi.com/2076-3417/10/7/2581 (дата обращения: 15.05.2023)
- Методы машин опорных векторов и искусственные нейронные сети, используемые для разработки моделей прогнозирования банкротства, и их сравнение [Электронный ресурс]. URL: https://www.mdpi.com/1911-8074/13/3/60 (дата обращения: 04.06.2023)
- Метод оптимизации маркетинга в социальных сетях на основе глубокой нейронной сети и эволюционного алгоритма [Электронный ресурс]. URL: https://www.hindawi.com/journals/sp/2021/5626351/ (дата обращения: 12.06.2023)
- К социологии объяснимости машинного обучения: взаимодействие человека и машины в автоматизированной торговле на основе глубоких нейронных сетей – Кристиан Борх, Бо Хи Мин, 2022 [Электронный ресурс]. URL: https://journals.sagepub.com/doi/full/10.1177/20539517221111361 (дата обращения: 03.06.2023)
