Филип Котлер – Маркетинг 5.0. Технологии следующего поколения (страница 21)

Это гибкий инструмент, подходящий для всех индустрий. И когда он используется для описания поведения покупателей, он отражает картину, более близкую к настоящему клиентскому пути. Не только он остается актуальным сегодня, но и предоставляет сильную основу для наблюдения за тем, как люди и машины взаимодействуют в рамках всего клиентского опыта.

Рисунок 7.1. 5-A клиентского пути

Теория 5А показывает, что многие кажущиеся персональными решения о покупке по своей природе – социальные решения. Покупателям все сложнее принимать свои собственные решения с ускорением ритма жизни, ростом количества контента и снижения продолжительности концентрации внимания. Поэтому они обращаются за советом к самому надежному источнику: друзьям и семье. Сейчас клиенты активно подключаются, задают о брендах вопросы и рекомендуют их другим. В результате измерение лояльности покупателей также трансформируется от простого удержания клиентов и повторных покупок до адвокации.

В фазе осведомленности покупатели контактируют с длинным списком брендов через опыт, маркетинговые коммуникации и рекомендации других. Зная о нескольких брендах, покупатели затем воспринимают все полученные сообщения, создавая записи в краткосрочной памяти или усиливая долгосрочную память, и начинают проявлять интерес только к короткому списку брендов. Это фаза привлекательности. Руководствуясь любопытством, покупатели обычно продолжают взаимодействия, активно изучая привлекающие их бренды для поиска дополнительной информации от друзей и семьи, в медиа или напрямую через коммуникацию с брендами. Это стадия вопроса.

Если дополнительная информации на стадии вопроса была убедительна, покупатели принимают решение действовать. Важно помнить, что целевое покупательское поведение не ограничивается покупкой. После покупки покупатели глубже взаимодействуют с брендом, потребляя и используя продукт, а также в рамках послепродажного сервиса. Со временем у клиентов может развиться чувство лояльности к бренду, которое выражается в том, что они остаются клиентом, делают повторную покупку и в конечном счете рекомендуют бренд другим. Это стадия адвокации.

Конечная цель каждой компании – провести покупателя от осведомленности до адвокации, предоставляя превосходные взаимодействия на этом пути. Чтобы этого достичь, компании должны тщательно разрабатывать каждую точку взаимодействия и определить, когда использовать автоматизацию, а когда – человеческое общение. Автоматизация обычно полезна, когда клиентам просто требуются скорость и эффективность, например при бронировании и оплате. С другой стороны, люди все еще лучше справляются с задачами, требующими гибкости и понимания контекста, например при консультировании и гостеприимстве.

Люди и машины в клиентском опыте нового поколения

Роли людей и машин в равной степени важны в гибридном клиентском опыте. Они не только лучше справляются с разными вещами, но также дополняют друг друга. Скорость и эффективность компьютеров предоставляет людям больше свободы для выполнения других видов деятельности, которые требуют воображения. Автоматизация – это платформа, становясь на которую, можно перенести нашу креативность на новый уровень. В этом смысле технологии должны быть признаны движущей силой и акселераторами инноваций. Это служит цели, для которой технологии были изначально придуманы, – освобождение человеческих ресурсов.

До более глубокого погружения в то, где преуспевают машины и люди, нам необходимо понять парадокс Моравека. Ханс Моравек, как известно, поделился наблюдением, что относительно легко заставить компьютеры хорошо справляться с тестами на интеллект, но практически невозможно дать им восприятие и навыки мобильности годовалого ребенка.

Логическому рассуждению, считающемуся высококогнитивной способностью людей, легко обучить компьютеры, так как для этого требуются годы жизни, проведенные за осознанным обучением. Так как мы знаем, как это работает, мы можем просто обучать машины со схожей логикой весьма нехитрым способом. Благодаря более высокой вычислительной мощности машин они научатся быстрее нас и их знания будут надежнее.

С другой стороны, сенсомоторным знаниям – нашему восприятию и реакции на окружающую среду – обучить компьютеры сложнее. Представляется, что это низкоуровневые навыки, которым мы обучаемся в раннем детстве, когда ребенок непринужденно взаимодействует с людьми и средой. Это об интуитивном понимании чувств других людей и сочувствии. Никто не знает, как ребенок развивает эти способности, так как они по большей части получаются бессознательным обучением на основе миллионов лет человеческой эволюции. Таким образом, нам тяжело обучить тому, что мы сами не понимаем.

Ученые, изучающие искусственный интеллект, предпринимали попытки обратного проектирования[22] бессознательного обучения, применяя процессы сознания. Компьютеры анализируют миллиарды лиц и их отличительные черты, чтобы распознавать каждое и даже различать скрытые в них эмоции. Тот же принцип применяется к изучению голосов и языков. Результаты колоссальные, но требуются десятилетия для их достижения. В робототехнике успехи пока скромные. Роботы научились копировать наши движения тел в ответ на внешние раздражители, но они не преуспели в воспроизведении грациозности.

Компьютеры могут легко превзойти человеческие способности, которые большинство людей считают нашими основными активами – логическое мышление и размышление. Наоборот, на имитацию того, что кажется естественным для людей, машинам требуются десятилетия и колоссальные вычислительные мощности. Навыки, которые некоторые люди часто считают чем-то само собой разумеющимся, – это то, что отличает нас от компьютеров. Это парадоксально.

Ключевой фактор, определяющий различия между людьми и компьютерами, – это способности обрабатывать информацию. В области управления знаниями существует иерархия, известная как DIKW-пирамида: данные (англ. data), информация (англ. information), знания (англ. knowledge) и мудрость (англ. wisdom). Отчасти вдохновленные пьеса Т. С. Элиота «Скала», существуют различные версии этой иерархии от различных авторов. Мы используем шестиступенчатую модель, добавив шум и выводы в DIKW-пирамиду (см. рисунок 7.2).

Рисунок 7.2. Иерархия управления знаниями

Данные, информация и знания – это признанные области машин. Компьютеры достигли отличных успехов в обработке неструктурированных данных в значимую информацию с быстротой и практически без ограничений. Новая полученная информация затем добавляется в резервуар соответствующей информации и другие известные контексты для развития того, что называется знанием. Компьютеры организуют и управляют этим богатством знаний в своем хранилище и могут извлекать их при необходимости. Количественная природа и большие вычислительные объемы делают машины идеальными для такой работы.

С другой стороны, три несколько беспорядочных и интуитивных элемента (шум, выводы и мудрость) – это в рамках человеческих реалий. Шум – это искажение или отклонение от данных и может сильно отвлечь при группировке данных в структурированные кластеры. Пример шума – это выброс, который компьютер быстро распознает как сильное отклонение в наборах данных. Но резко отклоняющееся значение может быть как и действительной переменной, так и ошибкой. И единственный способ это определить – через субъективную оценку на основе понимания реального мира. И это то, где люди – из бизнеса, а не области наук о данных – играют роль в определении: оставить или отфильтровать сильно отклоняющееся значение.

Суждение человека при фильтрации шума имеет ключевое значение. В некоторых случаях закономерности могут быть открыты при обнаружении аномалий, или, другими словами, сильно отклоняющихся значений. Многие исследователи рынка и этнографы часто обнаруживают значимые закономерности, наблюдая за нетипичным поведением покупателей. Они также часто целенаправленно наблюдают за пользователями на крайних концах спектра нормального распределения для нахождения идей за пределами нормы. В силу своей редкости, эти необычные наблюдения часто считаются статистически незначимыми. Качественные аспекты нахождения закономерностей за пределами общепризнанных знаний – это то, что лучше всего подходит для интуитивной природы человека.

На вершине пирамиды находится мудрость, которую, возможно, машинам сложнее всего копировать с людей. Она помогает нам принимать правильные решения на основе набора беспристрастного взгляда, здравого суждения и соображений этического порядка. Никто не знает точно, как мы развиваем мудрость в течение нашей жизни. Но большинство людей согласились бы, что мудрость приходит на основе практического, а не теоретического опыта. Другими словами, люди учатся как на положительных, так и на отрицательных последствиях своих прошлых решений, и со временем их мудрость заостряется. В отличие от узкого машинного обучения, этот процесс очень широкий и покрывает все аспекты человеческих жизней.

В области рыночных исследований компьютеры могут помогать маркетологам обрабатывать информацию и создавать рыночные симуляционные модели. Но в конечном счете маркетологи должны пользоваться своей мудростью для выявления реалистичных выводов и принятия правильных решений. Часто людям требуется отменять рекомендованные искусственным интеллектом решения.