Исследование: Интернет-маркетинг и искусственный интеллект не способны точно предсказывать потребительские предпочтения

В документальном фильме "Великий взлом" от Netflix 2019 года, например, утверждается, что компания по анализу данных Cambridge Analytica собирала данные из социальных сетей, чтобы глубже проникнуть в психику людей. Создатели фильма утверждают, что на основе этих выводов фирма смогла разработать тщательно таргетированную рекламу, чтобы манипулировать президентскими выборами в США в 2016 году в пользу Дональда Трампа. Обсуждая события, которые демонстрируются в фильме, известный технологический инвестор  Роджер МакНэми утверждал,  что технологические компании «имеют куклу вуду данных, которая является полным цифровым изображением нашей жизни. С его помощью они могут манипулировать нашим поведением».

Точно так же психолог из Гарварда Шошана Зубофф  недавно предупредил  о цифровых маркетологах: «Идея состоит не только в том, чтобы знать наше поведение, но и формировать его таким образом, чтобы превратить прогнозы в гарантии… теперь цель состоит в том, чтобы автоматизировать нас».

Ясно, что идея о том, что плохие люди делают плохие вещи и умеют это делать, находит отклик и согласуется со склонностью общества к теориям заговора. Но, как говорит профессор маркетинга Стэнфордского университета Итамар Саймонсон в  недавней статье в  Consumer Psychology Review , более внимательное изучение показывает, что такие утверждения сильно преувеличены.

Нет никаких сомнений в том, что достижения, которые называются искусственным интеллектом (в основном методы машинного обучения), делают возможными революции во многих областях, включая распознавание изображений, языковой перевод и многие другие. Однако прогнозирование выбора людей (и человеческого поведения в целом) совершенно не похоже на задачи, в которых проявляется ИИ. В отличие от целей этих других задач, предпочтения для конкретных продуктов и атрибутов не существуют, чтобы их можно было предсказать, но, как правило, они формируются во время принятия решений.

Если кратко: хоть люди и имеют общие предпочтения в отношении продуктов (в отношении уникальности, простоты использования, качества, любимого цвета), у людей обычно нет точных, четко определенных предпочтений в отношении конкретных продуктов или того, как они будут обменивать один атрибут продукта на другой.

Например, люди вряд ли перед покупкой предпочтут тостер той или иной модели или конфигурации тостера. Точно так же они вряд ли будут иметь четкое представление о том, сколько еще они готовы были бы заплатить за несколько более привлекательный тостер, пока они не примут решение о покупке. То есть такие предпочтения не существуют для предсказания, а «конструируются» в процессе принятия решения на основе многих, в значительной степени непредсказуемых факторов.

Это особенно актуально в нынешней информационной среде для потребителей, где многие ключевые определяющие факторы выбора (например, обзоры экспертов и пользователей, рекомендации по продуктам, новые варианты) все чаще встречаются потребителю впервые в то время или почти в то время, когда решение принимается, и поэтому его нельзя предвидеть раньше времени. Например, в процессе совершения покупок потребитель может столкнуться с обзором продукта, в котором подчеркиваются преимущества, казалось бы, незначительной особенности, которую потребитель раньше не рассматривал, и это может существенно повлиять на выбор потребителя. Влияние такой своевременной информации делает наш выбор все труднее, поэтому предсказать его становится тяжелее. 

Безусловно, в некоторых случаях потребители  действительно  имеют сильные, точные и стабильные предпочтения в отношении определенных продуктов или атрибутов. Например, некоторые люди предпочитают каждое утро покупать латте. В таком случае сделать прогноз относительно легко и это не требует особых усилий с точки зрения данных или методов.

Аналогичным образом, в некоторых случаях определенные переменные будут предсказывать различия в предпочтениях между группами потребителей. Например, потребители, купившие Xbox, вероятно, будут гораздо более восприимчивы к рекламе игр Xbox, чем потребители, купившие PlayStation. Поскольку сегодня отслеживается больше того, что мы делаем (покупки, «лайки», посещения и т. Д.), Можно делать больше таких «простых» прогнозов.

Однако даже при наличии обширных данных о потребителях для таргетинга способность предсказать, кто, скорее всего, купит продукт, в абсолютном смысле  остается  низкой. Например, в  недавней кампании в Facebook , где миллионам пользователей была показана реклама косметических товаров, ориентированная на их личность (на основе их истории лайков в Facebook), в среднем только 1,5 из 10 000 человек, просмотревших рекламу, купили продукт. 

Конечно, этот результат был примерно на 50% выше, чем у людей, которые видели рекламу, но она не была таргетирована персонально. Другими словами, таргетинг, основанный на личности, увеличивал вероятность того, что кто-то, увидев рекламу, купит рекламируемый продукт, с вероятностью от 1 до 10 000 до примерно 1,5 из 10 000. Такое изменение показателя успеха может быть экономически значимым (в зависимости от стоимости рекламы и рентабельности продукта), но это совсем не то, чтобы иметь «куклу вуду данных», чтобы манипулировать потребителями или «автоматизировать» их. 

В других контекстах использование очень сложных методов машинного обучения (глубокого обучения) показало ограниченную способность улучшать предсказания выбора людей по сравнению с базовыми статистическими методами. Например,  недавнее исследование  показало, что использование более сложных моделей дало лишь очень незначительные улучшения по сравнению с простой моделью в способности предсказывать выбор кредитной карты людьми - настолько незначительное, что, учитывая связанные с этим затраты, это, вероятно, было пустой тратой усилий. 

Также есть механизмы рекомендаций, такие как те, которые используются Netflix или Amazon для привлечения внимания зрителей к новым шоу или продуктам, основанным на том, что они уже посмотрели или купили. В двух  недавних  обзорах  большинство заявленных достижений в точности прогнозов за счет все более сложных методов названо «фантомным прогрессом». Они обнаружили, что простые методы, как правило, работают так же хорошо, как и более сложные, и в одном обзоре сделан вывод о том, что «прогресс, похоже, все еще ограничен… несмотря на возрастающую вычислительную мощность моделей». 

Для потребителей и политиков ограниченная способность предсказывать и тем самым влиять на индивидуальный выбор должна в некоторой степени утешать. С другой стороны, потребители и лица, определяющие политику, должны проявлять бдительность в отношении манипулирования отзывами и другой информацией, от которой потребители все больше зависят в текущей информационной среде, чтобы формировать свои предпочтения и делать выбор. 

Другими словами, мы должны меньше беспокоиться о том, что маркетологи будут точно знать, чего мы хотим (или какие именно кнопки нажимать, чтобы манипулировать нами), и больше беспокоиться о целостности информации, на которую мы все чаще полагаемся при принятии решений.

По материалам: Fortune