Возможности применения генеративных нейронных сетей на различных этапах маркетингового исследования: от планирования до интерпретации данных
Савченко С.П.1
1 Донецкий национальный университет экономики и торговли им. Михаила Туган-Барановского
Статья в журнале
Информатизация в цифровой экономике (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 6, Номер 1 (Январь-март 2025)
Аннотация:
Данная статья рассматривает возможности применения генеративного искусственного интеллекта при реализации маркетинговых исследований. В работе дан краткий обзор существующих подходов к использованию в различных областях, а также впервые предложен анализ интеграции соответствующих технологий в процесс маркетингового исследования на каждом этапе. От формулировки гипотез и сбора данных до их анализа и интерпретации — приводятся варианты внедрения генеративных моделей с конкретными примерами. Дополнительно проведена оценка экономических эффектов, включая расчёт снижения затрат в человеко-часах и денежных средствах. Кроме того, в статье рассмотрены потенциальные риски, связанные с применением генеративного искусственного интеллекта и даны общие рекомендации по их митигации, что позволяет более объективно оценить его роль в маркетинговых исследованиях и стратегических решениях
Ключевые слова: генеративный искусственный интеллект, маркетинговые исследования, искусственный интеллект в маркетинге, автоматизация процессов, цифровая трансформация
JEL-классификация: O31, O32, O33
Введение.
Маркетинговые исследования представляют собой неотъемлемую часть стратегического управления современными организациями. Они позволяют компаниям глубже понять потребности целевой аудитории, проанализировать рыночные тенденции и разработать эффективные стратегии для удержания конкурентных позиций. В условиях стремительно растущей конкуренции и глобализации рынков значимость маркетинговых исследований продолжает возрастать, что делает их основным инструментом принятия обоснованных бизнес-решений. Иными словами, современный маркетинг всё больше ориентируется на «датаориентированный» – научный подход, что выражается во всё большем применении статистических методов на каждом этапе маркетинговой деятельности и большей систематизации самих процессов исследования [3]. В последние годы особое влияние на эту сферу оказали достижения в области машинного обучения и искусственного интеллекта (ИИ). Эти технологии позволили не только автоматизировать обработку больших объемов данных, но и обеспечить более точное прогнозирование рыночного поведения, а также персонализацию предложений для потребителей [10].
Появление генеративного искусственного интеллекта (он же: Generative AI, GenAI) стало новым этапом в развитии технологий. GenAI (generative artificial intelligence) открывает новые перспективы для подавляющей части маркетинговых процессов и, в частности, для проведения маркетинговых исследований, предлагая возможности генерации идей, ускоренной обработки данных, экстракции информации из неструктурированных данных и автоматизации сложных аналитических процессов [2, 10, 24, 25]. Можно с уверенностью сказать, что данный род инструментов расширяет границы доступных на данный момент подходов. Целью данной статьи является анализ возможностей применения технологий генеративного искусственного интеллекта на различных этапах проведения маркетингового исследования. Рассматриваются как текущие практики, так и потенциальные способы внедрения. Также проводится оценка влияния GenAI на эффективность данных процессов и повышение качества результатов.
Маркетинговое исследование представляет собой систематический процесс сбора, анализа и интерпретации данных, направленный на получение информации, необходимой для принятия обоснованных управленческих решений. Этот процесс является основой стратегического планирования в маркетинге, позволяя компаниям как оценивать возможности, так и управлять потенциальными рисками [8].
В соответствии с классическим подходом, описанным в трудах Нэреша К. Малхотры [8], маркетинговое исследование включает несколько ключевых этапов. Каждый из них выполняет определенную функцию в достижении основной цели — формирования достоверной и полной картины исследуемого рыночного явления и включает в себя использование специальных методов, подходов и инструментов, многие из которых могут быть усовершенствованы с применением генеративного ИИ. Раскрытие особенностей применения GenAI на каждом из этапов маркетингового исследования станет предметом дальнейшего анализа в данной статье.
Применение генеративного искусственного интеллекта (GenAI) в маркетинговых исследованиях и деятельности находится на стадии активного изучения и внедрения. Несмотря на то, что данные технологии ещё не стали повсеместным стандартом, растущее внимание к их потенциалу свидетельствует о перспективной трансформации всех областей человеческого труда и в особенности маркетинга. Исследования ведущих аналитических центров и компаний подтверждают значимость и динамику внедрения GenAI в различные аспекты маркетинговой деятельности [4, 23, 25]
Согласно опросам, проведёнными «Statista» и «Salesforce» [23, 26]. Более половины опрошенных маркетологов заявили, что активно используют GenAI, а дополнительные 22% планируют внедрить его в ближайший год. Примечательно, что согласно данным «Boston Consulting Group» (2023) [17], наиболее популярными направлениями использования генеративного ИИ являются персонализация контента (67%) и генерация маркетингового контента (49%), что говорит о низкой осведомленности о новых возможностях, предоставляемых генеративными сетями. Глубоко вопрос возможного влияния GenAI рассмотрен в отчете "The next big arenas of competition" (2024) [25] от McKinsey Global Institute ожидается, что маркетинг и продажи будут одними из основных секторов, которые получат до 75% этой прибыли, что эквивалентно приросту продуктивности маркетинга на 5-15%, или около 463 миллиардов долларов в год. В то же время отменим, что к 2025 году около 20% маркетинговых лидеров уже планируют интегрировать GenAI в стратегическую деятельность своих подразделений, а ещё 44% — использовать его для решения узконаправленных задач. Аналогичные данные отражены в отчёте Deloitte (2023) [20], где указано, что 41% организаций, работающих в сфере маркетинга, продаж и обслуживания клиентов, уже внедрили генеративный ИИ.
Рассмотрим примеры успешного применения [13, 14, 18, 25]:
1. Персонализация маркетинга: Компания Michaels Stores демонстрирует потенциал GenAI в персонализации, автоматизируя до 95% своих email-кампаний, что помимо экономии ресурсов привело к значительному увеличению вовлеченности клиентов.
2. Анализ неструктурированных данных: Stitch Fix и Instacart используют генеративный ИИ для анализа потребительского поведения и формирования более точных рекомендаций по продуктам.
3. Автоматизация процессов: GenAI ускоряет обработку запросов клиентов и поддерживает автоматизированное обслуживание, освобождая ресурсы для более сложных задач.
4. Генерация идей: Компании, такие как Mattel и Kellogg’s, применяют ИИ для создания концепций новых продуктов, что сокращает время на этапы разработки.
5. Оптимизация поиска информации: Использование текстовых моделей для ускорения поиска и обработки данных позволяет предоставлять структурированную информацию в удобной форме.
Генеративный ИИ обладает потенциалом трансформировать маркетинг, сделав его еще более инновационным и ориентированным на потребителя. В будущем технологии GenAI могут стать центральным элементом разработки и реализации маркетинговой стратегии компаний, способствуя созданию уникальных клиентских впечатлений и лучшему контролю за эффективностью расходуемых средств. Использование таких решений, как персонализированный контент, сопровождение и автоматизация рутинных задач позволят сосредоточиться на стратегическом планировании и глубокой аналитике, где также будут достигнуты новые показатели скорости и качества при помощи возможностей в генерации идей, кода и аналитических материалов.
Интеграция GenAI в маркетинг становится не только инструментом повышения эффективности, но и движущей силой цифровой трансформации, формируя новые подходы к взаимодействию с клиентами и анализу рынка.
Для анализа возможностей применения генеративного искусственного интеллекта (GenAI) в рамках маркетинговых исследований была использована методология, основанная на синтезе современных эмпирических данных и заимствования применения из схожих по природе задач областей. Целью методологического подхода является изучение способов интеграции технологий GenAI на каждом этапе исследовательского процесса и оценка их влияния на эффективность выполнения задач.
Информация о текущем применении GenAI была собрана из опубликованных отчетов и исследований [2, 4, 5, 10, 20, 24, 25, 26]. Эти данные дополнялись сведетельствами успешного использования технологий GenAI в реальной практике полученных в пресс релизах компаний и обсуждениях на социальных платформах вроде Reddit [2, 14, 16, 17, 18, 22]. Для повышения точности анализа теоретической основы процесса маркетингового исследования были использованы положения, представленные в классическом руководстве Нэреша К. Малхотры [8].
Методология предполагала наложение возможностей технологий GenAI на каждую фазу маркетингового исследования. Исследовались возможности использования генеративного ИИ для улучшения качества и увеличения скорости креативных процессов таких как: выявление ключевых проблем, генерация гипотез и идей на основе информации, полученной во время обучения и интернет-источников при гибридном подходе, рассматривались возможности усовершенствования подходов в сборе и обработке данных при помощи выделения информации из неструктурированных данных и генерации необходимого кода. Рассматривались подходы, влияющие на все этапы работ: возможности консультаций и более быстрого поиска информации. Также был рассмотрен способы создающие новые подходы как проведение искусственных исследований и SEO (Search engine optimization) оптимизация под GenAI поисковые платформы. В заключительной части был проведен расчет возможного влияния, рассмотрены риски и даны рекомендации во внедрении GenAI в описанные процессы.
Для структурирования информации использовалась комбинация качественных и количественных методов, включая контент-анализ собранных данных и систематизацию примеров. Каждое направление применения GenAI оценивалось с точки зрения потенциальной эффективности, затрат и перспектив долгосрочной интеграции в маркетинговую деятельность.
Методология ограничена доступностью данных о параметрах труда аналитиков, отсутствием экспериментов и зачаточным состоянием рассматриваемых технологий на момент исследования. Также слабо учитывались этические аспекты и вызовы, связанные с использованием GenAI, включая точность результатов, проблемы с защитой данных и возможные ошибки алгоритмов.
Основная часть.
После рассмотрения текущего состояния применения генеративных моделей в маркетинге и других областях, перейдем к более глубокому, поэтапному изучению возможностей GenAI в области маркетинговых исследований. Согласно руководству [8] исследование можно разделить на следующие этапы: подготовку в виде определения проблемы, постановки целей исследования и разработки плана, реализацию, состоящую из: сбора данных, их обработки, анализа, интерпретации и представления результатов, и финальных работ, состоящих из: выработки рекомендаций для принятия решений, а также оценки эффективности проведенного исследования. Далее последовательно рассмотрим эти этапы, начиная с определения проблемы и целей исследования.
Определение проблемы и целей исследования:
Первый этап маркетингового исследования включает формулирование проблемы, которую предстоит решить, и определение целей, направляющих все последующие действия. На этом этапе ключевая задача состоит в выведении гипотез о потребностях целевой аудитории, анализа конкурентной среды, оценок рыночной реакции на новые продукты или прогнозирования будущих трендов. Тщательно сформулированная проблема и четкие цели позволяют минимизировать риски, связанные с проведением исследования, и повысить его точность.
Обладая обширным знаниями, полученными во время обучения текстовые генеративные модели демонстрируют значительный потенциал для повышения качества и скорости данного этапа [27]:
Генерация идей: GenAI может использоваться для формирования гипотез и исследовательских вопросов. Модели могут генерировать как возможные проблемы, так и цели для исследования, которые могут использованы как часть этапа «брейн шторминга».
Консультации: Генеративные модели могут служить “виртуальными консультантами”, предоставляя дополнительную информацию необходимую для более глубокой обработки гипотез и идей.
Быстрый поиск информации: Основанные на GenAI поисковые сервисы значительно ускоряют процесс сбора предварительной информации, позволяя быстро получать готовые ответы из интернет-источников и различных документов, не прибегая к их самостоятельному полному изучению.
Поскольку описанные подходы применимы на каждом этапе работы далее они будут обозначаться просто как «базовые».
Разработка плана исследования:
Этап разработки плана исследования определяет основу для его успешной реализации. Здесь формируются методы и подходы, которые будут использованы для сбора и анализа данных. Это включает выбор типа исследования (качественное или количественное), источников данных (первичные или вторичные), способов сбора информации (опросы, интервью, наблюдения и другие методы), а также инструментов для последующего анализа. От качества разработки плана зависит точность и релевантность полученных результатов [8].На данном этапе уместны те же базовые подходы, а именно. Модель может предложить подходящие способы сбора данных для конкретной ситуации основываясь на внутренние «знаниях» [27]. Также GenAI способен предоставить рекомендации по наиболее эффективным способам сбора данных и найти информацию о подходах, готовых инструментах и примеров успешных кейсов из аналогичных исследований.
В самой совершенной форме с применением «сильных» моделей и агентного подхода возможна полная автоматизация, где система сможет выдавать план исследования на основе входного брифа, определенного на предыдущем этапе.
Сбор данных:
Этап сбора данных представляет собой центральный компонент маркетингового исследования, поскольку на данном этапе формируется фактическая информационная база для анализа и принятия решений. Данные могут быть двух типов: первичные (собираемые непосредственно для конкретного исследования) и вторичные (уже существующие данные из отчетов, статей, публикаций). Кроме того, методы сбора данных варьируются от качественных (например, интервью или фокус-группы) до количественных (например, анкеты или опросы).Генеративный искусственный интеллект значительно расширяет возможности на этапе сбора данных, предоставляя инструменты для обработки информации, автоматизации процессов и генерации новых данных [24].
Рассмотрим возможности внедрения в разрезе видов задач генеративных моделей:
· Text2Text: генеративные модели могут анализировать большие массивы текстовой информации, включая отзывы, комментарии в социальных сетях, статьи и отчеты, извлекая структурированные табличные данные при этом с дополнительной аналитической обработкой. Например, выделение ключевых идей, главных сущностей и так далее.
· Image2Text: Работая с изображениями появляется возможность получить недоступную ранее информацию. Например, можно произвести сбор эмоций потребителей или присутствие определенных сущностей в изображениях (бренды, предметы).
· Audio2Text: Модели способны преобразовывать аудиофайлы из интервью, фокус-групп и других записей в текст, который затем можно анализировать с использованием описанных ранее или традиционных инструментов.
Отдельно выделим возможность проведения синтетических опросов или интервью с использованием LLM (Large Language Models). В исследовании «Generative Agent Simulations of 1,000 People» [19] была показана данная возможность. Важно, что в ходе исследования авторы получили высокую корреляцию с данными, полученными с привлечением реальных людей.
Таким образом при наличии обширной демографической информации для имитации большого числа участников GenAI может моделировать ответы аппроксимируя мнения различных групп населения,что позволяет проводить первичный анализ возможных трендов или реакций. Также генеративные модели позволяют проводить глубинные экспертные интервью при наличии качественного описания возможных участников.
В то же время дополнительный прирост в качестве и скорости все так же дают базовые подходы, но на данном этапе они дополняются еще одним важным элементом – генерацией кода. GenAI способен автоматически генерировать код на языках программирования, таких как Python, R или SQL [16]. Это позволит исследователям быстрее реализовать автоматизацию сбора информации.
Обработка и анализ данных:
На этапе обработки и анализа данных собранная информация структурируется, интерпретируется и превращается в осмысленные выводы. Это позволяет исследователям выявлять ключевые закономерности, тренды и идеи, которые формируют основу для принятия управленческих решений. Процедуры анализа могут включать как количественные методы (например, корреляционный или регрессионный анализ), так и качественные подходы (например, тематический анализ интервью). Важной задачей также является сравнение текущих данных с результатами предыдущих исследований для определения динамики изменений.Второй по возможному влиянию этап. В нем базовые методы и генерация кода для обработки дополняются возможностями быстрого сравнительного анализа. GenAI может автоматически сравнивать данные из текущего исследования с историческими и индустриальными показателями, полученными на этапе обучения [27].
Перечислим несколько возможных способов применения:
· Сгенерировать код для статистического анализа и визуализаций;
· Получить рекомендации по интерпретации аномальных данных или слабых корреляций;
· Сравнить полученные результаты с общепринятыми бенчмарками или другими исследованиями в сети интернет.
Интерпретация и представление результатов:
На этапе интерпретации и представления результатов обработанные данные превращаются в выводы, которые предоставляют ценную информацию для принятия решений. Это требует структурирования и визуализации данных, а также создания отчетов, которые будут понятны и полезны для заинтересованных сторон. Для достижения этой цели важно, чтобы выводы были ясными, аргументированными и наглядно представлены в удобных форматах — графиках, диаграммах, таблицах или презентациях. Данный этап является продолжением предыдущего и наследует все возможности применения GenAI, но в нем происходит смещение в сторону способностей моделей в обобщении больших объемов информации. С применением генеративных моделей появляется возможность анализировать и структурировать большие массивы данных, полученные на предыдущих этапах, выделяя ключевые моменты и представляя их в виде сжатых резюме или ключевых тезисов, дополняя это визуализациями и оформляя в виде презентаций или отчетов.Возможные способы применения включают в себя:
· Создание обобщенных отчетов, выделяя ключевые идеи;
· Генерация кода для стат. Анализа и построения графиков;
· Консультация в ходе создания презентации, которая подчеркивает результаты, наиболее важные для руководителей или инвесторов;
· Автоматическая генерация презентационных материалов.
При этом в случае автоматизации предыдущих процессов при помощи наладки ETL (extract, transform, and load) пайплайнов становится возможной автоматизация и текущего оставляя человеку лишь этап принятия решений.
Принятие решений и рекомендаций:
На основе результатов маркетингового исследования формулируются конкретные рекомендации и принимаются стратегические решения, которые влияют на ключевые аспекты бизнеса: маркетинговую стратегию, позиционирование продукции, улучшение качества обслуживания и другие направления. Это этап, где аналитические выводы превращаются в действия, способствующие достижению бизнес-целей. Поскольку данный этап является глубоко креативным в нем применимы лишь базовые методы.Подводя промежуточные итоги, можем констатировать, что применение GenAI действительно возможно и уместно на каждом этапе маркетингового исследования, однако степень влияния GenAI варьируется в зависимости от сложности этапа (или задачи), объема доступных данных, представленности задачи в данных для обучения и уровня развития вспомогательных инструментов анализа. Для более предметной оценки влияния на эффективность маркетинговых исследований рассмотрим примерный расчет его экономического эффекта.
Применение генеративного искусственного интеллекта (GenAI) в маркетинговых исследованиях может существенно снизить затраты за счет повышения производительности труда. Для примерной оценки экономического эффекта была использована косвенная оценка: а именно расчет уменьшения затрат в оплате труда и выигрыша в человеческих ресурсах. Расчет был выполнен на основе следующих параметров:
1. Средняя продолжительность маркетингового исследования составляет 1 месяц, что эквивалентно 160 рабочим часам на одного сотрудника [1, 6, 7, 9, 11, 12].
2. Размер команды принят равным 4 сотрудникам, что соответствует средней численности команд в IT. Данное число было взято из-за отсутствия точной информации о численности команд маркетинговой аналитики [1].
3. В качестве прироста производительности благодаря применению GenAI взято значение в размере 25% это близкая к средней оценка на основе рассмотренных исследований [12, 18, 25].
4. На момент исследования средняя заработная плата аналитика составляет 140 000 руб. в месяц, что эквивалентно 875 руб. за час работы [5].
5. При этом затраты на использование GenAI включают подписку на сервис с моделями (взят самый популярный на момент написание статьи ChatGPT) и дополнительные инструменты (например, для создания презентаций), что в сумме составляет 130 $ (примерно 13 000 руб.) [15].
Расчет экономического эффекта:
Общие трудозатраты команды без использования GenAI:
Экономия трудозатрат благодаря приросту производительности:
Экономия в денежном эквиваленте:
Общие затраты на оплату труда сотрудников без использования GenAI:
Чистая экономия с учетом затрат на использование GenAI:
Рассмотрим чувствительность к параметрам прироста производительности, стоимости труда, времени реализации и размера команды. При этом затраты остаются константными, поскольку цены провайдеров не имеют больших различий.
Таблица 1. Прирост производительности в зависимости от параметров.
Стоимость труда
|
Прирост производительности
|
Время реализации (часов)
|
Размер команды (человек)
|
Sобщ. (руб.)
|
Sчист. (руб.)
|
Tэкономия
|
875
|
0.25
|
160
|
4
|
140000
|
127000
|
160
|
787.5
|
0.25
|
160
|
4
|
126000
|
113000
|
160
|
962.5
|
0.25
|
160
|
4
|
154000
|
141000
|
160
|
875
|
0.25
|
160
|
4
|
140000
|
127000
|
160
|
875
|
0.15
|
160
|
4
|
84000
|
71000
|
96
|
875
|
0.35
|
160
|
4
|
196000
|
183000
|
224
|
875
|
0.25
|
160
|
4
|
140000
|
127000
|
160
|
875
|
0.25
|
80
|
4
|
70000
|
57000
|
80
|
875
|
0.25
|
320
|
4
|
280000
|
267000
|
320
|
875
|
0.25
|
160
|
4
|
140000
|
127000
|
160
|
875
|
0.25
|
160
|
3
|
105000
|
92000
|
120
|
875
|
0.25
|
160
|
5
|
175000
|
162000
|
200
|
962.5
|
0.35
|
320
|
5
|
539000
|
526000
|
560
|
Таким образом, применение GenAI позволяет снизить трудозатраты команды на 160 чел./час. (таблица 1.), что эквивалентно экономии в 140 000 руб. за один проект. После вычета расходов на использование ИИ (13 000 руб.) чистая экономия составляет 127 000 руб. за месяц работы команды из четырех человек (на момент написания статьи). Эти данные демонстрируют значительное снижение издержек и потенциал для дальнейшей оптимизации процессов, связанных с проведением маркетинговых исследований. Рассмотрев чувствительность к параметрам, мы получили разброс возможного влияния в пределах 57000 и 526000 руб. или 80 и 560 чел./час. в плохом и хорошем сценариях.
Помимо непосредственного сокращения затрат на оплату труда, внедрение GenAI может обеспечивать дополнительные сопутствующие эффекты. Во-первых, при увеличении числа параллельно реализуемых проектов совокупная годовая экономия будет возрастать пропорционально их количеству, что существенно повышает прикладную ценность полученных оценок для компаний, активно масштабирующих свою аналитическую деятельность. Во-вторых, высвобождение трудовых ресурсов от рутинных операций позволит сфокусироваться на более глубоком и качественном анализе данных. Это повысит ценность итоговых отчетов, ускорит выход на рынок и будет способствовать более точной персонализации аналитики под специфические потребности клиентов. В долгосрочной перспективе подобное улучшение качества аналитических продуктов может укрепить конкурентоспособность компании, расширить ее рыночную долю и повысить маржинальность.
Вместе с тем, стоит отметить и некоторые ограничения представленных расчетов. Принятая ставка в 875 руб./час была получена путем прямого деления оклада (140 000 руб./мес) на количество рабочих часов, что не учитывает сопутствующие затраты работодателя, такие как отчисления в фонды социального страхования, налоги на заработную плату, расходы на инфраструктуру (офис, техника, программное обеспечение), а также затраты на обучение и поддержание квалификации персонала. Реальные совокупные издержки на рабочую силу, как правило, выше, поэтому приведенные оценки носят консервативный характер с точки зрения потенциальной экономии при внедрении GenAI.
В то же время, несмотря на широкие возможности, использование генеративного искусственного интеллекта также сопряжено с рядом рисков, которые необходимо учитывать для обеспечения надёжности его применения в маркетинговых исследованиях [24]. Основные риски включают в себя «галлюцинации», предвзятость моделей, и в случае использования стороннего провайдера образуются риски нарушения конфиденциальности и нарушение авторских прав, поскольку обучение модели и поток данных выходит из контролируемого информационного контура компании.
Описанные риски можно разделить по природе возникновения, первые два относятся к самой модели, вторые к провайдеру. Такое разделение позволяет лучше подбирать возможные меры по их минимизации. Для модельных рисков необходимы инженерные решения. Это может быть внедрение процедур контроля, использование систем понижающих вероятность генерации ложных данных (напр. RAG – Retrieval Augmented Generation) [21] и установка жестких параметров модели. Для минимизации рисков основанных на провайдере в первую очередь необходимо тщательно относиться к его выбору. В качестве технических мер могут быть: развертывание локальных моделей, маскировка приватных данных [24] и детальная система по использованию (определения списка задач и типов данных доступных для использования в работе с генеративными моделями).
Применение данных мер не сведет риски к нулю, также некоторые из подходов вносят ряд компромиссов (использование локальных моделей сильно повышает издержки, а также понижает качество из-за более низкого качества самих моделей). Однако описанные рекомендации достаточны для минимизации до оптимального уровня, что позволит эффективно внедрить GenAI в исследовательские процессы.
Заключение.
Детально рассмотрев возможности внедрения генеративного искусственного интеллекта (GenAI) в процессы маркетинговых исследований мы углубили понимание возможностей дальнейшей цифровой трансформации, а также возможных рисков. Генеративные сети в разной мере способны повысить эффективность и скорость большей части этапов маркетинговых процессов, в частности исследований. При этом сценарии полной автоматизации или проведения искусственных исследований показывают, что GenAI может служить не только инструментом оптимизации, но и источником инноваций, которые способны менять устоявшиеся подходы к исследованию рынка.
Лучше всего генеративные модели показывают себя в решении рутинных, но сложных для автоматизации классическими методами задач, что позволяет сконцентрировать силы специалиста на более творческих или наукоемких аспектах реализуемых процессов, а это в свою очередь не только повышает скорость, но и качество выполненных человеком задач.
При этом возможности новых моделей не ограничиваются простой автоматизацией. Благодаря обширным знаниям, полученным во время обучения, они становятся хорошим помощником в получении быстрой справочной информации, генерации новых идей и консультаций. Однако подобное использование несет в себе риск получения ложной информации в следствии «галлюцинаций», который требует тщательный подход во внедрении.
Особенно выделим способность моделей расширить возможности специалиста в области написания кода. Ранее многие задачи требовали высокой квалификации или особых знаний, теперь же применение GenAI позволит повысить возможности большинства сотрудников, позволяя им генерировать код для дополнительной автоматизации, анализа процессов или получения данных из баз данных напрямую. Сюда же можно отнести консультации по настройке готовых инструментов, что могло ранее быть барьером для их использования.
Таким образом генеративные модели меняют подходы в проведении маркетинговых исследований, предоставляя компаниям новые возможности для анализа данных и выработки решений. Используя лучшие практики работы с GenAI и контролируя риски данный род инструментов на сегодняшний день становится ключевым для компаний, стремящихся не только адаптироваться к изменениям, но и переходящих в роль их инициатора.
Источники:
2. Алексеев Д.В. Использование генеративного ии при анализе данных веб-аналитики // Universum: технические науки. – 2024. – № 2-1. – c. 4-9. – url: https://7universum.com/ru/tech/archive/item/16815.
3. Берко А.И. Статистические методы как основа маркетинговых исследований и управления рыночными процессами // Территория науки. – 2016. – № 5. – c. 121-125.
4. Трегубов В.Н. Перспективные направления исследований использования генеративного искусственного интеллекта в маркетинге // International Journal of Open Information Technologies. – 2024. – № 5. – c. 23-32.
5. Зарплаты в IT. Career.habr.com. [Электронный ресурс]. URL: https://career.habr.com/salaries?spec_aliases[]=marketing_analyst (дата обращения: 22.12.2024).
6. Исследовательское агентство MARCS. Часто задаваемые вопросы. Marcs. [Электронный ресурс]. URL: https://www.marcs.ru/faq/ (дата обращения: 22.12.2024).
7. Исследовательское агентство полного цикла АСИ. Часто задаваемые вопросы. Аси. [Электронный ресурс]. URL: https://asinfo.ru/faq/ (дата обращения: 22.12.2024).
8. Карасев А. П. Маркетинговые исследования. / :учебник и практикум для среднего профессионального образования— 2-е изд., перераб. и доп. - Москва: Издательство Юрайт, 2024. – 315 c.
9. Маркетолог аналитик – обзор профессии. Сравни. [Электронный ресурс]. URL: https://www.sravni.ru/kursy/info/marketolog-analitik/ (дата обращения: 22.12.2024).
10. Сафонов А.В. Использование машинного обучения для анализа данных в маркетинге // Международный научный журнал. – 2024. – № 6. – c. 251-256.
11. Сколько времени занимает проведение маркетингового исследования?. Дзен. [Электронный ресурс]. URL: https://dzen.ru/a/X-yDSZgBSU7YMHJC (дата обращения: 22.12.2024).
12. Сколько времени необходимо для выполнения маркетингового исследования рынка?. Яндекс Кью. [Электронный ресурс]. URL: https://yandex.ru/q/question/skolko_vremeni_neobkhodimo_dlia_rynka_e8b1787b (дата обращения: 22.12.2024).
13. Щелик С. Ю., Солдатова А. В. Использование нейросетей и возможностей генеративного дизайна в брендинге // Практический маркетинг. – 2024. – № 7. – c. 78-84.
14. Cedric Bartelt, Alexander Maximilian Röser Transforming the Operational Components of Marketing Processes with GenAI: A Paradigm Shift // Artificial in Artificial Intelligence and Machine Learning. – 2024. – № 4. – p. 2535.
15. Comparison of Models: Quality, Performance & Price Analysis. Artificialanalysis. [Электронный ресурс]. URL: https://artificialanalysis.ai/models (дата обращения: 22.12.2024).
16. Cui, Zheyuan and Demirer, Mert and Jaffe, Sonia and Musolff, Leon and Peng, Sida and Salz, Tobias The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers // SSRN. - 2024
17. How CMOs Are Succeeding with Generative AI. Bcg. [Электронный ресурс]. URL: https://www.bcg.com/publications/2023/generative-ai-in-marketing (дата обращения: 08.12.2024).
18. How generative AI can boost highly skilled workers’ productivity. Mit. [Электронный ресурс]. URL: https://mitsloan.mit.edu/ideas-made-to-matter/how-generative-ai-can-boost-highly-skilled-workers-productivity (дата обращения: 03.11.2024).
19. Joon Sung Park, Carolyn Q. Zou, Aaron Shaw, Benjamin Mako Hill, Carrie Cai, Meredith Ringel Morris, Robb Willer, Percy Liang, Michael S. Bernstein Generative Agent Simulations of 1,000 People // arxiv. - 2024
20. Now decides next: Insights from the leading edge of generative AI adoption. Deloitte. [Электронный ресурс]. URL: https://www2.deloitte.com/content/dam/Deloitte/us/Documents/consulting/us-state-of-gen-ai-report.pdf (дата обращения: 24.12.2024).
21. Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // arxiv. - 2020
22. Shakked Noy, Whitney Zhang Experimental evidence on the productivity effects of generative artificial intelligence // Science. – 2023. – p. 6654.
23. Share of marketers using generative artificial intelligence (AI) in their companies in the United States as of March 2023. Statista. [Электронный ресурс]. URL: https://www.statista.com/statistics/1388390/generative-ai-usage-marketing/ (дата обращения: 03.11.2024).
24. The great acceleration: CIO perspectives on generative AI. Databricks. [Электронный ресурс]. URL: https://www.databricks.com/sites/default/files/2023-07/ebook_mit-cio-generative-ai-report.pdf (дата обращения: 17.12.2024).
25. The next big arenas of competition. Mckinsey. [Электронный ресурс]. URL: https://www.mckinsey.com/mgi/our-research/the-next-big-arenas-of-competition (дата обращения: 09.12.2024).
26. Top Generative AI Statistics for 2024. Statista. [Электронный ресурс]. URL: https://www.salesforce.com/news/stories/generative-ai-statistics/#h-marketers-believe-generative-ai-will-transform-their-role-but-worry-about-accuracy (дата обращения: 03.11.2024).
27. What is generative AI in marketing?. Ibm. [Электронный ресурс]. URL: https://www.ibm.com/think/topics/generative-ai-marketing (дата обращения: 03.11.2024).
Страница обновлена: 11.03.2025 в 11:45:25