Обработка естественного языка (NLP) с точки зрения маркетинга

NLP (natural language processing), или обработка естественного языка, — это область вычислений, цель которой — помочь компьютерам понять человеческий или «естественный» язык (не путать с нейролингвистическим программированием — прим.ред). В настоящий момент волна интереса к NLP только растет, и его способность оказать вполне ощутимое влияние на маркетинг не кажется чем-то надуманным.

Хотя языки, на которых общаются люди, не кажутся нам чем-то диковинным, компьютерам очень трудно правильно их интерпретировать и использовать. Жесткий, ограниченный правилами формат электронных таблиц и баз данных идеален для машин, а случайная, зависящая от контекста и будто бы не связанная какими бы то ни было правилами природа человеческих языков приводит ИИ в ступор.

Быть может, NLP еще далек от того, чтобы изменить мир профессий прямо сейчас, но не стоит забывать, что это направление существует уже около 30 лет и работы по его совершенствованию ведутся постоянно. Эксперты считают, что следующий прорыв в развитии NLP будет колоссален, обусловит переход от структурированных (базы данных) к неструктурированным (текст) данным и значительно улучшит способность машин «понимать» людей в обычном разговоре.

Содержание статьи

Как NLP может повлиять на работу маркетологов?

Как NLP встряхнул маркетинг

Будущее NLP в маркетинге

Проблема № 1: привлекательное представление необработанных данныхПроблема №2: представление необработанных данных таким образом, чтобы экономить время людейПроблема №3: представление необработанных данных в формате, который можно использовать в режиме реального времениПроблема № 4: упрощение процесса работы с NLP-инструментами

Заключение

Как NLP может повлиять на работу маркетологов?

Будучи маркетологом, вы можете задаться вопросом, какое отношение это может иметь к вам? Что ж, если верить исследователям, достижения NLP наиболее впечатляющим образом могут проявить себя именно в области маркетинга.

Не забывайте, что NLP является научной дисциплиной (суть которой нелегко понять из обычной статьи в 2000 слов), поэтому начать знакомство с ней целесообразно с краткого обзора основных типов обработки, с которыми вы имеете дело практически ежедневно:

• оптическое распознавание символов (Optical Character Recognition): преобразование письменного или печатного текста в данные, которые может прочитать компьютер. Вы когда-нибудь пытались редактировать не редактируемый PDF? Если да, то понимаете, с какими сложностями это сопряжено. OCR — это технология, которая сделала процесс заметно проще.
• распознавание речи (Speech Recognition): преобразование произнесенных слов в данные, которые может понять компьютер. Это NLP-технология, которую вы используете каждый раз, когда разговариваете с голосовыми помощниками типа Siri, Алиса, Cortana, Echo или Google Voice.
• машинный перевод (Machine Translation): перевод текста с одного языка на другой. Эта технология лежит в основе таких приложений для перевода, как Google Translate или Яндекс Переводчик.
• вывод информации на человеческом языке (Natural Language Generation): эта технология используется, когда Алиса, Siri или Cortana отвечают на ваш вопрос.
• анализ настроений (Sentiment Analysis): извлечение данных из контекста (часто «большого текста», big text) и оценка того, являются ли эти данные эмоционально отрицательными или положительными.
• семантический поиск (Semantic Search): тесно связанная с распознаванием речи технология, которая позволяет задавать вопросы голосовым помощникам как при разговоре с другим человеком.
• машинное обучение (Machine Learning): конечно, это совсем другая тема, но важно знать, что машинное обучение использует данные, которые интерпретирует NLP, чтобы «научить» себя будущим действиям.
• программирование на естественном языке (Natural Language Programming): это инструменты, которые позволяют пользователям создавать приложения и программное обеспечение, используя команды на естественном языке (вместо программирования традиционным способом).
• аффективные вычисления (Affective Computing): использование NLP и других технологий для понимания и воспроизведения человеческих эмоций (то, что пугает большинство людей).

Некоторые из этих понятий могут показаться вам незнакомыми, но большинство перечисленных технологий вы используете ежедневно. Вы могли прибегнуть к их помощи даже сегодня, если использовали приложение для проверки орфографии, переводчик, голосовой помощник или чат-бот.

Все эти приложения — и многие другие — используют NLP, чтобы вы могли взаимодействовать с ними, а они могли взаимодействовать с вами. Но этим область применений NLP не исчерпывается.

Обратим внимание на примеры из маркетинга.

Читайте также: AI-технологии обещают революцию в отношениях с клиентами

Как NLP встряхнул маркетинг

Одно из применений NLP, о котором мы уже упомянули, — это анализ текстовых настроений. Вы знаете, что такое «большие данные» (big data)? Так вот — встречайте его брата — «большой текст» (big text). 

В наши дни анализ настроений становится все более продвинутым и дает возможность не только понять, что люди говорят о вашем бренде в сети, но и как они к нему относятся. Как маркетолог вы знаете — ошибочно думать, что любые упоминания бренда — это однозначно хорошо. С NLP данный аспект можно доказать.

С помощью NLP можно обработать большой по объему текст и найти все эти негативные упоминания бренда, одновременно предложив человеку, оставившему их, помощь и смягчив последствия. Аналогичным образом, анализ настроений может помочь компаниям найти людей с явным намерением совершить покупку и своевременно выйти с ними на связь — либо напрямую, либо посредством демонстрации рекламы своего продукта.

Если вы занимаетесь электронной коммерцией, вам придется по душе такой вариант использования NLP, при котором происходит обработка текста и автоматическое изменение HTML-кода на лендинге для включения в описание деталей продукта, которые могли быть и не предусмотрены в базовом варианте. Это не только сокращает объем рутинной работы, но и делает описания продуктов более персонализированными, что улучшает их ранжирование в поисковых системах.

Еще один пример — использование NLP для улучшения производительности чат-ботов. Мало того, что эта технология может улучшить их юзабилити — и, как следствие, клиентский опыт — она делает возможным интеграцию с психологией маркетинга (поведенческой экономикой) и таргетингом, способными на деле увеличить конверсию и число продаж.

Например, в прошлом году ритейлер Asos сообщил об увеличении заказов на 300%, которое стало возможным за счет использования нового fashion-бота Enki. Раньше у компании был чат-бот, которого звали просто помощником по подаркам (довольно обыденно, не так ли?) и, судя по всему, возложенных на него ожиданий он не оправдывал. Используя новый, полностью улучшенный чат-бот Facebook Messenger, компания стала свидетелем 250%-ой отдачи от расходов, охватив при этом в 3,5 раза больше людей. Впечатляет, не так ли?

ASOS: «Тебе это нравится? Нам тоже. Поприветствуй своих новых лучших друзей»

Косметический гигант Sephora также сумел извлечь пользу от чат-ботов, правда, не от одного, а от одновременного использования трех автоматических ассистентов:

• ассистента по резервированию;
• виртуального ассистента;
• Kik-бота.

Принимающий заказы бот Facebook демонстрирует коэффициент конверсии, который на 11% выше результатов любого другого метода заказа косметических средств.

Читайте также: Как создать полезный и приятный в общении чат-бот?

Будущее NLP в маркетинге

Главное препятствие, способное помешать вашему пониманию NLP и его возможностей в сфере маркетинга, заключается в том, что, хоть и не трудно понять, как он работает (помогает компьютерам понимать человеческую речь и текст), весьма сложно представить весь спектр ситуаций и задач, для которых NLP может быть использован.

Одна из основных проблем — и в то же время преимуществ — систем на основе NLP заключается в том, что они могут обрабатывать огромное количество данных. Более того, большая часть этих данных представляет собой неструктурированные данные, которые раньше в столь крупных масштабах обрабатывать не было возможности. В результате люди начали обладать просто невообразимыми объемами данных, анализ которых способен кардинальным образом повлиять на маркетинговые стратегии и принимаемые решения.

Но основная трудность заключается в том, что вы должны иметь возможность использовать эти данные осмысленно. Если вы не сможете это делать, то выгод от анализа big data не будет никаких.

На текущий момент использование NLP-систем сопряжено со следующими проблемами.

Проблема № 1: привлекательное представление необработанных данных

Маркетологи чаще всего используют NLP для анализа социальных сетей — пропускают через его жернова миллионы случайных упоминаний по определенной теме и не только извлекают из всего массива самые важные из них, но и определяют «общее настроение» всех сообщений. При этом одни NLP-приложения фокусируются на определенной платформе социальных сетей (например, Twitter), в то время как другие встроены в приложения для управления отложенным постингом в соцсетях, такие как Hootsuite:

Общее настроение: умеренно позитивное

В любом случае задача состоит в том, чтобы проанализировать растущий объем текста. А расти он будет: по прогнозам, доходы от рынка больших данных вырастут с $42 млрд. в 2018 году до $103 млрд. в 2027 году (а big text — это часть big data). По мере увеличения объема данных инструментами и сервисами по обработке нужно будет пользоваться еще больше, чтобы точно знать, что такие обширные данные действительно могут быть верно интерпретированы и использованы.

Проблема №2: представление необработанных данных таким образом, чтобы экономить время людей

Аналогичным образом эта растущая лавина данных будет более полезной, если приложения найдут способ не только извлекать из нее полезную информацию, доступную для быстрого понимания, но и осуществлять ее последующую обработку.

Такие приложения, как MonkeyLearn, например, анализируют заявки в службу поддержки клиентов, а затем автоматически помечают и классифицируют все тикеты на основе — как вы уже догадались — анализа настроений. Как только сотрудники начинают работу с данными, те просто включаются в их обычный рабочий процесс, уменьшая объем усилий, необходимых для решения вопроса, с которым обратился человек.

Извлеки из своих данных еще больше полезного с помощью MonkeyLearn

Проблема №3: представление необработанных данных в формате, который можно использовать в режиме реального времени

Привычка думать, что обработка данных компьютером должна занимать какое-то время, является морально устаревшей. Мы живем в обществе, для которого все вокруг должно быть доступно в режиме реального времени, здесь и сейчас. Хотя подобным механизмам обработки информации предстоит еще долго развитие, они уже существуют.

Вы уже знаете, как прекрасно проявляет себя NLP в realtime-режиме в текстовых редакторах и не только: предложения по улучшению текста появляются в момент его написания. Эта технология помогает авторам совершенствовать свой контент в процессе его создания, экономя время и позволяя добиваться максимальных результатов.

Надо ли говорить, что это очень перспективная область развития NLP-технологий. Одним из приложений, удачно проявивших себя на этом поприще, является MarketMuse:

MarketMuse: «Сделай контент своим конкурентным преимуществом»

В обмен на адрес электронной почты часть вашего контента будет проанализирована системой, в результате чего будут предложены меры по его улучшению. Вот в чем сила NLP!

Проблема № 4: упрощение процесса работы с NLP-инструментами

Хотя маркетинг и опыт клиентов — это не одно и то же, эти области взаимосвязаны, и, как уже было продемонстрировано, улучшение опыта взаимодействия с автоматизированными ботами может принести весьма ощутимые маркетинговые дивиденды в виде повышения числа конверсий и продаж.

Чат-боты, базы знаний и службы поддержки клиентов можно настроить так, чтобы они помогали людям быстрее получать доступ к необходимой им информации (интеллектуальный анализ данных), предоставляли интуитивно понятный механизм взаимодействия с инструментами (обработка естественного языка), оптимизировали ведомую человеком часть процесса поддержки клиентов (путем автоматической категоризации или сортировки запросов).

Счастливыми людей делают только технологии, не вызывающие стресс и не пугающие своей сложностью, а счастливый клиент — это основа успеха всей компании.

Читайте также: Человек + Искусственный интеллект = Будущее интернет-маркетинга

Заключение

Если вы по роду своей деятельности занимаетесь маркетингом, то озвученные выше возможности NLP должны вас и взволновать, и обрадовать. Если же вы не особо впечатлились описанным, не забывайте о том, каких высот эта технология может достигнуть в ближайшем будущем. Чтобы убедиться в этом, просто вспомните, что из себя представляли онлайн-переводчики 12-13 лет назад, когда они впервые появились.

Особенно важно следить за совершенствованием NLP-сервисов и инструментов, находящих свое применение в области маркетинга. Независимо от того, что вы продаете, являетесь ли вы крупной компанией или нет, вы можете и должны извлечь пользу от уже опробованных методов использования больших данных.

Поскольку одним из факторов эффективного маркетинга сегодня является грамотное использование результатов анализа больших данных, следует приветствовать все, что помогает лучше управлять этими данными. NLP, возможно, является одним из наиболее подходящих инструментов, которые позволяют сделать этот процесс стабильным, масштабируемым и в режиме реального времени.

Источник: lpgenerator.ru

Комментарии: