Делегируем маркетинговую стратегию нейросетям: как делать это правильно

Мнением и советами о работе с ИИ при разработке маркетинговой стратегии поделился маркетолог и преподаватель, эксперт фонда «Сколково», академический директор РАНХиГС Алексей Добрусин.

Когда речь заходит о нейросетях в маркетинге, почти всегда подразумевают использование ИИ для тактических задач: придумать десять вариантов заголовка, сделать картинку для поста или черновик рассылки, собрать семантику. На них ИИ, безусловно, полезен, но это «нижний этаж». Главный выигрыш от нейросетей живёт «выше» — там, где решают, кого мы вообще считаем своим клиентом, какую его боль закрываем и чем отличаемся от соседей по полке.

Разница в цене ошибки. В тактических задачах промах стоит копейки: неудачный заголовок меняется за минуту. В стратегических задачах промах стоит дорого, а исправлять его долго. Ошиблись с сегментом или заняли позицию, которую уже держат пятеро, — и потом месяцами доплачиваете за это рекламным бюджетом. Поэтому на верхнем уровне нейросеть и полезнее всего: она ускоряет и подстраховывает те решения, которые принимают редко, медленно и с оглядкой.

В этой статье для редакции «Маркетинг» Skillbox Media я расскажу:

• где ИИ может помочь, а где помешает;
• как перестать тонуть в данных на этапе исследования;
• как нейросети помогают в сегментации;
• как избежать рисков при работе с данными клиентов;
• чем ИИ поможет в позиционировании;
• как правильно ставить задачу;
• на каких ошибках можно споткнуться.

Сначала о границах: где ИИ помогает, а где мешает

Прежде чем брать инструмент в руки, стоит разобраться, что он умеет, а что нет. Иначе легко свалиться в одну из двух крайностей — ждать готовую стратегию по нажатию кнопки или, разочаровавшись в первом же общем ответе, отмахнуться: «Это всего лишь игрушка».

Я держу в голове одно правило: ИИ предлагает — человек проверяет и решает. Нейросеть не заменяет стратега. Она снимает рутину анализа и берёт на себя то, что человек делает медленно и через силу: перелопачивает горы текста, находит в них закономерности, генерирует и отбраковывает гипотезы, спорит как неутомимый собеседник. Но последнее слово всё равно остаётся за человеком.

Сильна модель там, где у человека заканчиваются силы. Для вас прочитать 2000 отзывов и вытащить из них повторяющиеся мотивы — несколько дней и замыленный глаз, для неё — минуты. Свести разрозненное в систему, набросать 20 формулировок вместо трёх, стать адвокатом дьявола и раскритиковать вашу же идею — её стихия.

Слабые места тоже надо знать в лицо. Модель выдумывает факты и подаёт их уверенно, ровным тоном — так, что подделку не видно. Поэтому всё, что похоже на факт — цифры, ссылки, названия исследований, — нужно проверять руками.

Кроме того, нейросеть не знает вашего рынка и вашего бренда изнутри. У неё нет вкуса и чутья, которые у сильного маркетолога наработаны годами. И её знания устаревают. Я буду возвращаться к слабым местам и дальше — потому что понимать их очень важно.

Исследование: как перестать тонуть в данных

Исследование — самый трудозатратный этап и одновременно тот, где ИИ экономит больше всего времени. Не потому, что придумывает за вас, а потому, что мгновенно обрабатывает то, что у вас уже есть. Он может и обработать неструктурированные данные, и провести кабинетный анализ.

Обработка неструктурированных данных. У любого бизнеса, который прожил хотя бы год, скапливается гора текста о клиентах: отзывы на маркетплейсах и картах, переписки с поддержкой, расшифровки интервью, комментарии в соцсетях, ветки на форумах. Обычно эта гора лежит мёртвым грузом, потому что прочитать это всё и обобщить вручную нереально.

Отдайте массив модели и попросите вытащить повторяющиеся боли, возражения и те слова, которыми люди сами описывают свою проблему. Последнее дорогого стоит: язык клиента пригодится и для сегментов, и для будущих рекламных сообщений.

Кабинетный анализ. Модель за минуту может набросать обзор рынка, смежных практик, трендов, типовых бизнес-моделей. Но кабинетный анализ от ИИ нужно воспринимать как способ быстро сориентироваться, а не как источник истины.

Собранное удобно превратить в гипотезы о задачах клиента в логике «работы, которая должна быть выполнена» — Jobs to be Done. Попросите модель на основе отзывов и интервью сформулировать, какие задачи люди на самом деле решают вашим продуктом. Среди них нередко всплывают неочевидные, и это самые интересные находки.

Сегментация: где ИИ силён и где по-настоящему опасен

Сегментация — тот этап, где нейросеть даёт самый заметный выигрыш и одновременно чаще всего подводит. Всё зависит от того, на чём вы попросите её работать.

Тупиковый путь — дать запрос вроде «придумай сегменты для моего рынка». В ответ вы получите складную, правдоподобную и совершенно бесполезную пятёрку портретов, которые подойдут кому угодно и не опираются ни на что.

Рабочий путь — накормить модель своими данными. Используйте выгрузку из CRM, ответы на опросы, те же отзывы и интервью — и ставьте задачу не «придумать», а «сгруппировать вот этих реальных людей по потребностям и поведению». Между этими двумя запросами пропасть: фантазия против исследования.

На ваших данных модель делает несколько полезных вещей. Собирает персоны не из воздуха, а из реальных реплик, с настоящими формулировками и возражениями. Находит неочевидные пересечения, которые легко проглядеть в большом массиве: например, что две непохожие на первый взгляд группы покупают по одной и той же причине. И показывает, где ваша интуитивная разбивка расходится с тем, что говорят сами данные.

Ограничение придётся принять: без вашей фактуры модель выдаёт правдоподобные, но пустые сегменты. Толк появляется в ту минуту, когда вы даёте ей реальные данные, а не просите сочинить. А как только вы начинаете грузить выгрузки и клиентские данные, встаёт вопрос, который не обойти, — безопасность.

Про безопасность данных, пока не поздно: как избежать рисков

Загружая в нейросеть выгрузку из CRM или клиентские данные, вы берёте на себя ответственность за них. Многие публичные сервисы по умолчанию вправе использовать введённое для дообучения модели, а значит, фрагменты ваших данных теоретически могут всплыть где-то ещё. И сам сервис — это ещё одна «дверь», которую способны взломать.

Относиться к этому стоит серьёзно, но без паники — риск снимается соблюдением двух простых правил:

• Не грузите персональные данные и коммерческую тайну в исходном виде. Обезличивайте: уберите имена, телефоны, адреса, номера договоров, замените их на «клиент А» и «клиент Б». Для сегментации важны поведение и потребности, а не паспорт: от обезличивания результат не будет хуже.
• Загляните в настройки сервиса и отключите обучение на ваших данных, если такая опция есть. Она найдётся у многих нейросетей, просто может быть спрятана глубоко в настройках. Ещё надёжнее корпоративные и бизнес-тарифы, где поставщик прямо обещает не пускать введённое в обучение.

Для по-настоящему чувствительных данных существуют решения, которые работают в закрытом контуре компании, без отправки наружу. Это история, скорее, для крупного бизнеса, но знать про такую возможность полезно всем.

Позиционирование: как использовать ИИ в качестве спарринг-партнёра

Позиционирование — самый «человеческий» из трёх этапов. Тут нужны вкус, чувство языка и знание рынка, а этого у модели нет. Поэтому не нужно пытаться задавать ей роль автора — лучше использовать ИИ как спарринг-партнёра, о которого вы точите собственную мысль.

Проще всего начать с вариантов. Удачная формулировка ценности редко приходит первой. Модель за минуту накидает два десятка версий под разными углами: от выгоды, от врага, от способа использования, от эмоции. В дело «как есть» не пойдёт, скорее всего, ни одна версия, но они расшевелят мышление и дадут материал для отбора. Дальше ваша работа — выбрать, скрестить, довести до ума.

Отдельно полезна проверка на отстройку. Соберите позиционирование конкурентов, отдайте модели и попросите найти, где вы звучите одинаково. Это отрезвляет. Часто оказывается, что ваш «индивидуальный подход и высокое качество» слово в слово повторяет то, что пишут ещё пятеро. Такую одинаковость модель ловит хорошо: она видит все формулировки разом и не влюблена в вашу.

Ограничение прежнее: финальный выбор и тонкая настройка за человеком. Модель поможет перебрать и покритиковать, но решение, каким брендом вы хотите остаться в голове у клиента, за вас не примет. И не должна.

Как ставить задачу, чтобы получать не воду

Всё описанное работает при одном условии: вы умеете внятно поставить задачу. На стратегическом уровне качество ответа почти целиком зависит от качества запроса. Слабый запрос — общий ответ, и наоборот. Никакой магии промптов тут нет, есть обычное умение чётко формулировать, просто перенесённое на разговор с машиной.

Сильный запрос почти всегда собран из пяти частей: роль и контекст (кто модель в этом разговоре и что за ситуация), ваши данные (то, на чём работать, вставленное прямо в запрос, а не пересказанное), конкретный вопрос (одна узкая задача вместо «сделай стратегию»), критерии хорошего ответа (на что опереться, чего избегать) и формат результата (таблица, список, короткий вывод). На примере разница очевидна.

Слабый запрос звучит так: «Придумай маркетинговую стратегию для моей кофейни». В ответ — пересказ учебника: определите аудиторию, ведите соцсети, запустите программу лояльности, следите за качеством. Всё верно и всё впустую, потому что не про вас.

Сильный запрос выглядит иначе: «Ты маркетолог-стратег. У меня одна кофейня у бизнес-центра, 70% выручки — утренний кофе навынос с 8 до 11. Вот 15 отзывов гостей: далее список. Сгруппируй гостей по причинам, по которым они выбирают именно нас, и найди одну причину, на которой можно построить отстройку от сетевых кофеен по соседству. Ответ дай таблицей: сегмент, причина выбора, цитата из отзыва. Без общих советов». В ответ — разбор на ваших данных, с опорой на живые цитаты, готовый к работе уже сегодня.

Примеры доказывают, что ответ на сильный запрос получается качественнее. Чтобы упростить составление сильного запроса, я подготовил два шаблона — в них можно просто подставить данные.

На каких ошибках можно споткнуться при работе с ИИ

Первая и самая дорогая — верить ответу без проверки. Складный уверенный текст ничего не гарантирует. Факты и цифры нужно перепроверять всегда, особенно если на их основе будут принимать решение.

Вторая — просить «стратегию под ключ». ИИ хорош на конкретном шаге, а не в роли агентства из коробки. Дробите задачу и используйте нейросети на узких вопросах.

Третья — не давать контекст и свои данные. Без фактуры вы соберёте банальности, которые подойдут любому бизнесу и не помогут ни одному.

Четвёртая — принимать гладкий текст за верную мысль. Хорошая формулировка усыпляет бдительность; спрашивайте себя, есть ли за ней содержание, или это просто приятно звучит.

Пятая — забывать о приватности и грузить клиентские данные «как есть». Обезличивайте их — это снизит риски.

Главное о нейросетях в маркетинговой стратегии в пяти пунктах

• Нейросети могут ускорить рутину даже в стратегических задачах, но у них есть ограничения. Важно не грузить в ИИ чувствительные данные, перепроверять предлагаемые факты и утверждения и принимать решение самостоятельно, опираясь на свой опыт.
• На этапе исследования нейросети могут быстро структурировать данные и помочь с кабинетным анализом — предоставить обзор рынка, смежных практик, трендов, типовых бизнес-моделей.
• На этапе сегментации ИИ может быстро сформировать сегменты. Но чтобы они были качественными, нужно предоставить ему данные о клиентах — например, обезличенную выгрузку из CRM.
• На этапе позиционирования можно попросить нейросеть предложить варианты, проверить формулировки на отстройку от конкурентов или раскритиковать ваше решение. Лучше не отдавать ИИ роль автора, а сделать его спарринг-партнёром.
• Чтобы получать качественные ответы, важно правильно формулировать запрос. Это значит давать ИИ роль и контекст, предоставлять данные, давать узкую задачу, описывать критерии хорошего ответа и нужный формат результата.