Я вспоминаю доктора Соломона, удивительного преподавателя. Его энтузиазм был заразителен. Одним точным образом, понятием, метафорой или схемой он умел прояснить самые тяжелые вещи. Его вопросы подталкивали учеников к удивительным самостоятельным открытиям. Вы успевали пробормотать лишь несколько слов, а он уже догадывался, о чем вы думаете. Однажды студент только успел сказать: «М-м...», и доктор Соломон моментально отреагировал: «Нет, вы ошибаетесь. Посмотрите вот эту статью». И он оказался прав!

Ясновидение? Нет, предельная персонализация.

Освободитесь от шор семантического видения

Доктор Соломон постоянно следил за развитием своих студентов. Персонализация — это одно из тех важных понятий, глубину и потенциал которых мы зачастую недооцениваем. Другие понятия из той же категории — интеллект, взаимоотношения, метафора, концепция, обучение и информация. Если вспомнить все то содержание, которое стоит за этими терминами, это позволит открыть новые направления развития технологии. Но чтобы двигаться вперед, нужно правильно ставить вопросы.

Интеллект — это переплетение множества систем и способов рассуждения, которое все еще слишком сложны для понимания. Пресловутый ИИ — искусственный интеллект (Artificial intelligence, AI) — это лишь скромный набор средств, которые более или менее приспособлены для решения частных задач.

Взаимоотношения складываются между людьми. Специалисты по семиотике говорят об эмпатическом канале, имея в виду ощущение, что само присутствие другого человека имеет значение. Как может машина воспроизвести это? Может ли машина заменить доверие, сложившееся между людьми за долгое время? Я учился многому, общаясь с доктором Соломоном, — какая машина сможет заменить его?

Метафора — классики ИИ полагали, что их машины способны понимать метафоры, однако теперь доказано, что машины все же не могут передавать идеи посредством аналогии, т. е. выделяя существенные особенности образа и накладывая их на другой образ или ситуацию — для его прояснения или дополнения.

Образы помогают людям учиться и рассуждать. Еще никто не придумал машины, способные делать то же самое. Люди вырабатывают ассоциации со зрительными образами: мощь ассоциируется с размером, улыбка — с подъемом, а дорожные знаки напоминают вам, как проехать к старому другу.

Компьютерное моделирование этих процессов полагалось на превращение образов в наборы логических отношений, как будто можно задокументировать те тысячи слов, которые заменяет одна картинка, или как будто словесное ее описание будет одинаково для всех людей.

Концепция? Нет, это не то же самое, что набор, категория или результат кластерного анализа текста. Это социально активная, развивающаяся, интерактивная, поливалентная галактика смыслов с тонкими особенностями, понимание которых приходит не сразу и которые определяют поступки людей, большие и малые. Например, при попытке схематически изобразить всевозможные применения термина, даже такого простого, как «там», получится чрезвычайно сложная схема, роль отдельных частей которой меняется в различных обстоятельствах, а вся схема целиком изменяется во времени.

Обучение — это не поглощение байтов. Слова могут с одинаковым успехом и объяснять, и запутывать суть вещей. Существует риск сузить смысл термина, говоря, например, что нейронные сети обучаются, когда они попросту находят прогнозируемые граничные условия.

Обучение — это накопление живого опыта работы с материалом — обучение идеям и тому, как их использовать и развиваться. Информация с точки зрения человека не измеряется по формуле подсчета в байтах. Информация — это результат и значение в существующем сложном контексте.

Что, по-вашему, дает больше информации: шутка, разведданные о рынке акций; формула, которой не хватает для создания компактной атомной бомбы; или что-то, что навсегда изменит ваше видение мира? Всего лишь несколько слов могут раскрыть тайну или соединить отдельные детали в общую картину.

Персонализация? Отнесение человека к группе, в которую входят миллионы других людей, не сравнить со знаниями о вас человека, который прекрасно с вами знаком и способен привести вас к открытию. Пример доктора Соломона подсказывает, как сделать следующий шаг в анализе данных (data mining) и персонализации.

Расширьте видение при анализе данных

В психологии существует термин «интроекция», означающий внутренние модели, при помощи которых человек описывает других людей. Несовпадение этих моделей с действительностью чревато серьезными проблемами в отношениях. Для обновления и коррекции этих моделей постоянно требуется обратная связь. Так, когда CRM-модель компании не работает, будут ли клиенты просто смеяться, видя эти неверно направленные маркетинговые усилия?

Анализ данных в лучших своих проявлениях учитывает возможные направления развития мыслей клиента. Вы добьетесь большего, если осознаете, что у клиентов есть свои концепции и способы рассуждения, а не будете пытаться втиснуть их в рамки той или иной категории.

Из каких установок исходят различные группы в данный момент времени, и как эти установки меняются со временем? Каким образом систематизация тем и вопросов приводит к заключениям, другим установкам или поступкам? Например, анализ потребительской корзины выявляет связи между товарами — скажем, «пиво связано с чипсами» и т.п. Но это не просто отношения между товарами. Это указания на то, как мыслят отдельные потребители.

Пусть для Джо пиво подразумевает также чипсы, кока-кола — лед, а бифштекс — картошку. А у Сью книги как товар ассоциируются с аудио-кассетами, а те — с компакт-дисками с классической музыкой. Могут ли эти покупатели оказаться в одной группе? Возможно, и нет, но вам придется еще и еще работать, если вы хотите видеть логические связи, а не просто доллары, которые эти потребители тратят на конкретные категории товаров.

В моей практике для прогноза поведения часто оказывались полезными модели образа мышления. В одном исследовании, выполненном для большого розничного магазина, наша компания обнаружила много интересных и полезных моделей этого рода. Возьмем несколько простых примеров из обширного исследования. Мы обнаружили, что покупатели, похожие на Джо, в большей степени сохраняют верность определенным маркам и чувствительны к ценам. А люди типа Сью любят пробовать новое, и при покупке интерес и качество им важнее, чем цена.

Такой углубленный анализ привел к появлению гораздо более плодотворных идей для целевого маркетинга, которые можно сочетать с более простыми схемами продвижения товаров или так называемыми кросс-продажами (cross-sells). Например, мы обнаружили, что покупателей типа Джо привлекают в магазины скидки на любимые товары. А покупатели типа Сью лучше реагируют на более экзотические марки, как-то перекликающиеся с товарами, которые они уже покупали.

Структурирование информации, например, ссылок на Web-сайте, в соответствии со способом мышления посетителей также весьма эффективно. Разные люди и думают по-разному. Например, некоторые предпочитают конкретику абстракции; примеры — теории; частности — общему; практику — дальней перспективе; сиюминутное — истории и т.п. Хорошие преподаватели, к примеру, подстраиваются под аудиторию, иногда изменяя ход рассуждений «на лету». Вы добьетесь гораздо более выраженного отклика, выстраивая структуру подачи материала в соответствии с образом мышления целевой аудитории.

Некоторые поисковые машины используют данные о последовательности переходов между страницами в Интернете для классификации клиентов и сайтов. Рассуждая в терминах процесса, вы сможете по «траектории» переходов пользователя между страницами определить, какой стиль презентации ему максимально подойдет и вызовет наибольший отклик.

Кроме того, если поисковая машина сумела бы освоить ваш ассоциативный процесс и способ поиска, она могла бы организовывать результаты поиска в соответствии с вашим образом мышления: ставить на первые места в списке то, что вам действительно нужно.

Будьте внимательны и не переопределяйте смысл терминов в соответствии с сегодняшними возможностями технологий — нужно оставить место для технологий будущего. Исследование глубинного смысла понятий может оказаться очень плодотворным.

Барри Грушкин (Barry Grushkin) — глава и основатель компании Machine Intelligence Co., которая специализируется на глубоком, тщательном анализе данных и сравнительном анализе методов и технологий бизнес-аналитики.