Кейс: Как обогнать конкурентов при помощи нейросети. И отобрать хлеб у консультантов из «Большой тройки»
Заглянул «под капот» компании, которая научилась проводить маркетинговые исследования в 100 раз быстрее. И срезала себестоимость продукта в 10 раз.
«Плотина», отделявшая технологии искусственного интеллекта от массового клиента, окончательно прорвалась. Сложно найти человека в корпоративной среде, который никогда не открывал Chat GPT и ни разу не генерировал картинку при помощи ИИ.
Как предпринимателя и руководителя меня это вдохновляет: ИИ может радикально повысить производительность труда. Как носителя естественного интеллекта меня это тревожит: я опасаюсь, что аутсорсинг интеллектуальной работы приведет к деградации наших собственных умственных способностей.
Чтобы поговорить о возможностях, которые открывает ИИ для бизнеса, я пригласил на интервью Григория Бочарова — основателя компании Segmentable, которая делает маркетинговые исследования на базе AI-платформы.
Целиком интервью можно посмотреть тут:
Содержание:
***
— Ты быстро принял решение, что на основе ИИ-технологии нужно делать бизнес?
С первого взгляда. Это удивительно, в моей жизни это не часто происходит.
Непосредственно перед знакомством с нейросетями я ушел из Московской биржи. Я был там директором по одному из цифровых продуктов и руководил командой из 30 человек, мы делали пользовательские исследования.
Вывод любого нового продукта на рынок — это попытка найти дисбаланс между спросом и предложением. То есть тебе надо, с одной стороны, проанализировать, какие существуют потребители — они в своей природе очень неоднородны, поэтому мы их делим на сегменты — понять, какие у них есть потребности пользовательские, а потом как эти пользовательские потребности покрываются существующими игроками. И найти то, что называется «маркет гэпы», области низкого конкурентного давления. То есть в каких областях есть спрос, а вот предложений еще нет.
Чтобы сделать это руками, в корпоративной среде нужно от полугода до года. И не факт, что тебе удастся получить достоверные результаты, потому что основной инструмент получения этой информации — пользовательское интервью.
До последнего времени считалось, что это основной инструмент того, как можно эту информацию достать. Но он не лишён минусов, потому что в зависимости от того, как ты сформулировал вопросы, как ты определил группу респондентов, как ты сформулировал вопросы, как ты их задал, как респондент понял эти вопросы, как он тебе ответил, как ты эти ответы интерпретировал, есть очень много мест, где можно ошибиться.
На выходе ты получаешь нечто, что является результатом исследований. Но не имея никакой референсной группы, мы не можем никогда сказать, правильно это или нет. Само понимание количества мест, в которых можно ошибиться, подсказывает, что там, скорее всего, достоверности не много.
А нейросети позволяют решить эту задачу в сотни раз быстрее просто за счет анализа существующих материалов в интернете. Моя компания Segmentable занимается тем, что мы собираем и консолидируем информацию, связанную с отзывами и комментариями, с экспертными интервью, видео, текстами и так далее. Это ранее проведенные исследования, сейлз-материалы твоих конкурентов и так далее.
То есть всю ту информацию, которую собирает вот этот информационный вакуум в интернете, это тысячи источников, и каждый из них мы транскрибируем, переводим в текст, и при помощи нейросети вычитываем, достаем оттуда экстракты, упоминания про сегменты потребителей, про их потребности и т.д. Мы не создаем новую информацию, а просто работаем с той, которая уже есть в интернете.
— Хочется заглянуть «под капот» твоего продукта, узнать, что там внутри.
По сути, мы решаем задачу математическую, которая называется в английской терминологии go-to-market strategy. Это стратегия вывода либо нового продукта на существующий рынок, либо существующего продукта на новый географический рынок. Специфика этих задач в том, что ты обычно не знаешь, из чего этот рынок состоит, какие там есть пользовательские сегменты, какие у них потребности, какие конкуренты и так далее. Просто ландшафт тебе неизвестен, ты только на него выходишь.
Но результатом работы, которую мы даем, не является нейросеть. Нейросеть занимает, наверное, 5−10% от всего вот этого механизма, но это те самые 5−10%, которые позволяют механизму ехать, потому что до определенного времени это было просто невозможно сделать. Невозможно было сделать по одной простой причине.
В центре всего вот этого решения лежит математическая оптимизационная задача. Есть в матэкономике область, которая называется «принятие дискретных решений». Это когда у тебя много данных на входе, а на выходе вот какой-то один дискретный ответ. Мы идем сюда или сюда.
Математическая задача, которая умеет находить оптимальный путь из буквально миллиона комбинаций того, в какие сегменты, через какие каналы, какими позиционерами можно выводить, решается довольно давно, это не новая задача. Она непростая, но она решаемая. Но проблема решения этой задачи — исходные данные. Тебе надо найти атрибуты, описание данных по каждому из этих атрибутов: что за сегменты, какие у них потребности — и так далее. Очень много.
И вот появление нейросети эту задачу решило. Раньше ты просто бы потратил на сбор и консолидацию данных времени существенно больше, чем нужно рынку для того, чтобы радикально измениться. В этом парадокс. Условно, когда у тебя исследование занимает 9 месяцев, ты через 9 месяцев понимаешь, где ты был 9 месяцев назад. А рынок за это время изменился. Это лишало смысла решение этой задачи, и нейросеть позволила нам сделать вообще возможным прикладное применение вот этой сложной математической задачи.
— Ты пробовал эту задачу решить без математики, просто силами искусственного интеллекта?
Да, безусловно. Нечто, что нельзя ни подтвердить, ни опровергнуть. При этом это нечто крайне убедительное в своем описании. Потому что нейросеть была обучена на то, чтобы давать крайне вразумительный и адекватный ответ. Но проверить это невозможно, ты не можешь опуститься до исходных данных и подтвердить либо опровергнуть, что эта траектория, эта стратегия верна.
Потом продукт стал трансформироваться, мы перестали опираться на нейросеть как на источник данных, потом мы перестали опираться на нейросеть как на механизм поиска оптимального пути и внедрили математику. Шаг за шагом мы все сужали использование нейросети до вот этого самого момента, который обрабатывает те источники информации, которые мы собираем. То есть нейросеть используется только для обработки бесчисленного количества вот этих материалов, которые мы собираем. А их собирает система из парсеров.
— Получается, вы сами парсите, собираете корпус данных первичных, отдаёте это нейросети, она это как-то структурирует, пережёвывает, выдает какой-то уменьшенный объем данных, который вы уже отдаете математической модели?
Ты очень правильно всю логику построил, за исключением небольшого количества деталей. Во-первых, мы отдаем в нейросеть не сами данные, мы сначала переводим это в текст, неважно, что это: текст изначально или видео, или картинка. Мы это описываем, а потом нейросеть, читая этот материал, достаёт нужную нам информацию и передаёт её дальше в математику, укладывает её в базу данных. И мы, по сути, из бесчисленного объёма неструктурированных данных получаем структурированную базу, уже с которой работает математика.
— Как быстро ты понял, что без математики не обойтись?
В данном случае скорость исчисляется не временем, а количеством итераций. Как только мы пришли к заказчику реальному сдавать работы, а он их не принял. Тут мы и поняли, что она не работает, что надо внедрять математику. Это довольно быстро произошло. Я думаю, что ты, как собственник бизнеса, хорошо понимаешь этот момент, что если к тебе приходят консультанты, которые не могут до винтиков объяснить логику построения стратегии, то она не подталкивает тебя к доверию.
— Кого ты конкурентами считаешь? Или кто тебя считает конкурентом?
Для того, чтобы на ответить на этот вопрос, нам нужно все-таки понять, про какую конкуренцию мы говорим, потому что конкуренция сильно разная. Самый главный наш конкурент — это не прямой конкурент, это косвенный конкурент, это толерантность к риску собственника бизнеса. Ему не нужна аналитика, он визионер, он сам знает, что делать, хотя на самом деле это не так. И когда мы к нему приходим с инструментом, он, конечно, может отказаться. Сказать, что он и так пока понимает, что ему надо делать.
Почему прямых конкурентов нет? Это связано с двумя вещами. Во-первых, потому что решение задачи go-to-market стратегии — это в определенном смысле комбайн, состоящий из решения большого количества вопросов. Внутри каждого вопроса у нас, безусловно, есть огромная масса конкурентов. Конкурентный анализ, сегментация... Но когда ты начинаешь это комбинировать в единую стратегию, которая дает общий ответ, то таких конкурентов немного.
Второй вопрос, почему у нас конкурентов немного, связан с тем, что технологическая революция, которая произошла, позволила сократить время на реализацию этой стратегии и тем самым сократить себестоимость ее. У нас все автоматизировано, наша себестоимость невысокая. Это позволяет сильно демократизировать доступ к этим исследованиям.
То есть наши заказчики — это те заказчики, которые никогда не покупали консалтинговые исследования просто потому, что они были дорогими. А мы можем дать сегодня доступ до исследований уровня «Большой тройки» консалтинговой. Я это говорю с полной уверенностью, потому что мы являемся поставщиками «Большой тройки». Порядок цен на исследование в районе 10 тысяч долларов — это в разы дешевле, чем у консалтинговых компаний.
Наша не просто стратегия, а социальная функция, социальная миссия, которую мы за собой видим — дать инструмент уровня «Большой тройки» компаниям, предпринимателям, визионерам, которые не обязаны быть маркетинговыми специалистами. Им дать, потому что они делают хорошее дело, но в большинстве своем закрываются просто потому, что не могут нормально дистрибутировать знания о своем продукте.
— То есть хлеб все-таки отбираете потихоньку?
Скорее, мы создаем новый рынок. Но, безусловно, есть области, в которых мы откусываем.
Наиболее яркая история победы, которая у нас есть — к сожалению, без имен, но это одна из топ-2 криптобирж в мире. Это китайцы, это гегемон в этой области, и мы продали исследование этой криптобирже по поводу вывода специфичного продукта на один из рынков Латинской Америки. Причем что мы не являемся никакими большими специалистами в области этого конкретного специфического продукта, рынок Латинской Америки нам совершенно неизвестен и так далее.
И, что примечательно в этом кейсе, это то, что мы выиграли тендер у одной из компаний «Большой тройки».
Это звучит громко, мы часто рассказываем про этот кейс, но у него есть очень простое объяснение. Такого уровня корпорации, как вот эта китайская, они имеют огромное количество периферийных продуктов, в рамках которых тратить на исследование десятки тысяч долларов — 50-70 тысяч долларов за исследование, которые берет «Большая тройка» — просто бессмысленно, нет тут такого объема денег. А мы даем тот продукт и в той цене, которая оказывается приемлемой для них.
Про «откусываем хлеб» — наши укусы настолько незначительные, что я думаю, уровень наших укусов не пугает этих крупных консультантов, но вызывает их интерес к нам. И это как раз и приводит к тому, что для некоторых из них мы являемся поставщиком данных. Они обогащают это своей экспертизой, своими внутренними данными, и перепродают, как мы привыкли, в разы дороже.
***
Если вам интересно развивать насмотренность в управленческих и предпринимательских решениях, подписывайтесь на мой телеграм-канал «Грибанов».