Цифровые двойники покупают на 86% то же, что оригиналы, а их отзывы о покупках почти не отличаются
Специалисты американского Института маркетинговых исследований (Marketing Science Institute, MSI) создали цифровых двойников, которые воспроизводили предпочтения и особенности поведения живых потребителей. В качестве исходных данных использовали историю покупок и отзывы реальных покупателей Amazon.
Для каждого потребителя большую языковую модель (авторы эксперимента не уточняют, какую именно) дообучали на его данных, чтобы она лучше учитывала индивидуальные характеристики, предпочтения и особенности поведения. Затем модель получала информацию о конкретном товаре с помощью технологии дополненной генерации с поиском (retrieval-augmented generation, RAG). Она позволяет модели обращаться к внешним данным при формировании ответа, а не полагаться только на информацию, которой она располагает изначально.
Такой подход должен был решить две задачи. Дообучение помогало модели воспроизводить особенности конкретного покупателя, а дополненная генерация — учитывать контекст, связанный с товаром, который человек еще не видел.
Затем исследователи проверили, насколько хорошо цифровые двойники способны предсказывать поведение. Для этого каждому из 304 синтетических потребителей предложили 100 товаров — всего модель сделала 30,4 тыс. прогнозов. Средняя точность предсказания будущих покупок в сравнении с реальными данными покупателей Amazon составила около 86%.
Цифровые двойники смогли воспроизводить не только решения о покупке. Исследователи попросили их сгенерировать отзывы о товарах и сравнили тексты с реальными отзывами тех же покупателей. Семантическое сходство превысило 0,94 по шкале от -1 до 1 — созданные моделью тексты очень близко соответствовали содержанию и стилю настоящих отзывов.
Авторы считают, что технология может превратить цифровых двойников в виртуальный полигон для маркетинга. На них можно предварительно тестировать новые продукты, цены, рекламные сообщения и промокампании, не проводя каждый раз полноценный эксперимент на реальной аудитории. Например, перед запуском кампании можно проверить несколько вариантов рекламного сообщения и посмотреть, какой из них цифровые двойники с большей вероятностью выберут.
Исследователи также отмечают, что такой подход позволяет объединять разрозненные данные о потребителях и использовать их для персонализации. В перспективе это может быть актуально для компаний, которые хотят лучше понимать клиентов при ограниченном доступе к сторонним данным и растущих требованиях к конфиденциальности.
в Telegram канале
Другие статьи
