[153]. Теперь при анализе сведений о B2B-клиентах особенное внимание уделяется доступности новых внешних данных, описывающих развитие бизнеса. Традиционно сведения о B2B-клиентах включали только такую общую информацию, как размер компаний, определяющийся на основании объема выручки, капитализации или количества сотрудников, и код отрасли.
Интернет и электронные платформы стимулируют появление новых бизнес-показателей, которые содержат гораздо более детализированные данные, выходящие за рамки традиционной классификации отраслей. Веб-данные дают богатые, подробные описания компаний, где можно найти ценную информацию. Однако цифровые ресурсы бесполезны, если не выявить отдельных клиентов и не извлечь стратегически важную информацию из анализа профиля их деятельности и интересов. Здесь на помощь приходят алгоритмы машинного обучения.
Нейронные сети (как на основе традиционных алгоритмов, так и на основе алгоритмов глубокого обучения) и другие методы машинного обучения позволяют специалистам по обработке данных извлекать важную информацию из цифровых форматов. В рамках созданных на основе ИИ методов используются продвинутые техники поиска, позволяющие выявлять, классифицировать и собирать определенные пользователем элементы данных в соответствии с критериями поиска. Например, значительный объем описательной информации о компаниях можно обнаружить на LinkedIn, однако извлекать его и добавлять в профили компаний всегда было проблематично. Хорошо продуманные ИИ-алгоритмы – ключ к извлечению ключевых элементов информации с LinkedIn. Затем эти более структурированные информационные ресурсы становятся базой для другого применения ИИ-алгоритмов с акцентом на выявление закономерностей в данных, которые в итоге ложатся в основу прогнозных моделей маркетинга и продаж. Их можно использовать для проведения оценок, прогнозирования и классификации.
Один поставщик технологий, специализирующийся на аналитике для B2B-приложений, изучает цифровой след, характеризующий все типы компаний. Технология EverString собирает описательную информацию о компаниях в различных секторах интернета (например, анализируя сайты компаний и цифровые следы сотрудников), а также получает данные от специалистов, работающих в сфере B2B, чтобы точнее характеризовать компании. EverString применяет методы на основе ИИ, включая техники построения нейронных сетей и машинного обучения, чтобы находить, извлекать и моделировать принципы категоризации компаний, позволяя пользователям B2B-пространства более точно определять свои перспективы.
Например, B2B-компаниям нужно знать, сколько компаний существует в конкретном рыночном секторе, а также кто в этих фирмах отвечает за закупки. С помощью ИИ EverString изучает различные сегменты интернета и создает схему микрокатегоризации, которая позволяет за короткое время генерировать тысячи оценок, тем самым повышая качество данных о клиентах B2B-сектора.
Платформу EverString использует транснациональная B2B-компания Autodesk, которая предоставляет программное обеспечение организациям, работающим в сферах архитектуры, инженерии, строительства, промышленности, медиа и развлечений. В последние несколько лет Autodesk управляла B2B-продажами, используя все больше данных для отбора и лучшего понимания клиентов. Однако в крупных компаниях, ориентированных на проектирование, часто бывает сложно понять, кто из клиентов может заинтересоваться системами автоматизированного проектирования (САПР).
Прежде чем начать работать с EverString, Autodesk полагалась на собственный опыт и покупательскую историю клиентов. Теперь потенциальных клиентов в Autodesk выявляют на основании прогнозного анализа EverString. Модель предрасположенности к заключению соглашений на уровне предприятия показывает, какие топ-менеджеры крупных клиентских организаций наиболее склонны к заключению корпоративных соглашений с Autodesk. Компания также использует общую модель оценки потенциала клиентов, которая опирается на данные и прогнозы EverString.
Главными пользователями данных и моделей выступают, конечно же, сотрудники отдела продаж Autodesk. Им даются ранжированные рекомендации и грубые оценки, генерируемые моделями EverString. Процессом руководит отдел глобальной стратегии продаж, который проверяет корректность данных и моделей.
Autodesk только начинает использовать эти возможности, но пока отделы продаж и глобальной стратегии продаж очень довольны инструментами EverString. Аналитик отдела глобальной стратегии продаж Autodesk Мэттью Стивенс отметил:
EverString предоставляет результаты аналитики, которые мы превращаем в потенциальные возможности для продаж. Пока сложно оценить конкретную выгоду, но без этой аналитики рекомендации невозможны. Нам непросто отвечать на все вопросы о клиентах и оценках, но теперь у нас хотя бы есть данные, чтобы обосновывать рекомендации.
Стивенс также подчеркнул, что в будущем этот ориентированный на данные подход к продажам позволит заниматься и другими вещами:
Находить данные о европейских и азиатских компаниях непросто из-за ограничений на распространение информации и языковых различий. Мы работаем с EverString, чтобы лучше понимать наши возможности в этих регионах. В настоящее время система аналитики данных EverString не интегрирована с нашей CRM Salesforce. Тем не менее мы находимся на первом этапе долгого пути к применению аналитики данных в сфере продаж. Мы явно движемся в верном направлении.
Новые инструменты таких поставщиков, как EverString, позволяют B2B-компаниям вроде Autodesk разрабатывать основанные на данных подходы к маркетингу и продажам. Пока внешних данных о компаниях гораздо меньше, чем о потребителях, а их качество ниже, но с каждым днем они становятся все полнее и лучше.
В последние годы компаниям стало доступно огромное количество внешних данных, но это только начало. Бум данных, поступающих с датчиков интернета вещей, умных сетей электроснабжения и беспилотных автомобилей, а также из других источников, приведет к тому, что объем данных, доступных сегодня, покажется ничтожным. Только ИИ справится с обработкой данных такого объема и частоты. Не случайно подъем ИИ происходит одновременно со столь мощным притоком данных.
8Управление организационными, социальными и моральными последствиями внедрения ИИ
Общепризнанно, что внедрение искусственного интеллекта будет иметь серьезные последствия для организаций и обществ. Я уже упоминал о проблемах занятости, которые могут возникнуть из-за прогресса в сфере ИИ. Кроме того, многие указывают на ряд социальных и моральных вопросов, выходящих на первый план по мере совершенствования и распространения ИИ.
Широко обсуждалась роль государств в решении этих вопросов. На государственном уровне можно создавать учебные программы, обеспечивать минимальные базовые доходы, гарантировать трудоустройство работникам, сокращенным после внедрения ИИ, или даже облагать налогом роботов. Ни одно государство пока не внедрило в полном масштабе ни одну из этих программ, но уже хотя бы началось их обсуждение (и было запущено несколько пилотных проектов).
Но какова здесь роль бизнеса? Как компании могут предотвратить или смягчить негативное влияние когнитивных технологий и стимулировать позитивные сдвиги? Эти вопросы обсуждались не столь широко, поэтому в настоящей главе я разберу их подробнее. В главе 6 (и в книге «Обращаться только людям» (Only Humans Need Apply)) я уже рассмотрел проблему сокращения штатов, поэтому затрону ее лишь вскользь.
В этой главе я уделю основное внимание проблемам, связанным с внедрением ИИ, и возможности их предотвращения. Как и большинство технологий, ИИ может не только решать, но и создавать проблемы. Как правило, внимание уделяется либо положительному, либо отрицательному воздействию ИИ. Так, в недавнем докладе за авторством 26 ученых рассказывается о злонамеренном использовании ИИ, в частности, в хакерстве, других преступлениях и военной сфере[154].
Однако всем нам важно понимать, что ИИ и связанные технологии имеют гигантский потенциал положительного влияния – и уже достигли немалых высот. В огромном количестве общественных сфер – здравоохранении, охране правопорядка, транспортировках, сельском хозяйстве и многих типах бизнеса – ИИ повышает продуктивность и производительность, и людям идут на пользу порождаемые им перемены. Проблемы и общественные трудности, возникающие из-за внедрения ИИ, имеют пути решения, которые я обозначу. Кроме того, многие проблемы ждут нас впереди, но их заблаговременное обсуждение поможет нам заранее найти решения, которые мы сможем применять по мере необходимости.
Возможно, важнее всего компаниям, работающим с ИИ, не навредить тем обществам и экономикам, в которых они функционируют. Из-за нестабильности и изменчивости технологии искусственного интеллекта может быть непросто заранее предвидеть все потенциальные источники вреда, но компаниям стоит хотя бы пытаться. При первых признаках вредоносного воздействия на общество важно признавать свои ошибки и быстро устранять проблему. Компаниям также стоит при возможности проводить небольшие эксперименты, чтобы узнавать о возможных негативных последствиях, прежде чем они возникнут в широком масштабе.
Итак, пора задуматься о негативных последствиях внедрения ИИ. Поскольку его распространение только начинается, многие негативные последствия пока возникали только в экспериментах и играх, однако эти результаты показывают, чего следует избегать и каким образом. Например, в одном эксперименте система DeepMind компании Google состязалась с другой версией себя в игре по сбору фруктов и повела себя агрессивно и эгоистично, когда фруктов осталось мало[155]. Эксперты Google обнаружили, что интеллектуальными агентами можно манипулировать, чтобы они становились более или менее сговорчивыми.