Применение ИИ для глубоких исследований в решении стратегических маркетинговых задач

Для маркетологов, увязших в обилии источников и ограниченных во времени, глубокое исследование предлагает более быстрый путь к ясности, синтезу и стратегии.

Недавно мы протестировали несколько новых и более мощных инструментов для глубоких исследований, чтобы проверить, справится ли ИИ с теми глубокими стратегическими исследованиями, которые маркетологи вынуждены проводить, но на которые редко находят время. Результаты нас удивили.

Речь шла не об автоматизации работы, а о том, чтобы вывести результаты исследований, тематические исследования и тенденции за пределы первой страницы результатов поиска. Вот что мы обнаружили, когда доверили ИИ решение некоторых из самых трудоёмких исследовательских задач.

Когда первой страницы недостаточно

Возможно, вы утопаете в информации, но жаждете её синтеза. Ежедневно появляются десятки статей, отчётов, публикаций и аналитических заключений — не хватает только времени, чтобы их прочитать и осмыслить. Именно с этого и началось моё увлечение глубокими исследованиями. Смогут ли они не только обнаружить новую интересную информацию, но и помочь мне разобраться в темах и тенденциях?

В отличие от поиска, который выдаёт результаты, оптимизированные для алгоритмов, инструменты глубокого исследования анализируют все результаты сразу. Они могут сканировать несколько источников, переходить по ссылкам, извлекать ключевые данные и анализировать их. Если поиск — это ваш библиотекарь, указывающий вам ресурсы, то инструменты глубокого исследования — ваш помощник, предоставляющий источники вместе с полным отчётом.

Хотелось проверить это в реальных условиях, поэтому начали с обычной маркетинговой задачи: анализа конкурентной среды для нового продукта. Обычно это означает изучение сайтов, комментариев аналитиков, страниц продуктов, библиотек контента и даже обсуждений на Reddit. Это грязный, ручной процесс, который занимает много часов, из-за чего у меня застилает глаза.

Для проведения глубокого исследования мы поставили перед ИИ чёткую задачу. Ему необходимо было:

• Составить карту пяти ведущих игроков на рынке программного обеспечения для управления проектами
• Проанализировать их сообщения
• Выявить пробелы в контенте
• Выявить новые тенденции в цифровых точках взаимодействия.

Мы попросили его сосредоточиться на последних 12 месяцах, организовать сообщения в сравнительную таблицу и выделить все ключевые статистические данные. Мы также попросили его искать аналитические отчёты, например, Gartner и McKinsey, для получения дополнительной информации. Результатом стал на удивление хорошо структурированный стратегический брифинг, содержащий 80% информации, подготовленный менее чем за час.

Что может (и не может) делать глубокий ИИ

Как и большинство инструментов ИИ, инструменты глубокого исследования не обладают стопроцентной точностью. Они могут давать фору даже лучшим из них. Если вы принимаете бизнес-решения на основе данных, дважды проверьте источник и контекст. Однако они могут служить быстрыми, масштабируемыми аналитиками, которые не устают и не отвлекаются. Вот что сработало хорошо.

ИИ определил ведущих игроков рынка и извлек данные из различных источников. Он синтезировал темы сообщений на сайтах конкурентов и выявил закономерности, которые мы могли упустить. Он указал на пробелы в позиционировании конкурентов, которые мы могли бы заполнить. Он дал мне представление о том, как со временем менялась коммуникация конкурентов. Он даже нашёл несколько дословных цитат из аналитических отчётов, которые укрепили мою позицию.

На такой синтез у меня ушло бы два полных дня. Мы же справились меньше чем за полтора часа, включая цитаты и ссылки на источники.

Самым мучительным этапом была проверка источников, которая всё ещё занимала несколько часов. Мне приходилось замечать случайные галлюцинации и решать, что имеет значение для стратегии. Даже с учётом этого мы подготовили готовый отчёт меньше чем за день.

Исследования, которые действительно полезны

Одним из самых значительных преимуществ стало обнаружение источников, которые можно было пропустить. Благодаря глубокому анализу, он нашёл источники, которые даже не попали в первую сотню результатов поиска. Это помогло мне провести более полное исследование. Также можно было запросить поиск по публичным форумам, таким как Reddit, чтобы выявить тенденции.

Когда мы попросили ИИ помочь мне понять настроения клиентов, он извлек информацию из социальных сетей, форумов и сайтов с отзывами. Затем он сгруппировал отзывы по распространённым проблемам, пожеланиям к функциям и сравнению с конкурентами. Мы были уверены, что мы держим руку на пульсе потребностей клиентов. И мне удалось это сделать без полномасштабного исследования, без найма фрилансера и без чрезмерного сокращения ресурсов.

Глубокое исследование помогло быстрее добраться до сути, избежав рутинной работы и позволив сосредоточиться на нюансах.

Создание более эффективных подсказок и более интеллектуальных рабочих процессов

Если вы используете ИИ для глубоких исследований, рекомендую научиться задавать прромпты. Вопрос вроде «Каков объём рынка технологий для инфлюенсеров в B2B?» может дать вам неплохой обзор. Но вопрос «Проанализируйте последние отраслевые отчёты, новостные статьи и финансовые комментарии, чтобы оценить текущий объём рынка, прогнозируемый рост и пятёрку ведущих игроков со ссылками на источники» даст вам нечто стратегически важное.

Лучшие подсказки — структурированные, конкретные и целенаправленные. Вы не просто запрашиваете факты — вы ставите задачу. ИИ сам сгенерировал некоторые из самых сильных подсказок, которые были использованы. Вот та, которую дали ему для начала:

«Создайте задание на углубленное исследование рынка программного обеспечения для управления проектами. Я провожу конкурентный анализ пяти ведущих игроков и хочу проанализировать их сообщения, выявить пробелы в контенте и выявить новые тенденции в цифровых точках взаимодействия. Сосредоточьтесь на последних 12 месяцах, сведите сообщения в сравнительную таблицу и выделите ключевые статистические данные. Также попрошу систему поискать аналитические отчеты, например, Gartner и McKinsey, для получения ценной информации».

Вот подсказка для глубокого исследования, сгенерированная с помощью ChatGPT:

«Я хочу, чтобы вы провели комплексный конкурентный анализ пяти ведущих поставщиков программного обеспечения для управления проектами за последние 12 месяцев. Обратите внимание на следующие аспекты:

1. Критерии выбора компании

Определите пять ведущих игроков на рынке программного обеспечения для управления проектами на основе сочетания следующих показателей:

• Доля рынка
• Видимость бренда
• Рейтинги аналитиков (например, Gartner Magic Quadrant)
• Популярность среди корпоративных и средних клиентов

Вероятные примеры: Asana, Monday.com, ClickUp, Wrike, Smartsheet или другие, которые вы определите на основе текущих рейтингов.

2. Анализ сообщений (формат сравнительной таблицы)

Сравните основные сообщения и позиционирование каждой компании по разным каналам:

• Домашняя страница сайта + страницы продуктов
• Страницы функций (например, интеграции, ИИ, автоматизация, шаблоны)
• Посты в блоге
• Видеоконтент (YouTube, вебинары)
• Рекламный текст (LinkedIn, Google Display и т. д.)
• Страница компании в LinkedIn (контент публикации + раздел «О компании»)

Создайте таблицу сообщений с этими заголовками:

Поставщик / Слоган / Заголовок / Основное сообщение / Темы / Отличительные черты / Целевая аудитория / Сигналы / Сообщения ИИ / Присутствие / Тон голоса

3. Анализ пробелов в контенте

Определите повторяющиеся темы или форматы, используемые пятью лучшими.

Выделите, какие типы контента или темы отсутствуют или недостаточно освещаются в экосистеме (например, недостаточное количество разбивок вариантов использования, отсутствие сообщений, ориентированных на вертикаль, слабое лидерство в плане идей).

Выделите пробелы, которые ваш бренд (или новый участник рынка) мог бы с успехом заполнить.

4. Новые тенденции (в цифровых точках взаимодействия)

Поверхностные тенденции на основе:

• Изменения в позиционировании (например, в сторону ИИ, производительности, совместной работы, автоматизации рабочих процессов)
• Новые категории функций (например, второй пилот на базе ИИ, автоматизация рабочих процессов, прогностическая аналитика)
• Изменение персон клиентов (например, переход от менеджеров по продукту к специалистам по обновлению, маркетинговым операциям, ИТ-руководителям)
• Инновации в стиле или формате (например, использование видео в стиле TikTok, геймифицированный онбординг)
• Изменения в UX/функциональных сообщениях (например, акцент на интеграции, масштабируемости, безопасности)

5. Ключевые статистические данные, на которые следует обратить внимание

Извлеките или процитируйте соответствующее:

• Статистика доли рынка
• Статистика посещаемости сайта или вовлеченности (если доступна)
• Данные о росте числа клиентов или финансировании
• Данные об использовании продукта (из таких источников, как G2, Capterra или BuiltWith)
• Аналитические оценки или сводки позиционирования Magic Quadrant/Wave

Создайте сводную таблицу статистики и показателей эффективности.

6. Аналитические отчеты

Найдите и обобщите недавние (за последние 12–18 месяцев) аналитические отчеты или технические документы из таких источников, как:

• Гартнер
• Форрестер
• МакКинси
• ИДК
• CB Insights
• Отчеты сетки G2
• PitchBook (активность стартапов, тенденции финансирования)

Выделите любые ключевые выводы или формулировки по следующим вопросам:

• Приоритеты покупателя
• Болевые точки или зоны возможностей
• Прогнозируемые изменения категорий (например, PM эволюционирует в рабочую операционную систему или гибридные операционные платформы)
• Стратегические шаги или приобретения, формирующие ландшафт

Формат вывода

Пожалуйста, организуйте результаты в структурированном формате Google Doc или формате Markdown, со следующими указаниями:

• Управляющее резюме
• Сравнительная таблица сообщений
• Анализ пробелов в контенте
• Отчет о новых тенденциях
• Таблица ключевых статистических данных
• Сводка аналитических выводов

Ссылайтесь на все источники напрямую или через сноски».

Как только мы начали так думать, всё начало меняться. Мы начали воспринимать ИИ как младшего стратега, способного мыслить невероятно быстро.

Риски реальны, но управляемы

Не буду приукрашивать. ИИ ошибается. Он может ссылаться на устаревшие или неактуальные источники. Он может упускать нюансы. Именно поэтому мы потратили часы на проверку ключевых моментов. Тем не менее, преимущества от получения ответов на все вышеперечисленные вопросы были поразительными и гораздо более подробными, чем можно было получить в условиях ограниченного времени. К тому же, у меня было гораздо больше контекста, чем обычно.

Как начать применять глубокие исследования ИИ на практике

Если вы готовы к экспериментам, выберите трудоёмкую исследовательскую задачу, которая отнимает больше времени, чем следовало бы, или где вам придётся экономить. Возможно, это картирование сообщений конкурентов. Возможно, это выявление пробелов в контенте. Возможно, это анализ настроений потребителей в новой категории.

Затем создайте продуманную подсказку (или попросите ИИ создать подсказку за вас).

• Будьте конкретны
• Определите область применения
• Попросите о структуре
• Ожидайте итераций.

Используйте результат как черновик и отслеживайте, что работает, а что нет. Как и всё, с практикой всё становится лучше.

Заключительные мысли

Работа с глубокими исследованиями с помощью ИИ помогла мне сэкономить часы времени, провести более качественные исследования и исследовать идеи, которые мы, возможно, не смогли бы найти самостоятельно. Это было похоже на изменение того, как может выглядеть отличная маркетинговая работа: меньше мнений, больше глубоких, применимых на практике знаний, доступных на кончиках пальцев.

Задайте ИИ более умный вопрос. Поставьте перед ним сложную задачу. Позвольте ему взять на себя основную работу. Затем включитесь, проверьте результат и доработайте его так, как умеете только вы.

 

martech.org/making-ai-deep-research-work-for-strategic-marketing-tasks/