По данным исследования MIT Technology Review и Google Cloud, 60% компаний в том или ином виде используют машинное обучение в своем бизнесе, 26% из них уже достигли своих целей. В число отраслей-первопроходцев в применении ML, помимо технологических и научных, традиционно входят финансы, ритейл, e-commerce, промышленность, транспорт, медицина, образование, а также маркетинг и реклама. Индустрия развлечений и связанная с ним билетная отрасль здесь не в первых и даже не во вторых рядах. Однако многие наработки, которыми пользуются перечисленные рынки, ивент может начать применять прямо сейчас, но почему-то не очень спешит это делать.
Большие данные – большие ожидания
Если данные — это новая нефть, то машинное обучение — нефтеперерабатывающий завод, выпускающий высокооктановое топливо. Но несмотря на то, что к пониманию важности сбора и хранения информации о зрителях индустрия развлечений — по крайней мере западная — уже пришла, первые примеры использования ML начинают появляться только сейчас. Эксперты говорят, что именно 2017-й год должен стать прорывом для машинного обучения в ивент-отрасли, эти технологии позволят использовать возможности собираемых организаторами и билетными платформами данных на полную катушку, а при описании сфер применения машинного обучения в ивенте, упоминаются как минимум три направления: динамическое ценообразование, предиктивная аналитика и продвинутое сегментирование аудитории. Это то, что лежит на поверхности и с чем индустрия развлечений уже начала работать.
Одним из первопроходцев анализа данных в ивент-отрасли был американский баскетбольный клуб Orlando Magic – его чаще всего приводят в пример, когда речь идет о комплексном подходе к работе с информацией. Используя возможности современных DMP-систем, клуб выстраивает гибкую ценовую политику, которая учитывает массу факторов — от дня недели и прогноза погоды до анализа результатов конкретного соперника и посещаемости матчей с его участием. Джоди Малки, CTO Ticketmaster, одного из лидеров мирового билетного рынка, также называет Orlando Magic выдающимся примером того, как можно и нужно использовать данные об аудитории и в корне менять зрительский опыт: от создания программ лояльности до персонализированного взаимодействия с фанатами прямо во время матчей через мобильное приложение.
Тот же Малки на вопрос о том, в какую технологию, способную изменить билетный рынок, он бы инвестировал, если мог бы выбрать только одну, без раздумий называет машинное обучение. «Machine learning — это только начало, будущее за искусственным интеллектом. Сочетание нескольких моделей машинного обучения для принятия сложных решений имеет огромный потенциал. Однако важно понимать, что использование этих знаний для грамотного ценообразования наших клиентов — это победа, но в краткосрочной перспективе; мы можем продвинуться гораздо дальше, — говорит он. — Применение же AI для создания персонализированного зрительского опыта и развития бизнеса наших клиентов — вот конечная цель билетного рынка и индустрии развлечений».
Варианты использования – очевидные и невероятные
Сферы применения машинного обучения в ивент-индустрии могут быть и не самыми банальными. Продолжая тему спорта, нельзя не упомянуть американский стартап IdealSeat, который использует технологии ML и глубокой обработки данных для улучшения зрительского опыта на матчах. История компании началась с того, что три специалиста по работе с данными из Сиэтла захотели повысить свои шансы поймать улетевший на трибуны бейсбольный мяч. Для этого они создали систему, которая собирает и обрабатывает информацию о том, куда он летит чаще всего. Сегодня IdealSeat анализрует десятки различных параметров, а зрители могут выбирать категории мест, исходя из своих предпочтений – сидеть в тени или на солнце, в шумной фанатской или семейной зоне и так далее. Решение уже масштабируется на другие виды спорта, такие как американский футбол, баскетбол, хоккей и футбол, а также другие (уже не спортивные) мероприятия. В прошлом году компания решила уйти в b2b-сегмент и вместо продажи «обогащенных данными» билетов фанатам напрямую приступила к интеграции с билетными операторами и платформами.
О начале применения машинного обучения также недавно заявил британский билетный стартап Dice — приложение, в котором фанаты могут купить билеты без дополнительных сборов и комиссий. В мае этого года они представили новую услугу полного возврата денег за билеты, если покупатель по какой-то причине не может посетить мероприятие. Пока что возвращают деньги только за sold out концерты (таких, по словам представителей Dice, у них 80%), но до конца года обещают запустить эту функцию для всех событий. После возврата билеты могут купить зрители из листа ожидания. Таким образом они планируют бороться с перекупщиками и платформами для вторичной продажи билетов. По словам основателя Dice Фила Хатчеона, именно машинное обучение поможет им довести количество аншлаговых мероприятий (и, соответственно, мероприятий с функцией полного возврата) на своей платформе до 100% за счет анализа спроса, предпочтений и покупательской активности. «От этого выиграют все: поклонники смогут покупать билеты по приемлемым ценам, площадки будут заполнены, а артистам не нужно будет беспокоиться о том, что перекупщики будут продавать их по диким ценам», — отмечает Хатчеон.
С проблемой вторичного рынка путем анализа данных начал бороться и крупнейший мировой игрок билетного рынка Ticketmaster. Недавно компания запустила функцию Verified Fan, которая позволяет отделять настоящих зрителей от ботов-перекупщиков, которых только в прошлом году на сайте было зафиксировано более 5 миллионов. С точки зрения пользователя технология работает простым и понятным образом – фанат видит анонс концерта своей любимой группы, регистрируется с использованием своего аккаунта на Ticketmaster, подтверждает свой «живой» статус и в день начала продажи билетов получает уникальный код для покупки билета. Изнутри все это выглядит чуть сложнее — разработанный компанией алгоритм детально анализирует профиль зрителя, его покупки, а также данные из социальных сетей. Если система понимает, что перед ним человек, зритель получает код подтверждения (это еще один шаг по отсеиванию ботов) и приглашение купить билеты при их появлении в продаже. В основе этого решения, конечно, технологии машинного обучения и AI — по сути, робот, который умеет отличать человека от другого робота.
Продвинутое сегментирование — продвинутый маркетинг
Примеры использования машинного обучения в клиентском бизнесе и маркетинге мы видим каждый день — это и рекомендации Amazon и Netflix, и адаптированные к истории ваших просмотров результаты веб-поиска, и персонализированные рекламные рассылки. На последнем хочется остановиться подробнее: в опубликованном в 2016 году докладе Direct Marketing Association говорилось о том, что сегментированные и таргетированные рассылки могут генерировать до 58% всей выручки, и эти показатели только растут. Казалось бы, почему не начать применять это и в ивент-отрасли? В прошлом году мы запустили CRM-систему для организаторов мероприятий и репертуарных площадок, которая как раз позволяет запускать подобные маркетинговые кампании. По результатам бета-тестирования (это был крупный петербургский театр) мы сразу же увидели, какой финансовый эффект может давать узкая сегментация аудитории – по сравнению с массовыми рассылками, значительно выросли и конверсия переходов, и ARPU.
Следующим логичным шагом стало внедрение машинного обучения, которое позволяло бы системе предлагать организаторам рекомендованные сегменты за счет real-time анализа совокупности фильтров, соответствующих тому или иному зрителю. Построение рекомендованных сегментов аудитории началось с использования простых алгоритмов линейной регрессии и градиентного спуска. Изначально для выделения, например, лояльной аудитории нужно определить те фильтры, которые и будут говорить нам о лояльности. Это количество и общая сумма транзакций, время с последней покупки, размер среднего чека, частота покупок. На следующем этапе нужно понять, какие конкретные значения каждого параметра означают лояльность покупателя. Для этого на основании датасета организатора строится график, в котором ось X — это значение фильтра, а ось Y — количество покупателей в процентах, которые подходят под эти значения. Совокупность этих графиков и дает представление о том, в какой сегмент может быть отнесен тот или иной пользователь. В дальнейшем система соотносит показатели зрителей с агрегированной моделью и распределяет их по рекомендованным сегментам, с каждым разом делая это все более точно.
Нужно понимать, что речь идет о самых простых алгоритмах. Для обучения системы сложным задачам требуется гораздо большее количество данных, которыми игроки российской билетной отрасли пока не очень готовы делиться между собой, а организаторы до конца не осознали важность их сбора. Для нашего рынка сегодня машинное обучения – это скорее журавль в небе, чем синица в руке, несмотря на очевидный экономический потенциал этого журавля, о чем говорит и наш опыт, и зарубежные кейсы. Да, специалисты по машинному обучению стоят дорого и их сложно (но вполне реально) найти. Да, объемы и качество данных пока оставляют желать лучшего. Однако, судя по тому, как уверенно машинное обучение движется от отрасли к отрасли, в обозримом будущем эти технологии станут одним из основных конкурентных преимуществ — в том числе на билетном рынке и в ивент-отрасли.