We aren’t — перевод на русский | английский-русский

Translate.vc

EnglishespañolFrançaisPortuguêsрусскийTürkçe

Английские фразы | Русские фразы | Турецкие фразы

английскийиспанскийфранцузскийпортугальскийрусскийтурецкийанглийскийиспанскийфранцузскийпортугальскийрусскийтурецкий

Translate.vc / английский → русский / [ W ] / We aren’t

4,029 параллельный перевод

Aren’t we just improvising at this point?

Разве мы не просто импровизируем сейчас?

We’re friends, aren’t we?

Мы друзья, разве нет?

Sarge, why aren’t we looking into Jin’s murder on our own?

Сержант, почему мы сами не занимаемся убийством Джина?

We promise that we won’t say anything, but you’re Walter Wallen, aren’t you?

Мы обещаем, что мы никому не скажем, но ты же Уолтер Уоллен, да?

Yeah, why aren’t we cooking on this baby?

Да, почему мы не готовим на этой малышке?

aren’t you 6426
aren’t you sweet 50
aren’t 42
aren’t we all 109
aren’t you hot 24
aren’t you cold 71
aren’t you tired 48
aren’t you hungry 75
aren’t you eating 23
aren’t i 1016

aren’t you afraid 57
aren’t you clever 17
aren’t you coming in 18
aren’t you excited 41
aren’t they 1325
aren’t you going to eat 16
aren’t you lucky 20
aren’t they cute 23
aren’t you going to say anything 16
aren’t you listening 20

aren’t you worried 19
aren’t we 1180
aren’t you scared 50
aren’t you ashamed 89
aren’t you going home 22
aren’t you curious 39
aren’t you coming 113
aren’t you going 18
aren’t you leaving 16
aren’t you feeling well 23

aren’t you forgetting something 96

One of my favorite people and the star of our show, aren’t we, Mrs. Viv?

Одна из моих любимых людей и звезда нашего шоу, не так ли, миссис Вив?

We’re here to get to know each other, aren’t we?

Мы здесь для того, чтобы лучше узнать друг друга, не так ли?

Oh, less than nothing. Aren’t we a Dragon Runner down on the deal?

Меньше, чем ничего, разве мы не потеряли робота-разведчика?

Aren’t we generous?

Какая щедрость с нашей стороны.

Aren’t we going skiing today?

Разве мы сегодня не пойдем кататься?

Just’cause Texas and California aren’t at war doesn’t mean we can’t still light the fuse.

То, что Техас и Калифорния не развязали войну, не значит, что мы не можем запалить фитиль.

Why aren’t we keeping him down here?

Почему бы нам не подержать его здесь?

Then we’re going to have to rethink things, aren’t we?

Тогда, может, нам нужно обдумать всё ещё раз?

These aren’t things that we want to o.

Мы не хотим всего этого.

We aren’t supposed to know, not for certain, and I think that’s the point.

Мы не должны знать, не наверняка. Думаю, в этом весь смысл.

If you like, you can choose some slightly-modern ornaments from Woolworth’s later — just to prove we aren’t lagging too far behind the times.

Если хочешь, ты сможешь выбрать несколько современных украшений от Вулворта чуть позже — только чтобы доказать, что мы не отстаем от моды.

We wanted to get married, but we aren’t 21 yet and our parents wouldn’t sign the papers.

Мы хотели пожениться, но нам не было 21 года, а наши родители не хотели подписывать бумаги.

He’s sent away for your medical records, so we can all be sure, but… he is absolutely certain that you aren’t expecting.

Он отправил ваши медицинские записи, чтобы убедиться, но… он абсолютно уверен, что вы не в положении.

But we’re here, though, aren’t we?

Но мы тут, верно?

We can’t say we run a competent zoo, Lizzie, not if the animals aren’t secure.

Мы не можем открыть зоопарк, Лиззи, пока животные не будут под надежной охраной.

And why the hell aren’t we in the conference room?

И почему, черт возьми, мы не в конференц-зале?

‘Cause now the police aren’t only looking for Vincent anymore- — we’re looking for you now, too.

Потому что теперь полиция ищет не только Винсента, теперь мы разыскиваем и тебя тоже.

Honey I need to know that your mom and I… we aren’t living together anymore.

Дорогая, тебе нужно знать, что твоя мама и я… мы больше не живем вместе.

I don’t think celebrities are one of the bigger problems facing us, but aren’t we the ones building the pedestal?

— Я не считаю звёзд одной из наших серьёзных проблем, но разве не мы сами возводим пьедестал?

I’m brokering this thing because we’re all a little tired of you two missing such easy shots. Things aren’t as complicated as you make them.

— Я посредник, нам всем надоело, что вы постоянно промахиваетесь – вы так всё усложняете.

But aren’t they the ones we should be least worried about, the ones who will love us without judging, who forgive our faults and celebrate our imperfections?

Но разве мы не должны бояться их меньше всего, разве они не будут нас любить, не осуждая, прощать нам наши ошибки и прославлять наши недостатки?

Well, I’m sorry, but I already promised Gretchen. And the fact of the matter is, we aren’t in a relationship anymore.

И главное, мы с тобой больше не связаны отношениями, так ты больше не держишь меня за яйца.

Well, thanks to your father, we aren’t getting any new condos in this dumb town. No new money and no Bob’s Burgers on the Beach.

Ну, скажите спасибо своему папаше, из-за которого в этом тупом городишке не появится элитных домов, не приедет богачей и не откроется закусочная Боба на берегу.

We’re such easy targets, aren’t we?

Мы легкая добыча, не так ли?

If we go in there now, some of us aren’t coming back.

Если мы отправимся сейчас, кто-то из нас может не вернется.

But why aren’t we giving a proper dinner here?

Но почему мы даем обед здесь?

Woman : Look, we’ve done everything we could. The results just aren’t complete yet.

Послушайте, мы сделали все, что смогли, но результаты еще не готовы.

Aren’t we suing them?

Разве мы не судимся с ними?

Aren’t we stretching a little here?

Мы можем немного растянуть это?

Aren’t we nice?

Разве мы не милые?

Even. .. even if you play it safe, you aren’t safe, not really, so we might as well take a few risks, right?

Даже… даже если ты будешь осторожна, ты не будешь в безопасности. значит, мы вполне можем рискнуть, не так ли?

— Aren’t you glad we came out?

— Разве ты не рад, что мы пришли?

We’re going to get some petrol, aren’t we, Dad?

Надо только бензина раздобыть, да, пап?

We’re going to wait, aren’t we?

Мы подождем, да?

Honey, aren’t you excited that we’ll see the Sharktopus?

Дорогая, тебя не возбуждает возможность увидеть Шарктопуса?

We are all just full of surprises, aren’t we?

Мы все полны сюрпризов, не так ли?

Aren’t we, Norman?

Не так ли, Норман?

So I recorded it and we’re watching it tonight, aren’t we?

Поэтому я записал серию и мы посмотрим её сегодня. Да?

In truth, these aren’t the finest actors, but we are in the colonies.

По правде говоря, это не лучшие актеры, но мы в колониях.

— So we aren’t coming back?

Мы договаривались, что возвращаемся.

We were able to verify that the sat images and manifests aren’t real.

Мы смогли выявить, что эти изображения и декларации не настоящие.

We’re going to see, aren’t we?

Сейчас и узнаем.

Neary : Aren’t we truly blessed to have both the splendors of nature and the delights of civilization

Разве мы не благословлены иметь как великолепие природы, так и прелести цивилизации

I mean, we’re all friends here, aren’t we?

Я имею в виду, мы все здесь друзья, разве нет?

Aren’t we going?

Мы не идём?

The mohawk aren’t our friends, but they are the enemies of the abenaki we fight.

Могавки не наши друзья, но они враги племени Абенаки, с которым мы сражались.

  • перевод на «we aren’t» турецкий

Aren’t — перевод, транскрипция, произношение, примеры

 > 22 000

 

амер.   |ˈɑːrənt| Тег audio не поддерживается вашим браузером.  

брит.  |ɑːnt| Тег audio не поддерживается вашим браузером.  

я ваш друг, правда?, вы устали, верно?

глагол

- I’m your friend, arent I? — я ваш друг, правда?
- you are tired, arent you? — вы устали, верно?

Мои примеры

Словосочетания

the perennialwhinethatmoviesaren’t as good as theyused to be — многолетнее нытьё, что фильмы, мол, уже не так хороши, как раньше  
the trainsaren’t running — поезда не ходят  
aren’t — are not  

Примеры

You’re new here, aren’t you? 

Ты здесь новичок, правильно?

The trains aren’t running now. 

Поезда сейчас не ходят.

Come on. Aren’t you ready yet? 

Да ладно. Ты что, ещё не готова?

Aren’t you dressed yet? 

Ты что, ещё не оделась?

Admit it! I’m right, aren’t I? 

Согласись, я прав, не так ли?

Her parents aren’t very strict.

Ее родители не очень строгие.

Those tomatoes aren’t ripe yet. 

Те помидоры ещё не созрели.

Activity holidays aren’t my bag. 

Активный отдых в выходные — это не по мне.

The curtains aren’t quite level. 

Шторы висят не совсем на одном уровне.

Aren’t there shades of 1948 here? 

Разве ничего здесь не напоминает 1948 год?

Aren’t you even a tiny bit scared? 

Неужели тебе ни капельки не страшно?

The fish just aren’t biting today. 

Рыба сегодня просто не клюёт.

Oh, aren’t those flowers gorgeous! 

О-о, разве эти цветы не великолепны!

What about me? Aren’t I coming too? 

А как же я? Я тоже не иду?

Most students aren’t very political. 

Большинство студентов не очень интересуется политикой.

Aren’t you being a little bit unfair? 

Тебе не кажется, что ты немного несправедлив?

Sorry, computers aren’t really my bag. 

Очень жаль, но компьютеры — это не моя стихия.

His qualifications aren’t good enough. 

Его квалификация недостаточно хороша.

Computer games aren’t just a guy thing. 

Компьютерные игры — это не только для парней.

These two artists just aren’t comparable. 

Эти два художника просто несопоставимы.

Come on, buck up, things aren’t that bad! 

Ну же, не падай духом: всё не так уж плохо!

You’re lying, aren’t you? You’re so cheap. 

Ты ведь врёшь, не так ли? Какая же ты дешёвка.

Aren’t we asking too much of these children? 

Не слишком ли мы много хотим от этих детей?

Local people aren’t objecting — far from it. 

Местные жители не возражают — совсем наоборот.

Tickets for the concert just aren’t selling. 

Билеты на этот концерт просто не покупают.

If my boots aren’t laced up tight they chafe. 

Если мои ботинки не туго зашнурованы, то они натирают мне ноги.

Aren’t you going to invite me in for a coffee? 

Разве ты не собираешься пригласить меня к себе на кофе?

Skirts aren’t very practical in my kind of work.

На такой, как у меня, работе носить юбку не очень удобно.

These shoes aren’t very comfortable for walking. 

Эти туфли не очень удобны для ходьбы.

Ken gave me some flowers. Aren’t they beautiful? 

Кен подарил мне какие-то цветы. Красивые, правда?

ещё 23 примера свернуть

Примеры, ожидающие перевода

‘Aren’t you pleased?’ ‘Yes, I suppose so.’  

…you’re having me on, aren’t you, mate?…  

You’re very close about your work, aren’t you?  

Для того чтобы добавить вариант перевода, кликните по иконке ☰, напротив примера.

Дополнение / ошибка   Добавить пример

В других словарях:  Мультитран  Webster  FreeDictionary  Longman  Forvo 

Не так ли? или я нет?

Спросите редактора

Вопрос

Разве не я? или я нет?

Отвечать

Вопрос

Как правильно: «не так ли?» или «Разве я не?» Пожалуйста, дайте мне знать… спасибо – Кевин, Южная Корея

Ответить

Краткое объяснение

«Разве я?» обычно используется и очень приемлемо в неформальном языке. «Разве я не?» является грамматическим, но чрезвычайно формальным, поэтому в большинстве случаев «не так ли?» является предпочтительным выбором. Единственным исключением является случай, когда вы пишете официальное письмо или научную статью, и тогда вы можете либо использовать «я не?», либо, что еще лучше, изменить структуру предложения, чтобы избежать использования любой из этих форм.

Дополнительная информация

Как вы знаете, is not является сокращением are  (форма глагола be)  +  not . Он используется в утверждениях и вопросах с you, they, и всеми остальными субъектами во множественном числе, как в примерах ниже.

  • Разве ты не идешь сегодня вечером в кино?
  • Нет, у нас званый обед, так что мы не пойдем в кино.
  • Джон и Келси уходят, 9 лет0029 не они?

Для единичных предметов, таких как он, она, оно, Келси и мой профессор, правильное сокращение не , как в этих примерах:

  • Дождь больше не идет.
  • Моего профессора нет в кабинете, поэтому я отправлю ей сообщение по электронной почте.

Однако для местоимения первого лица I, нет сокращения с глаголом be  + not. («Am’t» — это не слово в английском языке.) Поэтому в повседневной речи и письме носители английского языка используют нет, вместо этого , и, за исключением формальных ситуаций, это считается полностью грамматическим.

Надеюсь, это поможет.

 

  • «Игра есть» или «игра есть»? (подлежащее-глагол соглашение)
  • Сложный случай согласования подлежащего и глагола

Archive

Select month…February 2022January 2022December 2021November 2021October 2021September 2021August 2021July 2021June 2021May 2021April 2021March 2021February 2021January 2021December 2020November 2020October 2020September 2020August 2020July 2020June 2020May 2020April 2020March 2020February 2020January 2020December 2019November 2019October 2019September 2019August 2019May 2019April 2019March 2019February 2019January 2019December 2018November 2018October 2018September 2018August 2018July 2018June 2018May 2018April 2018March 2018February 2018January 2018December 2017November 2017October 2017September 2017August 2017July 2017June 2017May 2017April 2017March 2017February 2017January 2017December 2016November 2016October 2016September 2016August 2016July 2016June 2016May 2016April 2016March 2016February 2016January 2016December 2015November 2015October 2015September 2015August 2015July 2015June 2015May 2015April 2015March 2015February 2015January 2015December 2014November 2014October 2014September 2014August 2014July 2014June 2014May 2014April 2014March 2014February 2014January 2014December 2013November 2013October 2013September 2013August 2013July 2013June 2013May 2013April 2013March 2013February 2013January 2013December 2012November 2012October 2012September 2012August 2012July 2012June 2012May 2012Apri L 2012march 2012 February 2012 Ян. 2012 года. Размером 2011 года, ноябрь 2011.october 2011 September 2011.ноябрь 2009 г. октябрь 2009 г. сентябрь 2009 г. август 2009 г. июль 2009 г. июнь 2009 г. май 2009 г. апрель 2009 г. март 2009 г. февраль 2009 г. январь 2009 г. декабрь 2008 г. ноябрь 2008 г.

Почему вы не получаете больше от своего маркетингового ИИ

Когда маркетологи крупной телекоммуникационной компании решили сократить отток клиентов, они решили использовать искусственный интеллект, чтобы определить, какие клиенты с наибольшей вероятностью откажутся. Вооружившись прогнозами ИИ, они засыпали клиентов из группы риска рекламными акциями, побуждая их остаться. Тем не менее, многие ушли, несмотря на кампанию по удержанию. Почему? Менеджеры допустили фундаментальную ошибку: они задали алгоритму неправильный вопрос. Хотя прогнозы ИИ были хорошими, они не касались реальной проблемы, которую пытались решить менеджеры.

Такой сценарий слишком распространен среди компаний, использующих ИИ для принятия бизнес-решений. В опросе 2500 руководителей, проведенном Sloan Management Review и Boston Consulting Group в 2019 году, 90% респондентов заявили, что их компании инвестировали в ИИ, но менее 40% из них получили от этого прибыль для бизнеса за предыдущие три года.

В качестве академического, консалтингового и неисполнительного директора мы изучили и проконсультировали более 50 компаний, изучив основные проблемы, с которыми они сталкиваются, пытаясь использовать ИИ в своем маркетинге. Эта работа позволила нам определить и классифицировать ошибки, которые маркетологи чаще всего допускают при использовании ИИ, и разработать основу для их предотвращения.

Сначала рассмотрим ошибки.

Мировоззрение: Неспособность задать правильный вопрос

Настоящая забота менеджеров нашей телекоммуникационной фирмы не должна заключаться в выявлении потенциальных перебежчиков; нужно было выяснить, как использовать маркетинговые доллары для сокращения оттока. Вместо того, чтобы спрашивать ИИ, кто, скорее всего, уйдет, они должны были спросить, кого лучше всего убедить остаться — другими словами, какие клиенты, рассматривающие возможность бегства с корабля, с наибольшей вероятностью откликнутся на повышение. Точно так же, как политики направляют свои усилия на колеблющихся избирателей, менеджеры должны нацеливать свои действия на колеблющихся клиентов. Поставив перед ИИ неправильную цель, маркетологи телекоммуникационных компаний растратили свои деньги на множество клиентов, которые все равно собирались уйти, и недоинвестировал в клиентов, на которых они должны были удвоить ставку.

В аналогичном случае менеджеры по маркетингу игровой компании хотели побудить пользователей тратить больше денег, пока они играют в ее игру. Маркетологи попросили команду специалистов по анализу данных выяснить, какие новые функции больше всего повысят вовлеченность пользователей. Команда использовала алгоритмы, чтобы выявить взаимосвязь между возможными функциями и количеством времени, которое клиенты проводят за игрой, в конечном итоге предсказывая, что предложение призов и повышение публичного рейтинга позиций пользователей будут удерживать людей в игре дольше. Компания внесла соответствующие коррективы, но новых доходов не последовало. Почему бы нет? Потому что менеджеры снова задали ИИ неправильный вопрос: как повысить вовлеченность игроков, а не как увеличить их внутриигровые расходы. Поскольку большинство пользователей не тратили деньги внутри игры, стратегия провалилась.

В обеих компаниях менеджеры по маркетингу не смогли тщательно продумать решаемую бизнес-проблему и прогноз, необходимый для принятия наилучшего решения. ИИ был бы чрезвычайно ценным , если бы он предсказывал, какие телекоммуникационные клиенты будут наиболее убедительны и какие игровые функции увеличат расходы игроков.

Асимметрия: неспособность распознать разницу между ценностью правоты и ценой неправоты

Прогнозы ИИ должны быть максимально точными, не так ли? Не обязательно. Плохой прогноз может быть чрезвычайно дорогим в одних случаях, но менее дорогим в других; Точно так же сверхточные прогнозы в одних ситуациях приносят больше пользы, чем в других. Маркетологи — и, что еще важнее, команды специалистов по данным, на которые они полагаются, — часто упускают из виду это.

Возьмем компанию по производству потребительских товаров, чьи специалисты по данным с гордостью объявили, что они повысили точность новой системы прогнозирования объемов продаж, снизив частоту ошибок с 25% до 17%. К сожалению, повышая общую точность системы, они увеличили ее точность для продуктов с низкой маржой и снизили ее точность для продуктов с высокой маржей. Поскольку стоимость недооценки спроса на предложения с высокой маржой значительно превышала ценность правильного прогнозирования спроса на предложения с низкой маржой, прибыль упала, когда компания внедрила новую, «более точную» систему.

Важно понимать, что прогнозы ИИ могут быть ошибочными по разным причинам. В дополнение к завышенным или заниженным результатам они могут давать ложноположительные результаты (например, идентифицируя клиентов, которые на самом деле остаются вероятными перебежчиками) или ложноотрицательные (идентифицируя клиентов, которые впоследствии уходят как маловероятные перебежчики). Работа маркетолога состоит в том, чтобы проанализировать относительную стоимость этих типов ошибок, которые могут быть самыми разными. Но эта проблема часто игнорируется или даже не сообщается командам специалистов по данным, которые строят модели прогнозирования, которые затем предполагают, что все ошибки одинаково важны, что приводит к дорогостоящим ошибкам.

Агрегация: неспособность использовать детализированные прогнозы

Фирмы генерируют потоки клиентских и операционных данных, которые стандартные инструменты ИИ могут использовать для создания подробных высокочастотных прогнозов. Но многие маркетологи не используют эту возможность и продолжают действовать в соответствии со своими старыми моделями принятия решений. Возьмем, к примеру, гостиничную сеть, менеджеры которой встречаются еженедельно, чтобы корректировать цены на уровне местоположения, несмотря на наличие искусственного интеллекта, который может ежечасно обновлять прогнозы спроса на различные типы номеров. Их процесс принятия решений остается пережитком устаревшей системы бронирования.

Еще одним серьезным препятствием является неспособность менеджеров обеспечить правильную детализацию и частоту своих решений. В дополнение к анализу темпов принятия решений им следует задаться вопросом, должны ли решения, основанные на прогнозах на агрегированном уровне, опираться на более точные прогнозы. Рассмотрим маркетинговую команду, решающую, как распределить свои рекламные доллары на поиск по ключевым словам в Google и Amazon. Текущий ИИ команды специалистов по обработке и анализу данных может прогнозировать пожизненную ценность клиентов, привлеченных по этим каналам. Однако маркетологи могут получить более высокую отдачу от рекламных долларов, используя более детальные прогнозы о ценности жизни клиента для каждого ключевого слова на каждом канале.

Коммуникационные сбои

Помимо постоянной защиты от описанных нами типов ошибок, менеджеры по маркетингу должны лучше общаться и сотрудничать со своими группами специалистов по данным, а также четко понимать бизнес-проблемы, которые они ищут. решать. Это не высшая математика, но мы часто видим, что менеджеры по маркетингу не справляются с этим.

Несколько факторов мешают продуктивному сотрудничеству. Некоторые менеджеры берутся за инициативы в области ИИ, не полностью понимая возможности и ограничения технологии. У них могут быть нереалистичные ожидания, и поэтому они занимаются проектами, которые ИИ не может выполнить, или они недооценивают ценность ИИ 9.0029 может предоставить , поэтому их проектам не хватает амбиций. Любая ситуация может произойти, когда высшее руководство не хочет раскрывать свое непонимание технологий искусственного интеллекта.

При определении проблемы менеджеры должны перейти к тому, что мы называем атомарным уровнем — наиболее детальным уровнем, на котором возможно принять решение.

Специалисты по обработке данных также замешаны в нарушении связи. Часто специалисты по данным тяготеют к проектам со знакомыми требованиями к прогнозированию, независимо от того, соответствуют ли они требованиям маркетинга. Без указаний маркетологов о том, как обеспечить ценность, команды, работающие с данными, часто остаются в своей зоне комфорта. И хотя менеджеры по маркетингу могут неохотно задавать вопросы (и показывать свое невежество), специалисты по данным часто изо всех сил пытаются объяснить нетехническим менеджерам, что они могут и чего не могут делать.

Мы разработали структуру, состоящую из трех частей, которая поможет открыть каналы связи между отделами маркетинга и обработки данных. Эта структура, которую мы применили в нескольких компаниях, позволяет командам объединить свои соответствующие знания и создать петлю обратной связи между прогнозами ИИ и бизнес-решениями, которые они должны принимать.

Практическая основа

Чтобы оживить структуру, вернемся к телекоммуникационной компании.

1. Какую маркетинговую проблему мы пытаемся решить?

Ответ на этот вопрос должен быть осмысленным и точным. Например, «Как уменьшить отток клиентов?» слишком широк, чтобы чем-то помочь разработчикам системы искусственного интеллекта. «Как мы можем лучше всего распределить наш бюджет на поощрения удержания, чтобы уменьшить отток?» лучше, но все еще слишком расплывчато. (Бюджет удержания установлен или это то, что нам нужно решить? Что мы подразумеваем под «распределением»? Распределяем ли мы средства между различными кампаниями по удержанию?) Наконец, мы приходим к более четкой формулировке проблемы, например: «Учитывая бюджет в x миллионов долларов, на каких клиентов мы должны ориентироваться в кампании по удержанию?» (Да, этот вопрос можно уточнить еще больше, но суть вы поняли.) Обратите внимание: «Как мы предсказываем отток?» нигде не появляется — прогнозирование оттока — это не маркетинговая проблема.

При определении проблемы менеджеры должны перейти к тому, что мы называем атомарным уровнем — наиболее детализированному уровню, на котором возможно принять решение или осуществить вмешательство. В этом случае решение заключается в том, отправлять ли каждому клиенту поощрение удержания.

В рамках процесса обнаружения полезно задокументировать, как именно принимаются решения сегодня. Например, телекоммуникационная компания использует ИИ для ранжирования клиентов (в порядке убывания) по их риску оттока в следующем месяце. Он нацелен на клиентов, начиная с верхней части этого рейтинга и перемещаясь вниз, пока не закончится бюджет, выделенный на кампанию удержания. Хотя этот шаг кажется просто описательным и не показывает, как проблема может быть переформулирована, мы видели много случаев, когда команда специалистов по данным впервые действительно понимает, как используются ее прогнозы.

Джулио Бонасера ​​

На этом этапе важно, чтобы маркетинговая команда была открыта для итерации, чтобы найти четко определенную проблему, которая отражает полное влияние решения на прибыль и убытки, признает любые компромиссы и заклинания. как может выглядеть значимое улучшение. По нашему опыту, руководители высшего звена обычно хорошо понимают стоящую перед ними проблему, но не всегда точно определяют ее или ясно формулируют остальной команде, как ИИ поможет ее решить.

2. Есть ли какие-либо потери или упущенные возможности в нашем нынешнем подходе?

Маркетологи часто признают, что их кампании разочаровывают, но не копают глубже. В других случаях менеджеры не уверены, можно ли улучшить результаты. Им нужно сделать шаг назад и определить потери и упущенные возможности в том, как сейчас принимается решение.

Например, большинство авиакомпаний и отелей отслеживают меры по разливу и порче : Спойл измеряет пустые места или номера (часто в результате слишком высоких цен), разлив измеряет «потерянные торговые дни», когда рейсы или отели заполнялись слишком быстро (результат слишком низких цен). Разлив и порча — прекрасные показатели упущенных возможностей, потому что они рассказывают совершенно другую историю, чем агрегированные показатели занятости и средних расходов. Чтобы получить максимальную отдачу от своих инвестиций в ИИ, лидеры маркетинга должны определить свои эквиваленты разлива и порчи — не в совокупности, а на атомарном уровне.

Первый шаг — подумать о том, что представляет собой успех и неудачу. В телекоммуникационной фирме рефлекторным определением успеха было: «Продлили ли целевые клиенты свои контракты?» Но это слишком упрощенно и неточно; такие клиенты могли бы возобновить подписку, не получив никакого поощрения, что сделало бы поощрение пустой тратой удержанных долларов. Аналогичным образом, является ли успехом отказ клиента, на которого не распространялась рекламная акция? Не обязательно. Если этот клиент все равно собирался уйти, отказ от нее был действительно успешным, потому что ее нельзя было убедить. Однако если покупатель остался бы, если бы получил повышение, возможность была упущена. Так что же будет означать успех на атомном уровне? Ориентация только на клиентов с высоким риском оттока, которые были убедительны, и не нацеливаться на тех, кто не был.

Как только источники потерь и упущенных возможностей определены, следующим шагом является их количественная оценка с помощью данных. Это может быть легко или очень сложно. Если группа данных может быстро определить, что было успехом или неудачей на атомарном уровне, глядя на данные, отлично! Затем команда может посмотреть на распределение успеха и неудачи, чтобы количественно оценить потери и упущенные возможности.

Однако бывают случаи, когда трудно идентифицировать сбои на атомарном уровне. В телекоммуникационной фирме команда данных не изучала, какие клиенты были убедительны, и это затрудняло классификацию неудач. В таких обстоятельствах команды могут количественно оценить потери и упущенные возможности, используя более агрегированные данные, даже если результаты менее точны. Один из подходов для телекоммуникационной фирмы заключается в том, чтобы сравнить стоимость поощрения с приростом пожизненной ценности клиентов, которые его получили. Точно так же для клиентов, не охваченных рекламной акцией, команда может рассмотреть упущенную выгоду, связанную с непродлением их контрактов.

Такая тактика помогла телекоммуникационной компании определить клиентов, которые были удержаны, но по цене, превышающей их приростную будущую стоимость, ценных клиентов, которые ушли, несмотря на получение поощрений по удержанию, и ценных клиентов, которые не были выбраны и ушли после кампания. Эта количественная оценка стала возможной, потому что у команды по обработке и анализу данных была контрольная группа клиентов, которых оставили в покое, чтобы установить базовый уровень, с которым можно было сравнить результаты.

3. Что является причиной потерь и упущенных возможностей?

Этот вопрос обычно самый сложный, потому что он требует пересмотра неявных предположений о текущем подходе фирмы. Чтобы найти ответ, фирма должна изучить свои данные и привлечь к сотрудничеству своих экспертов в данной области и специалистов по данным. Основное внимание следует уделить решению проблем выравнивания, асимметрии и агрегации, которые мы определили ранее.

Выравнивание адресации. Цель здесь — отобразить связи между прогнозами ИИ, решениями и бизнес-результатами. Это требует размышлений о гипотетических сценариях. Мы рекомендуем командам ответить на следующие вопросы:

  • В идеальном мире, какими знаниями вы бы обладали, чтобы полностью исключить потери и упущенные возможности? Является ли ваш текущий прогноз хорошим показателем для этого?

Если бы члены телекоммуникационной команды ответили на первый вопрос, они бы поняли, что если бы их ИИ точно предсказывал, кого можно завоевать за счет предложения об удержании (а не тех, кто собирался уйти), они могли бы устранить как потери (потому что они не будут делать предложения неубедительным клиентам) и упустят возможности (потому что они дойдут до каждого клиента, которого можно убедить). Хотя в реальном мире невозможно делать идеальные прогнозы, сосредоточение внимания на убедительности все же привело бы к значительным улучшениям.

После того, как идеальная информация определена, возникает вопрос, может ли группа специалистов по обработке и анализу данных делать требуемые прогнозы с достаточной точностью. Крайне важно, чтобы команды по маркетингу и науке о данных ответили на этот вопрос вместе; маркетологи часто не знают, что можно сделать. Точно так же специалистам по данным трудно связать свои прогнозы с решениями, если они не обладают знаниями в предметной области.

  • Полностью ли результаты вашего ИИ соответствуют бизнес-целям?

Помните игровую компанию, которая использовала ИИ для определения функций, повышающих вовлеченность пользователей? Представьте себе прибыль, если бы компания создала ИИ, который вместо этого предсказывал прибыльность пользователей.

Распространенной ошибкой здесь является ложное убеждение, что корреляции между прогнозом и бизнес-целью достаточно. Это мышление ошибочно, потому что корреляция не является причинно-следственной связью, поэтому вы можете предсказать изменения в чем-то, что коррелирует с прибыльностью, но на самом деле не улучшает ее. И даже когда есть причинно-следственная связь, она может не на 100% соответствовать цели, поэтому ваши усилия могут не полностью достичь конечного результата, что приведет к упущенным возможностям.

В телекоммуникационной компании, задав этот третий вопрос, команда может подумать не только о пользователях, которых можно убедить, но и об увеличении или уменьшении их прибыльности. Поддающийся убеждению пользователь с низкой ожидаемой доходностью должен иметь более низкий приоритет, чем поддающийся убеждению пользователь с высокой ожидаемой прибыльностью.

Асимметрия адресации. Когда у вас есть четкая карта, которая связывает прогноз ИИ с решением и бизнес-результатом, вам необходимо количественно оценить потенциальную стоимость ошибок в системе. Это влечет за собой вопрос: насколько мы отклоняемся от желаемых бизнес-результатов, учитывая, что результаты ИИ не совсем точны?

В телекоммуникационной компании стоимость поощрения удержания неподдающегося убеждению клиента (потери) ниже, чем стоимость потери ценного клиента, которого можно было убедить с помощью предложения (упущенная возможность). Таким образом, компания будет более прибыльной, если ее система искусственного интеллекта сосредоточится на том, чтобы не упускать поддающихся убеждению клиентов, даже если это увеличивает риск ложной идентификации некоторых клиентов как восприимчивых к предложению об удержании.

Разницу между растратой и упущенной возможностью иногда трудно определить количественно. Тем не менее, даже приблизительное значение асимметричной стоимости стоит рассчитать. В противном случае решения могут приниматься на основе прогнозов ИИ, которые точны по некоторым показателям, но неточны по результатам с непропорциональным влиянием на бизнес-цели.

Агрегация адресации. Большинство маркетинговых ИИ не принимает новых решений; он обращается к старым, таким как сегментация, таргетинг и распределение бюджета. Новым является то, что решения основаны на большем количестве информации, которую собирает и обрабатывает ИИ. Риск здесь заключается в том, что люди в целом не хотят меняться. Многие менеджеры еще не приспособились к частоте и уровню детализации, с которыми новая технология может принимать старые решения. Но почему они должны продолжать принимать эти решения в том же темпе? С точно такими же ограничениями? Как мы видели ранее, это иногда приводит к неудаче.

Чтобы решить эту проблему, проведите два анализа. Во-первых, команда должна изучить, как она может устранить потери и упущенные возможности с помощью других маркетинговых действий, которые могут быть результатом сгенерированных прогнозов. Вмешательство, которое рассматривала команда телекоммуникационной фирмы, заключалось в скидке на удержание. Что, если команда включила в решение другие стимулы? Может ли он предсказать, кто воспримет эти стимулы? Может ли он использовать ИИ, чтобы определить, какой стимул лучше всего подойдет для каждого типа клиентов?

Второй тип анализа должен дать количественную оценку потенциальной выгоды от более частого или более детального прогнозирования ИИ или того и другого. Например, в одном ритейлере команда по анализу данных разработала искусственный интеллект, который мог ежедневно прогнозировать реакцию на маркетинговые действия на уровне отдельных клиентов, однако маркетинговая команда сети еженедельно принимала решения по 16 клиентским сегментам. Хотя изменение способа принятия решений, очевидно, повлечет за собой затраты, не обнаружит ли ритейлер, что выгоды перевешивают их?

. . .

Маркетингу нужен ИИ. Но ИИ нужно маркетинговое мышление, чтобы полностью реализовать свой потенциал. Это требует от отдела маркетинга и науки о данных постоянного диалога, чтобы они могли понять, как перейти от теоретического решения к чему-то, что может быть реализовано.

Представленная здесь структура оказалась полезной для совместной работы двух групп и повышения отдачи от инвестиций в ИИ. Описанный нами подход должен создать возможности для лучшего согласования прогнозов ИИ с желаемыми результатами предприятия, признания асимметричных затрат на плохие прогнозы и изменения масштаба решений, позволяя команде переосмыслить частоту и степень детализации действий.