Почему без ML маркетологу уже не обойтись

Автор: Дмитрий Еременко, академический руководитель онлайн-магистратуры Яндекса и НИУ ВШЭ «ИИ в маркетинге и управлении продуктом».

Маркетинг всегда был простым: понять людей и предложить им ценность. Но с развитием технологий всё усложнилось. Если раньше всё держалось на креативе, интуиции и базовой аналитике, то сегодня у маркетолога сотни инструментов, десятки метрик и бесконечные дашборды.

Парадокс в том, что чем больше данных получаем для улучшения работы, тем сложнее становится видеть за ними главное — человека. Машинное обучение помогает вернуть этот фокус, снять рутину, сделать анализ масштабным и увидеть то, что ранее было сложно разглядеть в обилии данных. Но самое важное, ML даёт маркетингу шанс перестать быть «шумом».

А вы ещё не купили корпоративный пакет COSSA-2026 со скидкой?

Cossa анонсирует главный рекламный формат на весь 2026 год: сразу 8 различных опций.

Пакет идеально подходит для онлайн-сервисов, стартапов, интернет-компаний и digital-агентств.

Успейте приобрести пакет до повышения цены!

Реклама. ООО «Косса.Ру» ИНН: 7727802345. ERID: 2W5zFGXhTg4

Маркетологу не обязательно уметь писать код — достаточно научиться ставить правильные цели, проверять гипотезы и держать курс на ценность для клиента и бизнеса. В этом и кроется новая роль специалиста: не «настроить алгоритм», а задать ему направление. Рынок показывает, что переход к ML уже происходит массово: 88% маркетологов признались, что используют его в своей повседневной работе. Цифры подтверждают, что тренд необратим. По данным Statista, ожидается, что объём мирового рынка ИИ в маркетинге достигнет 47,32 млрд $ к 2025 году по сравнению с 12,05 млрд $ в 2020 году. В 2025 году мировой рынок генеративного ИИ оценивается в $62,75 млрд. Прогнозируется, что к 2030 году он вырастет до 356,05 млрд $ при среднегодовом темпе роста 41,52%.

При этом 43% маркетологов указывают на то, что не знают, как максимально увеличить его ценность для своей работы, а 39% специалистов не хватает знаний о том, как безопасно использовать ИИ. Сейчас мы находимся в ситуации, когда инструменты уже здесь, но культура их применения ещё формируется, как в первые годы социальных сетей: уже завели аккаунты, но ещё не поняли, как работать с аудиторией.

Новая реальность ИИ: меньше шума, больше уважения

Маркетинг перестаёт быть гонкой за кликами, сдвигая фокус с частоты показов на пользу для человека, потому что потребительские привычки меняются, а внимание стало самой дефицитной валютой. Например, Deloitte отмечает, что 56% пользователей бросают фильм или сериал в первые 10 минут, если сюжет их не зацепил. То же самое происходит и на рынке e-commerce. По данным Data Insight, маркетплейсы занимают более 65% онлайн-торговли в России и их главный вызов сейчас — не привлечение трафика, а удержание и прибыльность. Здесь и проявляется сила ML, позволяющая показывать пользователю не «подборку недели», а то, что ему действительно интересно; предсказывать спрос, чтобы склад не простаивал и маркетинг не «сливал» бюджет; фильтровать шум и работать с клиентами, которые приносят ценность бизнесу. Правила игры меняются, и сейчас специалистам важно учиться не тому «как громче крикнуть», а «как точнее попасть».

Где ML уже работает на маркетинг:

персонализация и рекомендации. ML-алгоритмы анализируют пользовательские действия: что смотрели, искали, покупали. Система подбирает контент или товары под конкретного человека. Например, 35% покупок на Amazon совершается благодаря рекомендательным алгоритмам, а на Netflix 80% активности зрителей обусловлено системой рекомендаций;

сейчас пользователи не просто хотят персонализированного подхода, они его считают обязательным. По данным McKinsey, 71% клиентов ожидают от компаний персонализированного взаимодействия, и 76% из них разочарованы, когда бренды этого не делают;

удержание клиентов. Предсказание оттока становится нормой. Алгоритмы анализируют поведение и сигнализируют, что клиент «на выходе». Например, на телеком-рынке такое решение помогает снизить отток пользователей на 10–15%. Успешный опыт работы с ИИ показывает кейс американской телекоммуникационной компании Verizon, сумевший предотвратить отказ от услуг 100 тысяч клиентов в 2024 году;

прогноз спроса. Алгоритмы прогнозируют, когда и что будет востребовано, учитывая продажи, сезонность и возможности логистики. Благодаря этому исключаются «пустые» акции и лишние издержки, особенно в сфере FMCG. Когда ML предполагает, что будет востребовано, маркетинг работает не «по наитию», а по точным данным;

креатив. ML-технологии могут генерировать десятки идей для контента, а дальше в работу идут только те, что показали результат в тестах на маленькой аудитории. Например, Coca-Cola использует ИИ-платформу для генерации идей, экономя время и сохраняя контроль за качеством.

Новые привычки маркетолога

Маркетолог превращается в человека, который соединяет креатив и системное мышление. И именно это определяет, кто будет актуальным завтра. Работа с ML внутри компании требует трёх ключевых подходов, без которых ни одна команда не сможет получить ценность от разработанного решения.

Во-первых, умение специалиста формулировать цели использования ML на языке бизнеса. Если цель звучит как «сделать ИИ-проект», результатом чаще всего становится демонстрация технологии ради технологии. Совсем другое дело, когда цель звучит конкретно: «снизить отток на 10%" или «повысить конверсию из корзины в оплату на 5%». Такой язык понятен и бизнесу, и дата-сайентистам, и всей команде. Во-вторых, согласование метрик ещё до старта работы с искусственным интеллектом. В ML-проектах всегда велик соблазн «подогнать» итог под красивую технологическую историю. Поэтому сразу утвердить: что сравниваем, сколько, например, лидов ждём и какой выхлоп будет считаться успехом. Это снижает количество бесполезных экспериментов и позволяет быстрее масштабировать те проекты, которые реально работают.

И, наконец, создание культуры контроля. ML-модели не статичны: они «стареют» вместе с изменением поведения пользователей. Поэтому внутри команды должен быть человек, который отвечает за качество и имеет право вовремя нажать «стоп». Отсутствие этой привычки дорого обходится бизнесу: модель вроде работает, но приносит не ценность, а убытки.

Эти три привычки делают маркетолога не просто пользователем ИИ-инструмента внутри компании, а человеком, который может управлять бизнес-результатом

Какие специалисты нужны маркетингу в эпоху ML

ИИ нас не заменит, ведь решения в конечном счёте принимают не инструменты, а команда. Однако, маркетинг в ближайшие годы будет требовать новых типов специалистов. Сейчас успех кампаний во многом зависит от того, есть ли в команде люди, которые умеют работать на стыке дисциплин.

Эффективная команда отдела должна включать в себя:

маркетологов, которые понимают технологии. Их задача — не писать код, а понимать принципы машинного обучения и уметь объяснить их коллегам и бизнесу простыми словами. Такие специалисты становятся «переводчиками» между командами: они объясняют аналитикам, чего хочет бизнес, а бизнесу — что реально может дать модель. Именно в компаниях, которые разрабатывают ML-модели in-house, роль «переводчиков» особенно критична. Если этот мост не выстроен, команда разработки работает в вакууме, а бизнес не получает ценности;

специалистов, которые следят за работой алгоритмов. Любая ML-система со временем начинает «плыть»: данные устаревают, поведение клиентов меняется, конкуренты вводят новые механики. Поэтому нужны люди, которые не просто смотрят на дашборды, а умеют интерпретировать результаты и вовремя принимать решения о пересборке или отключении модели;

руководителей команд нового типа. Их роль не в том, чтобы самому понимать тонкости ML, а в выстраивании культуры экспериментов. Они задают простое правило: «Ни один пилот не стартует без чёткой гипотезы, критерия успеха и кнопки стоп». Такая культура дисциплинирует команду и защищает бизнес от хаотичных трат времени и денег на проекты, которые не приносят ценности.

Как только команды начинают говорить на одном языке метрик, машинное обучение перестает быть чем-то непонятным и становится понятной частью процессов.

Будущее рынка

Сегодня знание принципов ML для маркетолога — это уже не конкурентное преимущество, а необходимость. По данным Gartner, более половины маркетинговых отделов уже активно используют ИИ. Специалисты, которые умеют говорить на одном языке с аналитиками и продуктовыми командами, быстрее становятся востребованными и получают лучшие карьерные возможности. На горизонте 5–10 лет маркетинг и технологии будут развиваться вместе, что означает появление новых ролей, навыков и подходов к работе с данными. Маркетолог без понимания ML рискует просто не войти в будущее профессии.

Машинное обучение — не про замену людей, а про помощь маркетологам в работе с главным: ценностями клиента. Модели дают масштаб и скорость. Но именно маркетолог решает, что считать успехом, как проверить результат и когда остановиться. Тогда маркетинг перестаёт быть гонкой за кликами и снова становится делом, которое приносит пользу и команде, и бизнесу.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.