Вы находитесь на странице: 1из 12

Ученые из самых разных дисциплин согласны с тем, что бизнес больше не

рассматривается с промышленной точки зрения, а с точки зрения знаний (Grant, 1996,


2002; Spender and Grant, 1996). Знания, полученные благодаря превосходному количеству
и качеству информации, стали доминирующим ресурсом и превзошли физический и
финансовый капитал по своей организационной значимости (Archer-Brown and Kietzmann,
2018; Bollinger and Smith, 2001; Drucker, 1999). Знания также лежат в основе рыночной
ориентации (Day, 1990, 1994, 2000), которая является доминирующей маркетинговой
парадигмой с 1990-х годов. В частности, знание рынка (Kohli and Jaworski, 1990) имеет
решающее значение для создания предложений, отвечающих потребностям и
предпочтениям клиентов, а также для построения и поддержания эффективных
долгосрочных отношений с клиентами. Таким образом, систематические усилия по
управлению знаниями могут направить знания рынка в эффективные маркетинговые
стратегии и тактики B2B (Shawet al., 2001).

В последние годы растущая цифровизация и появление новых информационных и


коммуникационных технологий изменили создание стоимости в B2B в целом (Paschen et
al., 2019), и, в частности, то, как B2B firms управляют данными и знаниями (Guptaet al.,
2017). Во-первых, информационные и коммуникационные технологии способствовали
созданию больших объемов данных, например, благодаря почти повсеместному
использованию социальных сетей (Kietzmannet al., 2011) и развитию Интернета вещей
(IoT; Osmonbekov and Johnston, 2018). ; Робсон и др., 2016; Турунен и др., 2018). По
отдельности эти новые и все еще появляющиеся данные мало что значат по сравнению с
их глубоким общим значением (Pigni et al., 2016). В совокупности большие данные,
огромные с точки зрения их объема, скорости, разнообразия, достоверности и ценности
(известные как Пять V), становятся все более ценным источником знаний о рынке для
компаний B2B.

Во-вторых, новые информационные технологии могут помочь компаниям раскрывать,


систематизировать и делиться знаниями, содержащимися в больших данных (Codiniet al.,
2019). Одной из информационных технологий, которая вызывает все больший интерес
среди практиков, является искусственный интеллект (Martínez-L opez and Casillas, 2013;
Singhet al., 2019; Syam and Sharma, 2018). Например, опрос более 1400 руководителей
маркетинга B2B в 2018 году показал, что профессиональные услуги сектор входит в число
секторов, наиболее активно использующих искусственный интеллект (MIT Technology
Review Insights, 2018). Предпосылка заключается в том, что для компаний B2B
искусственный интеллект может помочь преобразовать (большие) данные в информацию
и знания, необходимые для разработки эффективного маркетинга и стратегии и тактика
продаж. Традиционно это было трудным делом в маркетинге B2B, где маркетологам B2B
необходимо сосредоточиться на обоих: понимании клиентов, то есть тех, кто принимает
решение о покупке, в дополнение к пониманию пользователей, то есть тех, кто в
конечном итоге использует предложение (Abrellet al. , 2016). Потенциальное влияние,
которое практики ожидают от ИИ для маркетинга и продаж B2B, включает
персонализацию, настройку, инновации и повышение эффективности и действенности
маркетинга (EverString, 2018).

Хотя маркетологи признают возможности для знаний AIenabled, похоже, что существуют
пробелы в всестороннем понимании искусственного интеллекта и способов его
применения для маркетинговых процессов и принятия решений B2B (MartínezL opez and
Casillas, 2013; Singh et al., 2019; Syam and Шарма, 2018). Другими словами, когда
маркетологи B2B обсуждают ИИ, они часто ссылаются и используют разные термины и
концепции, что приводит к недопониманию и путанице в отношении того, что ИИ может,
а что не может. Для менеджеров и руководителей B2B Чтобы правильно оценить ИИ,
первым важным шагом является понимание того, что такое искусственный интеллект, что
означают различные связанные термины и концепции и как все они объединяются, чтобы
предложить различные ценностные предложения для B2B-маркетинга. Кроме того,
существует пробел в нашем понимании значения ИИ для знания рынка в контексте B2B.
Наша статья устраняет оба этих пробела. В ответ на первое, в этой статье описываются
фундаментальные строительные блоки любой системы искусственного интеллекта и их
взаимосвязи. в дополнение к разъяснению терминологии ИИ, которая на практике часто
используется как синонимы. Что касается второго пробела, в этой статье обсуждаются
последствия для ИИ в отношении различных типов рыночных знаний в контексте
принятия маркетинговых решений в сфере B2B и намечаются направления будущих
исследований в этой области. Таким образом, наша статья дополняет литературу по AI и
B2B-маркетингу с точки зрения знаний, отвечая на призыв к более активной научной
работе в этой области (Martínez-L opez and Casillas, 2013; Singhet al., 2019; Syam and
Sharma, 2018).

Дальнейшая часть статьи построена следующим образом. Раздел 2 начинается с


концептуального разъяснения систем искусственного интеллекта, обосновывая эту
концепцию в соответствующей литературе. Затем мы описываем фундаментальные
строительные блоки систем искусственного интеллекта и их взаимосвязи, а также
наглядные примеры из B2B-маркетинга в Разделе 3. Раздел 4 обсуждает значение ИИ для
знания рынка в B2B-маркетинге, а также направления будущих научных исследований,
прежде чем заключить с кратким изложением последствий.

3. Шесть строительных блоков систем искусственного интеллекта.

В предыдущем разделе были даны пояснения по искусственному интеллекту и


информационным системам на основе дошедшей до нас литературы. Определив две
ключевые конструкции - искусственный интеллект и информационные системы, - теперь
мы можем углубиться в концепцию систем искусственного интеллекта. Если мы примем,
что (а) искусственный интеллект - это теория и практика разработки систем (т. Е. Машины
или компьютерные программы, которые получают или воспринимают входные данные,
обрабатывают эти входные данные и возвращают результаты обработки в качестве
выходных данных) и (այսինքն `մեքենաներ կամ համակարգչային ծրագրեր, որոնք
մուտքային տվյալներ են ընդունում կամ ընկալում, այդ մուտքային տվյալները մշակում և
վերամշակման արդյունքները վերադարձնում են որպես ելքային տվյալներ) (б) эти системы
действовать для достижения наилучшего ожидаемого результата, мы можем распаковать
системы ИИ на шесть строительных блоков, как показано на рисунке 1:
структурированные данные, неструктурированные данные, предварительные процессы,
основные процессы (т.е. решение проблем, рассуждение и машинное обучение), база
знаний и информация . В следующем разделе предлагается введение и определение
каждого строительного блока (выделено курсивом), а также обсуждаются особенности
каждого строительного блока роль в системах ИИ.

3.1 Входы

Каждая информационная система в первую очередь должна иметь средства,


позволяющие запрашивать данные из своей среды для преобразования ввода-процесса-
вывода. Для ИИ эти входные данные бывают двух видов: структурированные и
неструктурированные данные.

3.1.1 Строительный блок 1 ИИ: структурированные данные

Структурированные данные - это данные, которые стандартизированы и организованы в


соответствии с заранее определенной схемой. Они составляют основу бизнес-аналитики и
бизнес-аналитики - деятельности, которая связана с методическим исследованием
структурированных данных организации, часто с упором на количественный анализ.
Примеры включают демографические данные клиентов, данные о просмотре веб-страниц
или данные о транзакциях - все это внутренние структурированные данные - и рейтинги
социальных сетей или биржевые транзакции, которые являются примерами внешних
структурированных данных. Искусственный интеллект, основанный на растущей
вычислительной эффективности и быстром улучшении методов машинного обучения
(объясняется в строительном блоке 4), может выполнять вычисления с различными
типами структурированных данных, часто в режиме реального времени.

3.1.2 Строительный блок 2 ИИ: неструктурированные данные

Неструктурированные данные - это данные, которые не стандартизированы или не


организованы в соответствии с заранее определенной схемой. Что отличает ИИ от
традиционных информационных систем, так это то, что он также может обрабатывать
значительно увеличивающийся объем входных данных, которые поступают в
неструктурированных форматах. Интернет вещей, социальные сети и мобильные
устройства привели к, казалось бы, бесконечному потоку цифровых данных, которые в
основном неструктурированы и включают, среди прочего, человеческий язык в
письменной форме, например, блоги, сообщения, обзоры, комментарии или твиты; речь,
например звук в пользовательском контенте, и изображения, изображающие предметы
или людей. В веб-форме, например, посетителей веб-сайта могут попросить предоставить
свою контактную информацию или оставить отзыв о продукте или услуге, выбрав вариант
ответа из заранее определенных категорий ответов (структурированные данные), но
также они могут быть представлены с полем для комментариев в которые они могут
предоставить дополнительную обратную связь или вопросы (неструктурированные
данные).

3.2 Процессы

Системы искусственного интеллекта сначала должны отформатировать и


стандартизировать неструктурированные данные. Эти действия предварительной
обработки преобразуют неструктурированные данные в структурированные данные,
которыми затем можно манипулировать в основных процессах ИИ (строительный блок 4;
O’Leary, 2013).

3.2.1 Строительный блок 3 ИИ: предварительные процессы

Предварительная обработка неструктурированных данных в их различных формах


включает в себя очистку данных, нормализацию, преобразование, извлечение и выбор
функций с целью, чтобы оставшиеся данные можно было обрабатывать способами,
создающими ценность.

3.2.1.1 Понимание естественного языка. Системы искусственного интеллекта используют


понимание естественного языка (NLU) для придания значения обширному и сложному
человеческому языку в устной и письменной форме. Человеческий язык оживает через
текст (письменный язык) и акустические сигналы (разговорный язык). Прежде чем
системы искусственного интеллекта смогут понимать устную речь, речь в первую очередь
должна быть преобразована в текст; этот шаг обычно называют распознаванием речи.
Хотя распознавание речи и распознавание голоса часто используются как синонимы,
первое связано с обнаружением произносимых слов, а второе идентифицирует лично
говорящего. Распознавание речи позволяет системе ИИ распознавать сказанные слова, но
не то, что они означают. Это осмысление происходит как часть понимания естественного
языка. Придание смысла написанному тексту, то есть создание семантического
представления текста, является наиболее важной задачей в NLU. Это также сложная
задача, учитывая неоднозначность, присущую естественному языку, которая возникает
из-за контекстных обстоятельств, лингвистических стилей или истории диалогов.
Например, системы искусственного интеллекта должны разделять значения омонимов -
слов с одинаковым написанием и произношением, но с разными значениями (например,
tobooka Criminal против tobooka в гостиничном номере), омофоны - слова с одинаковым
произношением, независимо от того, как они пишутся. (например, to, too и two) и
омографы - слова, которые имеют одинаковое написание, независимо от того, как они
произносятся (например, totearup vs to tear down). К этой сложности присвоения
значений добавляются и другие проблемы, такие как орфографические ошибки, жаргон,
сленг или диалект. Таким образом, ключевая задача в понимании естественного языка
включает анализ синтаксиса (то есть структуры предложений), семантики (то есть
отношения между словами, фразами и символами) и прагматики (то есть контекста, в
котором используются слова или фразы естественного языка; Гилл, 2019). В то время как
ранние приложения NLU основывались на правилах, написанных от руки, современные
системы полагаются на машинное обучение (объясненное в строительном блоке 4 ИИ
ниже) для извлечения смысла из текста. Хотя существует несколько методов,
большинство приложений NLU используют лексикон (словарь) и набор правил
грамматики, закодированных в его процедурах. Затем эти приложения используют
статистические модели и машинное обучение для применения этих правил и
определения наиболее вероятного значения сказанного. Приложения NLU сегодня
огромны и включают, среди прочего, автоматическое суммирование текста, понимание
личности, анализ тональности, извлечение темы и распознавание именованных
сущностей, то есть классификацию именованных сущностей в тексте по заранее
определенным категориям, тегирование частей речи и т. Д. извлечение взаимосвязей,
или основание, то есть сокращение флективных слов, таких как рыбалка и рыбалка, до их
слова стволовая рыба. В качестве иллюстрации стартап-компания Klue предлагает услуги
ИИ с использованием обработки естественного языка и машинного обучения для сбора
конкурентной разведки на основе письменного текста из 3,5 миллионов внешних веб-
источников, обработка эти данные для извлечения информации для личных продаж B2B и
управления продажами. Веб-сайт Klue обещает предоставить «предприятиям
возможность заглянуть в мир своих конкурентов, постоянно обновляя и соединяя точки,
чтобы помочь им расширить бизнес» (Klue, 2017). Эта актуальная информация может
помочь специалистам по продажам лучше отвечать на вопросы клиентов и опровергать
конкурентов, а также дает ценную информацию о том, что делают конкуренты.

3.2.1.2 Компьютерное зрение. Компьютерное зрение - это преобразование визуальных


образов во внутренние представления мира, чтобы эти представления могли
взаимодействовать с другими строительными блоками в системе ИИ. Степень сложности
компьютерного зрения широко варьируется, от распознавания краев или текстуры до
границ, поверхностей и объемов. классификации объектов, сцен или событий (Forsyth and
Ponce, 2011). Например, розничная торговля технологическая компания Cloverleaf
использует компьютерное зрение с поддержкой ИИ для измерения настроений
покупателей на полках магазинов и определения улучшенных тактик ценообразования
или продвижения, часто в режиме реального времени. Хотя это легко для людей,
обработка изображений является очень сложной задачей для компьютеров и,
следовательно, создает узкое место. для систем ИИ, которые должны работать с
полученным результатом.

Компьютерное зрение тесно связано с областью машинного обучения, описанной в


следующем разделе, который предоставляет алгоритмическую основу для распознавания
закономерностей и извлечения значения из пикселей. eBay, например, внедряет
функцию, которая позволяет пользователям идентифицировать элемент, найденный на
любом веб-сайте - в блоге или Pinterest - и находить аналогичные элементы на сайте
цифрового рынка, передавая URL-адрес на eBay. Пользователи также смогут увеличивать
отдельные элементы на фотографии и искать их. В то время как ранние системы
компьютерного зрения работали над созданными вручную элементами, созданными
человеком, современные системы классификации объектов могут соперничать с
человеческим уровнем распознавания.

3.2.2 Строительный блок 4 ИИ: основные процессы

Один из ключевых процессов интеллекта - это способность применять логику для


решения проблем и обучения. Обучение - это процесс приобретения новых или
изменения существующих знаний для лучшего достижения желаемых результатов. В
искусственном интеллекте строительный блок 4 в первую очередь связан с тремя
основными процессами интеллектуального поведения: решением проблем,
рассуждениями и машинным обучением, при этом машинное обучение использует два
предыдущих процесса, чтобы сделать машины умнее.

3.2.2.1 Решение проблем. Решение проблем включает в себя выбор лучшего решения из
ряда альтернатив для достижения цели. Как и в случае с людьми, для систем ИИ
существуют два принципиально разных процесса решения проблем. Комплексное
решение проблем, системы искусственного интеллекта генерируют и оценивают
альтернативные решения данной проблемы. Здесь важно то, что там

не может быть единственного лучшего решения - множество альтернатив могут быть


одинаково ценными. С другой стороны, конвергентное решение проблем связано с
сужением альтернативных вариантов для поиска единственного наилучшего или даже
правильного ответа на проблему. Для этого особенно полезна грубая сила, которую
системы ИИ могут использовать для работы с большими данными. Однако это не
означает, что при решении проблем ИИ всегда исследуются возможности для достижения
оптимального решения. Вместо этого ИИ часто полагается на эвристику для достижения
результатов, достаточных для решения насущной проблемы (Tecuci, 2012). Например,
когда компания IBM Watson победила участников-людей в телевизионном игровом шоу
«Джеопарди!», Ватсон составил список ответов вместе с взвешиванием каждого ответа,
отражающим его вероятность (или уверенность) в правильности. Затем он использовал
ранжированный список, чтобы решить, нужно ли отвечать на

вопрос и размер ставки. В любом случае расходящиеся или сходящиеся решения проблем
сохраняются (обсуждаются в строительном блоке 5 - база знаний), а существующие
знания обновляются (обсуждаются в разделе машинного обучения ниже).
3.2.2.3 Машинное обучение. Если целью ИИ является разработка интеллектуальных
машин, то они должны иметь возможность учиться на прошлых попытках. Машинное
обучение (ML) включает в себя методы, которые позволяют компьютерам учиться на
собственном опыте, т. Е. постепенно улучшать их производительность без явного,
предопределенного набора правил, которые хранятся в памяти. Классическое машинное
обучение с учителем основывалось на принятии решений человеком для определения
функций ввода и предварительного программирования конкретного поведения, на
основе которого системы обучались. Вскоре стало ясно, что успешные системы должны
будут учиться на опыте и извлекать информацию из больших объемов данных - без
явного перепрограммирования каждый раз. Расширенные версии машинного обучения
нацелены на этот вопрос, разрабатывая алгоритмы и статистические методы, которые
способны извлекать (часто неявные) знания из данных. Появление глубокого обучения,
новых технологий графических процессоров (GPU) и огромных объемов данных теперь
позволяет алгоритмам автоматически изучать сложные функции из данных для
оптимального выполнения задачи, на которой они обучаются. Это делает машинное
обучение наиболее важным элементом современных систем искусственного интеллекта.

Пространство алгоритмов обучения обширно и может быть разделено на


контролируемые методы (то есть методы, которые учатся на данных, для которых
известен целевой результат), неконтролируемые методы и обучение с подкреплением.
Методы контролируемого обучения включают приложения компьютерного зрения, такие
как распознавание объектов или речи, где обучающие данные предоставляются вместе с
правильными метками, по которым компьютер изучает шаблоны и разрабатывает
правила, которые будут применяться к будущим экземплярам той же проблемы. поиск
структуры в данных большой размерности, чтобы сделать ее более доступной (например,
кластеризация и уменьшение размерности). Обучение с подкреплением пытается научить
агентов изучать разумное поведение на основе их собственного прошлого опыта.
Другими словами, системы ИИ учатся из различных источников не только из
структурированных и неструктурированных входных данных, но и из собственных
процессов. Для этого машинное обучение расширяет контент, хранящийся в базе знаний,
новыми концепциями или фактами, а также совершенствует процессы решения проблем
и рассуждений. Таким образом, машинное обучение повышает способность ИИ-системы
решать более широкий круг задач или повышает точность решения повторяющихся задач.
Это также может означать повышение эффективности с точки зрения потребления памяти
или времени, затрачиваемого на выполнение задачи.

1414/2 syun

4. Значение искусственного интеллекта для рынка знания в области маркетинга B2B


Искусственный интеллект как системы, которые действуют разумно, можно использовать
в сочетании любого или всех вышеупомянутых строительных блоков, чтобы помочь
маркетологам B2B создавать, систематизировать и использовать знания для принятия
множества маркетинговых решений. Действительно, в основе наших аргументов в этой
статье лежит идея о том, что входные процессы-выходы и использование в них различных
строительных блоков ИИ могут помочь маркетологам B2B преобразовать данные в
информацию и, в конечном итоге, в различные типы знаний. Понимание различных типов
знаний, которые дает ИИ, важно для практиков и ученых. Для менеджеров эти различия
влияют на то, как компания B2B может обратиться к искусственному интеллекту для
создания, организации и обмена знаниями, то есть нематериальных активов и ресурсов,
которые могут привести к устойчивому конкурентному преимуществу или превосходной
организационной деятельности (Grant, 1996, 2002; North and Maier, 2018; Kogut и Зандер,
1992). Для ученых построение разнообразия позволяет исследование того, как
существующие теории и существующие в литературе представления могут или не могут
применяться к знаниям, полученным с помощью искусственного интеллекта. Опираясь на
концепцию рыночной ориентации, центральную парадигму в литературе по маркетингу, и

Специально опираясь на основополагающую работу Кохли и Яворски (1990), мы


обсуждаем значение искусственного интеллекта для обеспечения трех различных типов
знания рынка: знания клиентов, знания пользователей и другие знания внешнего рынка
(Кохли и Яворски, 1990).

4.1 Знание клиентов

Клиенты - это люди, которые покупают предложение B2B, но не обязательно его


используют. Знания клиентов включают в себя перечень и действия по созданию,
кодификации, обмену и применению знаний о клиентах, например о том, что, как и
почему было принято решение о покупке и антецеденты и последствия этого решения о
покупке (Abrellet al., 2016). Знания клиентов важны для B2Bfirms, поскольку они связаны с
краткосрочными потребностями в производительности продукта или услуги и могут быть
ценным ресурсом для улучшения предложения.Искусственный интеллект может
предоставить информацию о клиентах несколькими способами, например, путем
создания полного профиля текущих или потенциальных клиентов. AI может использовать
структурированные и неструктурированные входные данные различных типов, таких как
недавность, размер, частота и тип прошлых покупок, текущее поведение при просмотре
веб-страниц, психографические и демографические характеристики и взаимодействия с
фирмой для создания этого профиля. Используя машинное обучение и алгоритмы
прогнозирования, полученные профили текущих или потенциальных клиентов затем
могут быть применены для улучшения отношений с клиентами и для поиска будущих
клиентов. Кроме того, ИИ может повысить эффективность маркетинга и повысить
эффективность на каждом этапе воронки продаж B2B (Syam and Sharma, 2018). Используя
прогнозные модели, системы искусственного интеллекта могут участвовать в оценке
потенциальных клиентов, то есть оценивать потенциальных клиентов на основе их
склонности к покупке и выявлять высококачественных потенциальных клиентов - задача,
которая обычно требует значительных человеческих ресурсов (Järvinen and Taiminen,
2016). На этапах предварительного подхода и подхода ИИ может автоматизировать
некоторые из более рутинных задач, таких как планирование встреч или ответы на общие
вопросы с помощью чат-ботов. На этапе презентации и на завершающем этапе воронки
продаж боты для презентаций с ИИ могут помочь сотрудникам отдела продаж создавать
убедительные презентации. Кроме того, ИИ может помочь преодолеть возражения со
стороны клиентов, например, используя ИИ эмоций, чтобы понять ответы клиентов на
этом этапе, или используя боевые карты с ИИ, чтобы опровергнуть конкурентов и
укрепить собственное ценностное предложение фирмы. Наконец, ИИ может делать заказ
выполнение более эффективно за счет автоматизации обработки заказов и использования
чат-ботов для автоматизации задач во время отслеживания.

Из приведенного выше обсуждения вытекает ряд направлений будущих исследований.


Например, если ИИ поддерживает или самостоятельно выполняет задачи, ранее
выполнявшиеся человеком в процессе продаж B2B, плодотворной областью для будущих
исследований является изучение того, влияет ли это и как это на роль профессионалов в
области продаж. Например, как ИИ влияет на знания и эффективность продавца? Как
специалисты по продажам отреагируют на кодификацию их неявных знаний с помощью
ИИ? Какие из традиционных человеческих задач в продажах способствуют выполнению
ИИ и в какой степени? Как ИИ может способствовать передаче знаний о клиентах
профессионалам в области продаж? Кроме того, изучение того, как ИИ меняет процесс
создания ценности для клиентов в B2B, может стать благодатной почвой для будущих
исследований. Например, как ИИ может облегчить создание, организацию и применять
знания о клиентах на каждом этапе процесса маркетинга и продаж? Как ИИ может
обеспечить более эффективный подход к сбору неявных и явных знаний о клиентах?

4.2 Знание пользователей В то время как клиенты включают покупателей в контексте B2B,
пользователи - это люди, которые потребляют продукт или услугу B2B-фирмы и, скорее
всего, расположены дальше по цепочке создания стоимости фирмы B2B (Abrellet al.,
2016). опыт использования предложения, включая отношения, ценности и будущие
потребности и желания пользователей, а также любые действия фирмы, связанные с
созданием и систематизацией этих идей. В существующей литературе знания
пользователей признаны ценными, поскольку они используются не только для улучшения
существующих продуктов и услуг, но и для того, чтобы B2Bfirm могла успешно
адаптироваться к долгосрочным изменениям потребностей рынка (Abrellet al., 2016 ).
Таким образом, знания пользователей имеют решающее значение в отношении новых
разработка продуктов, инновации и совершенствование процессов.

Искусственный интеллект позволяет пользователям получать знания разными способами.


Бурный рост использования социальных сетей и Интернета вещей привел к притоку
больших данных, которые ИИ может обрабатывать более эффективно и действенно, чем
когда-либо мог бы человек. Например, ИИ может анализировать огромные наборы
данных письменного и незаписанного пользовательского контента на платформах
социальных сетей, что может дать маркетологам B2B информацию о потребностях,
предпочтениях, отношениях и поведении пользователей (Martínezet al., 2016). Система
искусственного интеллекта IBM Watson, например, может определять настроения,
эмоции, ценности и отношения, выраженные в отрывке текста (Biondi et al., 2017; IBM,
2018). Эти психографические характеристики могут быть ценным источником информации
для маркетологов B2B в области инноваций и разработки новых продуктов. Кроме того,
ИИ можно использовать для определения тем и закономерностей в сообщениях
пользователей об использовании ими продукта, что может дать представление о
пользовательском опыте и указать области для улучшения этого опыта. Кроме того,
знания о пользователях с помощью ИИ могут указывать на понимание того, как
пользователи творчески изменяют продукты и услуги (Wilson, 2016), что, в свою очередь,
может быть ценным ресурсом для разработки продуктов и инновационных усилий.

Некоторые из этих вопросов исследования знаний клиентов также могут быть


подходящими направлениями для будущих исследований искусственного интеллекта и
знаний пользователей. Например, как ИИ может поддерживать передачу
пользовательских знаний B2Bfirm? Как ИИ обеспечивает эффективную инвентаризацию и
поток знаний пользователей в маркетинге B2B? Кроме того, учитывая, что пользователи
расположены дальше по цепочке создания стоимости, чем клиенты, будущие
исследования могут изучить, как ИИ по-разному влияет на деятельность по созданию
ценности для клиентов и пользователей и как можно оптимизировать взаимодействие
между ними.

4.3 Прочие знания рынка

Наконец, в соответствии с парадигмой рыночной ориентации, компании B2B должны


развивать и использовать другие, внешние рыночные знания, то есть информацию о
внешних рыночных силах и заинтересованных сторонах, таких как конкуренты,
законодатели или новостные организации, поскольку эти внешние силы могут влиять на
предпочтения и поведение клиентов или пользователей. (Коли и Яворски, 1990).

Искусственный интеллект позволяет получить информацию о внешнем рынке, например,


путем анализа огромного количества онлайн-контента, опубликованного в социальных
сетях, блогах или сторонних новостных платформах, и это лишь некоторые из них.
Например, системы искусственного интеллекта, использующие алгоритмы обработки
естественного языка и машинного обучения, все чаще используются для анализа и
выявления фальшивого новостного контента (Berthon andPitt, 2018; Horne and Adali, 2017;
Paschen, 2019). Это важно для маркетологов, поскольку создание и распространение
фейковых новостей может поставить под угрозу жизнеспособность бренда компании
(Berthon and Pitt, 2018) и нанести ущерб ее репутации среди клиентов и пользователей
компании. Таким образом, маркетологам рекомендуется проявлять бдительность в
отношении того, связаны ли их бренды с фальшивыми новостями и каким образом, чтобы
разработать эффективную тактику борьбы с этими угрозами. Кроме того, AI может
позволить маркетологам B2B разрабатывать конкурентную информацию, например,
путем определения ключевых слов или тем из выпусков новостей конкурентов, профилей
в социальных сетях и других неструктурированных данных. Это понимание может дать
информацию о собственной стратегии позиционирования B2Bfirm, помочь победить
конкурентов в процессе продаж и стать ценным ресурсом для разработки новых
продуктов.

Из приведенного выше обсуждения вытекает ряд областей будущих исследований. Во-


первых, вопросы исследования, поднятые в отношении знаний клиентов и пользователей,
также могут быть потенциальными областями для изучения рыночных знаний. Кроме
того, в будущих исследованиях можно будет изучить, как ИИ можно использовать для
развития возможностей зондирования рынка, как ИИ изменит процессы создания
ценности для пользователей и клиентов на основе других знаний внешнего рынка или как
ИИ может способствовать изучению внешнего рынка, когда внешняя среда подвергается
воздействию быстрые и непредвиденные изменения?

5. Заключительные замечания.

Эта статья началась с утверждения, что в это время огромных преобразований, вызванных
цифровизацией, информационными и коммуникационными технологиями, недавние
достижения в области искусственного интеллекта будут иметь серьезные последствия для
бизнеса и, в частности, для маркетинга B2B. Фундаментальное влияние, которое окажет
искусственный интеллект, будет заключаться в том, как ИИ позволяет преобразовывать
огромные объемы данных в информацию и, в конечном итоге, в знания. Проблема в том,
что, как и в случае со многими новыми технологиями, менеджеры B2B, стремящиеся
принять эти новые технологии, не имеют четкого представления о том, как они
функционируют и каково их потенциальное влияние на стратегии и тактики управления
знаниями.

На этом фоне наша статья объясняет менеджерам по маркетингу и руководителям


организаций B2B основные элементы систем искусственного интеллекта и их
взаимосвязи. В частности, наша статья представляет структуру, состоящую из шести
строительных блоков искусственного интеллекта, и описывает взаимосвязь этих
строительных блоков, а также текущие варианты использования, чтобы
проиллюстрировать значение каждого строительного блока для маркетинга B2B.

Кроме того, в нашей статье приводится структурированное обсуждение значения систем


искусственного интеллекта для изучения рынка в маркетинге B2B. Системы
искусственного интеллекта могут использоваться в сочетании любых или всех
строительных блоков, чтобы помочь маркетологам B2B преобразовывать данные в
информацию и, в конечном итоге, в различные типы знаний: знания клиентов, знания
пользователей и другие знания внешнего рынка. Эти мероприятия обещают помочь
компаниям B2B стать более ориентированными на рынок, в частности, позволяя
компаниям создавать, систематизировать и применять знания о своих клиентах,
пользователях и других внешних рыночных силах. Кроме того, в нашей статье освещаются
направления будущих исследований по каждому из этих типов знаний. Мы надеемся, что
эта статья предлагает практическое руководство для менеджеров B2B, а также
вдохновляет ученых в области менеджмента и маркетинга на проведение более тонких
исследований искусственного интеллекта в контексте организации.