Программное обеспечение для синтеза необходимых семиотических данных, в целях маркетинговых коммуникаций

Для начала следует обозначить, что такое семиотика, и каково ее значение для маркетинга, PR, массовых коммуникаций. Семиотика – это наука о знаках и языках. Семиотика изучает знаки, знаковые системы как инструменты создания, передачи и хранения информации. [1]

Всё, что нас окружает, может трактоваться, с точки зрения семиотики, как знаки или знаковые системы. К примеру, картина, жестикуляция людей, любые ритуалы, архитектура, и так далее.

Знак – это материальный объект, которому соответствует некое значение. Это значение может быть чем угодно – явлением, процессом, вещью, абстрактным понятием.

Знаковая система – совокупность знаков, которые отличаются друг от друга хотя бы по одному признаку. Когда знаковая система упорядочена наборами синтаксических, семантических, прагматических правил, она образует язык – систему коммуникационных знаков.

Один из основоположников семиотики, Чарльз Пирс, даёт следующую классификацию знаков: [2]

• 1.    Иконические. Они имеют сходство с обозначаемым объектом (фотография человека, к примеру);

• 2.    Конвенциональные. Их ещё называют условными. У них отсутствует связь с обозначаемым (большинство слов в разговорном языке);

• 3.    Индексальные. Такие знаки связываются с обозначаемым смежно, то есть они не похожи на обозначаемое, однако имеют те или иные ассоциации с ним.

Вся эта классификация опирается на 3 характеристики знаков:

• 1.    Материальная оболочка;

• 2.    Обозначаемый объект;

• 3.    Правила интерпретации, которые устанавливаются человеком.

Необходимо заметить, что классификаций существует множество. Классификация Пирса – лишь одна из вариаций. Стоит также упомянуть о таком ученом, как Умберто Эко. Его теоретические изыскания во многом основывались на концепциях Пирса. [3] Так, Эко вводит такое понятие как “код”. И понимал он этот термин как систему, устанавливающую репертуар противопоставленных друг другу символов, правил их сочетания, как взаимооднознанчное соответствие каждого символа какому-то одному означаемому. То есть, по сути, он писал о знаковых системах. Была создана классификация, включающая около 14 разных видов кодов. К примеру, в этой классификации были культурные и визуальные коды. Рассмотрим, как эти два вида применяются в рекламе.

Рис. 1. Пример визуального кода, реклама газированного напитка “Schweppes”

В качестве использования визуального кода можно рассмотреть кадр из рекламного ролика “Schweppes”. Он выполнен в черно-белых тонах, с контрастным выделением ключевых элементов. Ролик паразитирует на художественных приемах “Нуара”, а в особенности на фильме “Город грехов” (Квентин Тарантино).

Такой приём используется не очень часто, и поэтому запросто привлекал внимание зрителей. Окружение в виде вечерне-барной и томной обстановки. Все в костюмах, и из-за этого всё выглядит дорого. Таким образом, рекламный ролик как бы пытается вызвать у зрителя ощущение некой “премиальности” и хорошего вкуса.

Выделение ключевых элементов обычным цветом является обращением к бессознательному, к лимбическому центру человеческого мозга. “Schweppes” – это как лучик во тьме.

Рис. 2. Пример культурного кода, реклама ресторана быстрого питания “KFC”

Рис. 3. Второй пример культурного кода, реклама ресторана быстрого питания “KFC”

В качестве примера культурных кодов, можно рассмотреть кадры из рекламного ролика 2014 года от KFC, который повествует о новом блюде, “Курице Тэрияки”. Сотрудник предлагает посетительнице отведать новое блюдо, на что она отвечает “Ну, я не знаю”.

После этих слов, в кадре начинают появляться удивленные японцы. Обычные граждане, устроившие чаепитие, борцы сумо, а также старец-художник. После этого зрителю вновь показывают думающую посетительницу. В конечном итоге, она соглашается приобрести новое блюдо.

В данном случае, культурными кодами тут выступают образы японцев. Рекламный ролик оперирует всеми стереотипами о Японии, дабы подчеркнуть, насколько сильно это блюдо “японское”.

[4]Значимость семиотики для маркетинга, PR, массовых коммуникаций, следует из того, что процесс создания любого контента, который направлен на стимулирование продаж, или улучшение имиджа, в любом случае сопровождается оперированием различными знаками.

Специалист, не знакомый с семиотикой, также вполне успешно может кодировать, вкладывать какие-либо образы в рекламные, и иные сообщения. Однако, гораздо целесообразнее подходить к использованию знаков более аналитически и рационально, потому что зачастую на чаше весов большие бюджеты. Нет места субъективизму и интуиции. Для этого и необходима семиотика в данной сфере.

Программное обеспечение, дающее необходимые знаки, которыми можно оперировать при маркетинговых коммуникациях

Возможно ли создать некий “универсальный калькулятор для маркетологов”, который бы быстро сообщал, как нужно взаимодействовать со своей целевой аудиторией? Вероятно, наличие такой программы поставило бы под вопрос смысл существования маркетологов, в принципе. Теоретически обосновать это возможно, на что, в основном, и направлена данная работа. Однако, с технической точки зрения, существует множество трудностей. О них будет так же упомянуто в этой работе.

Сущность идеи заключаются в следующем: маркетолог, или любой другой человек, должен ввести в программу общие, уже заранее известные ему данные о целевой аудитории, а именно возраст, пол, доход, социальный статус, географическое местоположение.

Далее, после введения этих данных, маркетолог должен получить от программы необходимый перечень знаков, которыми необходимо оперировать для успешной коммуникации со своей целевой аудиторией. Под успешной коммуникацией мы понимаем положительную реакцию на то или иное сообщение. Эта реакция должна провоцировать человека покупать продвигаемые товары или услуги, отдавать предпочтение тем или иным политическим деятелям, выражать желаемое (с точки зрения специалиста) отношение на те или иные явления.

Для того чтобы такое программное обеспечение работало, необходимо наличие огромной базы данных. Более того, эта база данных будет нуждаться в постоянном обновлении, внесении коррективов. Потому что люди непрерывно выдумывают какие-либо знаки, которые зачастую укореняются в культурах. Какие-то знаки неумолимо устаревают, становятся совсем ненужными, неиспользуемыми. А какие-то мигрируют из одной культуры в другую, и приобретают иные смыслы, в силу особенностей тех или иных регионов. Поэтому вполне резонно рассуждать о целом сервисе, уполномоченных специалистах, которые будут заниматься обработкой базы данных.

Теоретические проблемы

Во-первых, сразу встает вопрос о том, почему нужно, к примеру, использовать именно термины и классификации Чарльза Пирса, а не каких-то других ученых. Ответить на подобный вопрос необходимо, поскольку от этого зависят дальнейшие вытекающие теоретические и технические проблемы.

На чьи труды нужно опираться прежде всего, вопрос серьезного и долгого исследования. Поэтому, для того чтобы хоть как-то очертить и увидеть возможность реализации программного обеспечения для синтеза семиотических данных в маркетинговых целях, мы вынуждены сделать единственное допущение. Все проблемы и возможности будут рассматриваться сквозь призму концепций Пирса, которые в любом случае используются в маркетинговых коммуникациях.

Во-вторых, остается неясным, какие именно категории знаков из выбранной классификации нужно использовать. Программа должна будет выдавать все категории сразу, или не все, в зависимости от введенных изначально данных.

В-третьих, отсутствует понимание, каких образом необходимо, чтобы программа выдавала нужные знаки. Будет достаточно текстового описания знаков, или обязательно должны быть визуальные примеры этих знаков.

В-четвертых, выявить целевую аудиторию практически невозможно. Выборки можно производить только по возрасту, географическому положению, и принадлежности к этносу потребителя. Едва ли получится учитывать какие-то иные аспекты.

Для ясности приведем пример: есть участник “А”, который готовит продукт, в который он заложил свои определённые ценности и понятия. Какова будет вероятность, что участник “Б” сможет на 100% понять сущность и интерпретировать чужой опыт на собственную точку зрения? Сказать сложно. Однако, мы априорно понимаем, что вероятность не очень велика.

Планирование подстройки под определенную личность добавляет еще больше хлопот в плане выбора национальности, гендерной принадлежности, возраста, работы, наличия детей и т.п. Символы выступают совокупностью мышления личности и заложенных архетипов, которые мы порой сами не осознаем. Это просто заложено внутри нас.

[5]Архетипы - это первичные представления, образы о тех или иных явлениях, которые никак не зависимы от получаемых знаний. Часто эти образы не фиксируются сознанием, однако, способны на него воздействовать. Данный термин придумал К.Г Юнг, во время своих психологических исследований. Юнг являлся последователем Зигмунда Фрейда.

В-пятых, нет понимания, для эффективной использования программы будет достаточно выдачи только знаков, или же необходима выдача целых знаковых систем, то есть так называемых “кодов”.

Технические проблемы

Самая первая и явная техническая проблема, которая может возникнуть при создании такого программного обеспечения - это выдача противоречащих друг другу знаков. Программа не всегда способна учитывать контекст.

Вторая проблема - это отсутствие больших массивов данных о знаках в природе, культуре, быте в различных сферах. Нет библиотеки о знаках в различных культурах, нет сочетания знаков и архетипических установок. Выбор языка программирования разнится от текущих возможностей самой основы написания кода, и дальнейшего планирования. Ни выбор языка программирования, ни конкретная реализация нейронной сети, никаким образом не определяются предметной областью, а только конкретной программной задачей, самые различные из которых могут возникать в любой предметной области. На данный момент, самым простым и доступным языком программирования является Python. К сожалению, его возможностей не хватает для эффективной реализации задумки, а именно: его малое быстродействие и недостаточные возможности анализа статического кода. Даже на данный момент в мире существует динамически - типизированные языки программирования с опциональной компиляцией последующих данных, основанных на уточнении типов, форматов или групп знаков.

Заглянув в индустрию IT, и HR статистику любой ведущей компании, мы тут же поймем, что требуются навыки владения C++, Cuda или OpenCL, непосредственно для работы с видеопроцессорами. Что касается выбора непосредственного языка, тут не все так очевидно: популярность определенных языков для этой задачи обусловлена тем, что под какой-то язык написали больше вспомогательных библиотек, которые уменьшают количество работы. К примеру, используя Python, есть возможность написать нейросеть в несколько строк кода. Вывод можно сделать такой: бессмысленно гадать и думать о том, какой язык программирования станет потенциально полезным, более удобным и быстродействующим. Возможно, для калькулятора знаков лучшим инструментом окажется и assembler. Главное - это понимание, что библиотек с семиотическими данными, на сегодняшний день, не существует.

Третья проблема - нельзя быть уверенным в полной чистоте результатов, если таковые вообще могут появиться. Машинное обучение, по ходу заполнения собственных библиотек данных, может продлиться месяцы, или даже годы. А для того, чтобы программа самопроизвольно не завершала свою работу, в ней надо запустить бесконечный цикл. Это дополнительные ресурсы, в плане оборудования.

Машинное обучение - это особая теорема о существовании общих (базовых) алгоритмов, которые способны показать ключевые моменты о наборе данных, без необходимости писать исключительный код для данной проблемы. Вместо написания закодированных последовательных действий, данные передаются в общий алгоритм, который, в свою очередь, строит собственную логику мышления на их основе. В таком случае, можно подумать, что данный инструмент является решением всех человеческих проблем ? И да, и нет. Машинное обучение - это не магия, не волшебный инструмент - это огромное количество данных, заносимых в компьютерную память, подвергающиеся алгоритмической обработке, в ходе которой, мы можем получить вывод. Он не может быть верным и не верным. Алгоритм работал на базе прошедшего обучения, и это также является одной из приоритетных задач.

К примеру, рассмотрим один из видов алгоритмизации - классификация [6]. Способность помещать помещать данные в различные группы, который может быть использован совсем в другом направлении - распознавании рукописных цифр. Классификации - универсальный инструмент. К примеру, кому-то не нравится, когда ему на почту приходит спам, и данная группа алгоритмов строит собственное представление о том, что такое спам. Создавая подкатегории и папки: те же самые входящие, отправленные, черновики и спам. А самое главное - мы не меняем ни одну строчку кода. Это тот же самый алгоритм, обученный на другой библиотеке данных, поэтому в конечном итоге получается другая логика классификации.

Заключение

Итоговая совокупность всех проблем, наших целей и текущих возможностей, говорит о том, что данная работа требует огромного количества времени, средств и ресурсов, независимо от простоты самого алгоритма, вводимых значений и количества данных. Это,возможно, и очень дорого, чтобы быть сегодняшней реальностью.

Из приведенных примеров, мы начинаем понимать, как основывается машинное обучение, насколько легко оно может быть применено к решению различных проблем и задач. Возникает некое ощущение всевластия. Как будто бы возможно использовать машинное обучение для решения любой проблемы, и получать любой ответ, если будет достаточно данных. Возникает иллюзия, что если дать любые данные компьютеру, то он волшебным образом найдет взаимосвязи. Поэтому всегда следует помнить, что машинное обучение работает только тогда, когда проблема действительно разрешима с данными, которые у вас есть.

Например, если мы построим модель, которая предсказывает цены на акции различных компаний в зависимости от типа цвета их логотипа - это никогда не сработает. Не существует каких-либо зависимостей между цветами и ростом акции. Поэтому, независимо от того, насколько сильно компьютер будет стараться решить эту проблему, он никогда не выведет решение поставленной задачи и соотношение вводимых значений.

Поэтому, мы сделали вывод, что необходимо базироваться на тех проблемах, которые может решить человек, но где было бы намного продуктивнее решать их в несколько раз быстрее. На наш взгляд, самая большая проблема искусственного интеллекта заключается в том, что он живёт в мире научно-фантастических рассказов о далеком будущем, где машины и люди живут в гармонии и благополучии. Пока данная тематика не выйдет за пределы научных кругов и коммерческих исследовательских групп, широкого понимания машинного обучения так и не наступит.