НЛП. Системы восприятия (репрезентативные системы)
Елена Машкович
Глаза-зеркало души (работа с предикативными сигналами доступа)
Каждая репрезентативная система, а точнее, говоря простым языком, система восприятия окружающего мира, имеет свою модальность. Мы воспринимаем все, что имеет к нам отношение через различные органы чувств. И у каждого из нас визуальное, аудиальное иди кинестетическое восприятие мира преобладает в той или иной степени. В помощь нам, при общении с партнером, выступают на первый план предикаты . Это слова, которые относятся к конкретной модальности. Разберем подробнее работу с предикативной системой и визуальными (глазными ) сигналами доступа партнера .
Для того, чтобы начать работу с сигналами , необходимо задать уточняющие вопросы. Очень интересно наблюдать за моими «крокодильчиками» в этот момент. Мы с ними, много и часто говорим про зиму и все, что с ней связано. И на вопрос «Какое, сейчас, время года?» Большинство, на секунду, поднимают глазки вверх и , только, потом, отвечают….зима.
Это и не случайно. Наши реакции (а перемещение взгляда вверх и влево при вспоминании зрительных образов - это тоже реакция) не являются чем-то случайным; это всего лишь следствие работы нашего мозга .
Какая же информация скрывается за движением наших глаз !
Для уяснения движений глаз партнера (а вдруг они не соответствуют стандартной схеме) задают легкие тестирующие вопросы, затрагивающие поочередно то визуальную ("как выглядит…", то аудиальную ("как звучит…", то кинестетическую ("как ощущается…") системы представлений .
Визуальное конструирование Визуальная память Визуальная память
Аудиальное конструирование Кинестетика Внутренний диалог
Глазные сигналы доступа :
Глаза перемещаются вверх и влево (по отношению к человеку) – визуализация из прошлого опыта.
Вверх и вправо – конструирование зрительного образа.
По горизонтали влево – припоминание звуков.
По горизонтали вправо – конструирование звуков.
Вниз вправо – доступ к ощущениям .
Вниз влево – внутренний диалог.
Расфокусированный взгляд прямо перед собой - визуализация.
Все вышеперечисленное, верно для большинства правшей. У левшей обычно проявляется все наоборот, т. е. смена левой позиции на правую.
Для того, чтобы научиться считывать сигналы с человека , можно потренироваться с кем-то из знакомых, задавая ему вопросы отслеживая реакцию. Ниже представлен целый спектр таких вопросов. Я упражнялась на маме и дочке. Выяснилось при этом, что мама переученная левша.
Вопрос, включающие визуальное воспоминание :
Какого цвета ваша входная дверь? (мамины глаза ушли вверх и вправо )
Вопрос, требующие визуального конструирования :
Как бы выглядела Ваша комната с розовыми в крапинку обоями? (глаза вверх и вправо , сразу влево)
Вопрос, требующие аудиального припоминания :
Какая дверь в Вашем доме скрипит громче всех? (дочь-глаза уходят вверх влево )
Вопросы для аудиального конструирования :
Какой звук издаст пианино, если оно упадёт с 10 этажа? (у мамы глаза прошлись и по визуальному воспоминанию и конструированию, и по горизонтали, вспоминая звуки)
На что будет похож вопль мандрагоры? (дочь так же прошлась по визуальному воспоминанию и конструированию, а потом переместились в аудиальную зону. При этом добавились эмоции)
Вопросы для кинестетического канала восприятия :
Что бы Вы ощущали, надевая мокрые носки? (дочь вспомнила, потом ушла вниз, в кинестетическую зону)
Что Вы чувствуете, после того, как хлебнули целую ложку пересоленного супа? (мама, так же вспомнила, а потом перевела глаза в зону кинестетики )
Довольно часто, прежде чем ответить на вопрос, человек будет обращаться сначала к своей ведущей системе. Если у вашего партнера ведущая система визуальная, то он будет "рисовать" различные картинки (для того, чтобы получить доступ к звукам или ощущениям) при ответе на кинестетические или аудиальные вопросы. Глазодвигательные реакции отражают последовательность репрезентативных систем, которые использует человек для ответа на поставленный вопрос. Например, отвечая на вопрос : "Что Вы говорите себе, когда дела идут плохо?", ваш партнер может сначала визуализировать ситуацию, в которой у него все "валится из рук", затем почувствовать ощущения, которые он испытывает в подобной ситуации, и только после этого услышать то, что он себе говорит.
В процессе мышления мы сознательно двигаем глазами в любом направлении . Однако, чтобы получить доступ к определенной репрезентативной системе, необходимо обратить внимание на естественные движения глаз . Глядя вниз, очень трудно вспомнить, как выглядит ваш друг. Для того, чтобы вспомнить то, что Вы видели в отпуске или вчера, легче всего будет, если Вы посмотрите вверх и влево или зафиксируете взгляд перед собой.
Осторожно задавая эти вопросы в процессе общения, Вы узнаете, какими стратегиями пользуется ваш собеседник для организации и извлечения информации. Например, Вы можете спросить : "Какой день запомнился больше всего в прошедшем году? Заметив движение глаз , Вы узнаете, какая репрезентативная система является ведущей у вашего собеседника. Задав следующий вопрос : "Как Вы это узнали?", - Вы поймете, какую репрезентативную систему использует партнер в качестве оценочной, а предикаты укажут Вам на первичную или предпочитаемую систему . Например, ваш собеседник использовал визуальные предикаты (В) . Отвечая на вопрос "Какой день запомнился больше всего в прошедшем году?", глаза указали на ведущую аудиальную (Л) систему, а оценочной системой является кинестетика (К) . Таким образом, стратегия вашего партнера выглядит так : ВАК. Используя в своей речи, последовательно визуальные, аудиальные и кинестетические предикаты , Вы установите хороший диалог с вашим партнером. Для получения доступа к различным переживаниям люди используют различные стратегии. К сожалению, многие человеческие проблемы связаны с небольшим количеством стратегий : одна и та же стратегия может быть использована как для обучения, так и для любви. Не бывает неэффективных стратегий, бывает неэффективное их использование!
Список использованной литературы :
1. Аркин, Е. А. Ребёнок в дошкольные годы / Е. А. Аркин; под ред. А. В. Запорожца, В. В. Давыдова. – М.: Просвещение, 1968. – 446 с.
2. Житникова, Л. М. Учите детей запоминать : пособие для воспитателя дет. сада / Л. М. Житникова. – 3-е изд., доп. – М.: Просвещение, 1985. – 95 с.: ил.
3. Занков, Л. В. Память / Л. В. Занков. – М.: Учпедгиз, 1949. – 176 с. – (Академия пед. наук РСФСР) .
4. Зеньковский, В. В. Психология детства / В. В. Зеньковский; отв. ред. И сост. П. В. Алексеев. – М.: Школа-Пресс, 1996. – 336 с.: табл.
5. Ляудис, В. Я. Память в процессе развития / В. Я. Ляудис. – М.: Изд-во Московского ун-та, 1976. – 256 с.
6. Мухина, В. С. Психология дошкольника : учеб. пособие для студентов пед. ин-тов и уч-ся пед. училищ / В. С. Мухина; под ред. Л. А. Венгера. – М.: Просвещение, 1975. – 240 с.
Для анализа больших объёмов информации, улучшения показателей и формирования прогнозов крупные и малые бизнесы используют предиктивную (она же — предсказательная) аналитику. Это интеллектуальный анализ данных, который включает статистическое моделирование, изучение исторического опыта и планирование результатов на основе полученных моделей.
Чтобы все эти операции выполнялись за считанные секунды, многие компании используют в предиктивной аналитике технологии искусственного интеллекта. Посмотрим, как именно это происходит на практике.
1. Walmart: оптимизация системы снабжения
Начнём с примера, который один может вдохновить всю розничную торговлю. Компания Walmart, крупнейшая в мире сеть оптовой и розничной торговли, адаптируется к эпохе цифровых технологий, связывая онлайн- и офлайн-данные. Система запрашивает информацию у кассовых терминалов и даёт прогноз, какие товары будут пользоваться спросом, а какие - нет.
Информацией управляют с помощью облака Data Cafe Walmart, которое обслуживается командой Walmart Labs в Силиконовой долине. Эта операция нужна для расчёта ожидаемых показателей. Благодаря инструментам предиктивной аналитики и искусственному интеллекту компания оптимизировала цепочку поставки товара и добилась соблюдения сроков доставки.
Стоит отметить, что такая технология может использоваться не только гигантами, как Walmart. Любой менеджер менее крупной компании с помощью доступных технологий от Google и Adobe может правильно организовать поставки товаров и минимизировать риски дорогостоящих корректировок, если спрос превышает предложение или наоборот.
2. Зоопарк Point Defiance: рост малого бизнеса
Опрос SAP показал, что более 70 % руководителей малого бизнеса также начинают использовать в работе аналитические данные. Приведём пример.
Посещаемость зоопарка Point Defiance (Такома, штат Вашингтон) то непредсказуемо росла, то падала. В случае небольшого числа людей расходы на персонал оказывались слишком большими. Чтобы выявить факторы, влияющие на посещаемость, руководство зоопарка начало сотрудничать с национальной метеорологической службой.
Объединение данных национальной метеорологической службы с управляемой искусственным интеллектом платформой Watson IBM позволило с точностью до 95 % определять, при каких погодных условиях люди посещают зоопарк, и обеспечивать его нужным количеством персонала.
Конечно, практическое применение этого метода гораздо шире, чем просто анализ числа посещений. В Point Defiance изучают, как посетители ведут себя в зоопарке, где проводят больше времени, какие маршруты выбирают. Анализ этой информации позволяет улучшить качество обслуживания. В планах также использование искусственного интеллекта для контроля данных о здоровье, диагностики проблем животных парка и проведения необходимого лечения.
3. Hopper: прогнозирование ценовых тенденций
Индустрия туризма печально известна высокой конкуренцией, недолговечными пиками, спадами спроса и низкорентабельными направлениями. Из-за этого многие путешественники сомневаются в правильном выборе времени для бронирования билетов: сделать заказ за несколько месяцев или за два дня до даты отправления.
Решить эту проблему помогают приложения для путешествий, использующие предиктивную аналитику на основе технологий искусственного интеллекта. Отличный пример в данном случае - Hopper.
Приложение использует статические модели и ежедневно сканирует миллиард цен и данных по каждому маршруту. Это позволяет прогнозировать модели ценообразования и оповещать путешественников о возможности купить самые дешёвые билеты на желаемое направление.
Конечно, это не единственная компания, предоставляющая такую услугу. В России широко известны AviaSales, Skyscanner, TripAdvisor и др.
4. IBM: сохранение персонала
Плюс предиктивной аналитики - возможность получить долгосрочные результаты, работающие на цели компании. Чаще всего это получение прибыли. Однако предиктивная аналитика и искусственный интеллект могут помочь не только в этом. С их помощью можно выявить проблемы текучки кадров и предложить пути их решения.
Так, суперкомпьютер Watson IBM оценивает общие факторы, влияющие на уход персонала. По структурированным данным (как на скриншоте ниже) он определяет показатели качества для каждого сотрудника и просчитывает вероятность его увольнения.
Владелец бизнеса или менеджер может использовать эти показатели, чтобы выявить причины возможного ухода сотрудников из компании и предотвратить это. Предиктивная аналитика также позволяет учитывать затраты на привлечение новых кадров и сохранение имеющихся специалистов. Благодаря этому появляется возможность снизить операционные расходы.
5. Under Armour: увеличение охвата аудитории
Компания Under Armour, производитель спортивного инвентаря, использует искусственный интеллект и предиктивную аналитику для анализа тональности публикаций и общественного мнения. Они хотят понять отношение потребителя к бренду, найти свободные ниши на рынке и расширить аудиторию. Для этого компания должна чётко знать, кто её потенциальный клиент, и взаимодействовать с ним посредством персонализированных сообщений.
Кроме того, сейчас компания производит не только спортивные товары, но и приложения и устройства, предназначенные для учёта отдельных характеристик организма пользователя (фитнес-трекеры, умные часы и пр.). Чем больше людей используют эту продукцию, тем больше информации поступает в Under Armour. Так, в год компания получает данные от более чем 200 миллионов зарегистрированных пользователей. Это позволяет не только связать офлайн- и онлайн-миры, но и даёт понимание, как именно улучшить продукцию.
6. Сбербанк: Big Five и риск-менеджмент
Для банка оценка рисков крайне важна, ведь любой риск - это возможность недополучить доход. Выдавая кредит или совершая другую операцию, банк должен быть уверен, что перед ним платежеспособный человек, не принимающий необдуманных решений. Сейчас для этого совсем не обязательно задавать миллион вопросов. Достаточно проанализировать поведение человека в социальных сетях.
Такую методологию искусственного интеллекта Сбербанк внедрил в свой риск-менеджмент. Она называется Big Five. Технология позволяет составить психологический портрет личности и оценить его благонадёжность для банка на основе пяти черт характера: добросовестность, открытость, общительность, законопослушность и эмоциональная неустойчивость. Применяя эту методологию, Сбербанк получил $50 млн чистой прибыли .
Новая нейронная сеть, которую мы запустили, даёт значительно более высокий результат, коэффициент примерно на 8 процентных пунктов выше - это гигантское отличие от того, что было раньше. Это говорит о том, что мы сможем выдавать кредиты значительно быстрее большему количеству предпринимателей. И ставка будет падать.
глава Сбербанка
Сегодня нет ни одной сферы деятельности, где бы компания ни пыталась применить искусственный интеллект: открытие счетов с помощью программного робота, одобрение кредитов без участия человека, оценка работы сотрудников и т. д. В планах у Сбербанка оптимизировать с помощью искусственного интеллекта до 80 % операций.
7. Ingate: технологический сервис для удержания клиентов
Клиент - это доход. Поэтому компания должна учитывать пожелания каждого из них. А что делать, если у компании десятки, сотни или даже тысячи клиентов? Отследить их настрой на продолжение сотрудничества достаточно сложно, и без предиктивной аналитики и искусственного интеллекта уже не обойтись. Мы тоже не остались на обочине прогресса и разработали сервис, который позволяет отслеживать готовность клиента к продолжению сотрудничества.
Для оценки мы учитываем более 100 факторов: как давно клиент заходил в аккаунт, менял в нём информацию, запрашивал отчёты, проверял статистику и т. д. После анализа аккаунт-менеджер получает список клиентов, где в процентах указана вероятность отказа от услуг компании, и связывается с ними для выявления проблем. Останется клиент или уйдет, уже зависит от работы менеджера.
руководитель направления исследований Ingate
Вот только малая часть примеров использования предиктивной аналитики на основе технологий искусственного интеллекта. Если у вас есть необходимые аналитические данные и люди, которые смогут грамотно их интерпретировать и сформировать прогнозы, не упускайте возможность зарабатывать больше.
Модель предиктивной аналитики (Predictive Analytics) выглядит как сбывшаяся мечта маркетологов. Анализ прошлой активности покупателя указывает на его поведение в будущем, что дает сформировать актуальную маркетинговую стратегию.
Это аккуратно и предсказуемо — как любят маркетологи. Но предиктивный анализ скрывает серьезную проблему, о которой пора поговорить подробнее. Она понятна из названия: предсказательная аналитика предсказывает, а не утверждает.
«Гладко было на бумаге»
Предиктивная аналитика пока только внедряется в маркетинг — но в здравоохранении, страховании, финансах и прочих областях она заняла место давно и прочно. Особенно в финансовой индустрии США, где прогностическая модель обеспечивает безопасность облигаций с ипотечным покрытием — но обеспечивает с оговорками. Пользуясь предиктивными моделями, 10 лет назад финансисты взвесили риски и предположили: американцы не откажутся платить по ипотечным кредитам одновременно и массово.
Но модели не принимали во внимание волатильность на рынке жилья — как и то, что дома стоили гораздо меньше суммарных платежей по ипотеке. Аналитики доверяли моделям, и мало кто удосужился сбалансировать их системой сдержек и противовесов. Когда первые финансисты увидели симптомы проблем, эффект домино уже невозможно было остановить. Речь о финансовом кризисе 2008 года — и его катастрофических последствиях.
Стоит ли нам винить только «плохие данные» в произошедшем? Не обязательно. Предиктивные модели оказались неспособными объяснить сдвиги и изменения в том, как мы берем кредиты и кому выдаем деньги. И когда в финансовой системе США стало слишком много неизвестных переменных, фундамент рухнул.
Бессилие предиктивного анализа в учете «неизвестных» факторов иллюстрируется « ». Она получила название из давнего предположения, что лебеди — только белые, потому что данные говорили именно об этом вплоть до 16 века, пока экспедиция в Австралии не обнаружила популяцию черных лебедей. Теория оказалась ложной — а представление об окрасе лебедей расширилось.
Но могли ли современники предположить это? Нет. В чем и кроется проблема предиктивной аналитики. Вы не охватите полный спектр неизвестных факторов, даже имея сложнейшие модели и подробные данные статистики.
Рисуйте умную картину аналитики
Предсказательный метод, конечно же, занимает место в маркетинге. Но доверять весомые решения или кампании предиктивной аналитике — все равно, что связать ноги перед марафоном. Эти случаи не подходят для предсказательных методов, потому что здесь традиционно много неизвестных факторов. Вот где пригодятся сухие, четкие данные, которые вы давно собирали.
А прогностическая аналитика лучше подойдет для маломасштабных предположений и оценок. Что произойдет, если вы измените этот объект на лендинге? Или поменяете с другим? Возможно, предложите дополнительный оффер? Вот области, в которых полезна предиктивная аналитика.
Конечно, лучше провести тесты, или иным образом выяснить предположение наверняка — но как подтвердить гипотезу с инструментом, который только предсказывает? Никак, в чем и загвоздка.
Почему это так трудно доказать?
Прогностическая аналитика применяется в маркетинговом арсенале, но это не «волшебная пилюля», которая «по часам» и без ошибок трактует поведение клиентов. Помните, что предсказания настолько же точны, насколько актуальны данные, «скормленные» системе.
Так много переменных нужно учесть, а люди такие неопределенные и так вольно трактуют исходные данные, что прогностический инструментарий по определению не сможет выдать абсолютно надежные решения. Запустить процесс и забыть о нем — не получится.
Даже на сложнейшие расчеты нельзя полагаться с уверенностью, особенно учитывая, что маркетологи — занятые люди, склонные хвататься за обрывки данных в принятии фундаментальных решений, основанных на целях. И с предиктивной аналитикой такой подход — верный рецепт катастрофы.
Своевременная помощь
На специалистов по data science (или «датологов»), ложится масса ответственности, не говоря уже о жестких требованиях к навыкам моделирования, регрессии и статистики. Это навыки, которых нет у «простых смертных» — они нужны только узким специалистам. И у вас не получится «скормить» информацию предсказательному методу и надеяться на достоверный результат. Поступая так, вы играете с огнем.
Лучше наймите эксперта для работы с командой. Он поможет разобраться в данных и обучит навыкам, необходимым для полного раскрытия потенциала предиктивной и вероятностной моделей. Аналитика — обоюдоострый меч. Она поможет навести порядок в хаосе данных, сделать долгосрочные выводы и скорректировать стратегию. Но при недостаточном опыте — она же подтолкнет на радикальные решения.
Что часто случается при неполном видении картины.
Как работает хороший предиктивный анализ?
По тону этой статьи вы могли подумать, что предиктивный анализ означает заведомый провал, и нет ничего дальше от истины. Но это не так — метод дает прекрасные результаты при правильном применении.
1. Точная настройка buyer personas
Согласитесь, что привлекать клиентов и оптимизировать UX помогает тщательный анализ прошлого опыта пользователей. Именно здесь прогностический анализ пригодится маркетологам.
2. Персонализация маркетинговых сообщений
Управляя данными — управляете судьбами бизнеса
Первый шаг к пониманию предиктивной аналитики — рациональная организация данных. Соедините релевантные департаменты компании и проработайте массив информации по ним, чтобы сделать ее актуальной и управляемой. Можете даже разбить данные на микро-сегменты, для маломасштабных экспериментов и тестов — так вы сохраните преимущества данных без риска навредить информации. «Поиграйте» с моделями и составьте представление, что подходит для прогностического анализа, а что не слишком релевантно ему.
Если хотите в полной мере использовать потенциал технологии, держите перед глазами стратегический план и сосредоточьтесь на нем. Ставьте акцент на одной инициативе, ремаркетинг ли это, увеличение среднего чека или нечто иное. Умение точечно фокусироваться на цели позволит вам рациональнее использовать предиктивные методы — и преуспеть в бизнесе.
