Почему LLM не может написать маркетинговую стратегию: три проблемы с точки зрения данных
Мы провели эксперимент: дали ChatGPT подробный бриф реального бизнеса (стоматологическая клиника, имплантация, средний чек 120 000₽, бюджет 300 000₽/мес) и попросили написать маркетинговую стратегию. Промпт составили максимально детально — роль, контекст, задача, требуемые разделы.
Результат: 18 страниц с оглавлением и структурой. Проблема не в объёме и не в форматировании.
Проблема 1: distribution shift между обучающими данными и реальным бизнесом
LLM генерирует описание целевой аудитории на основе паттернов из обучающей выборки — усреднённых данных о «типичной» аудитории ниши. Результат предсказуемо generic:
"Мужчины и женщины 30-55 лет, средний и выше среднего доход,
проживающие в Москве. Ценят качество, безопасность и современные
технологии. Ищут клинику с хорошей репутацией и опытными врачами."
Замените «стоматология» на «автосервис» или «частную школу» — описание не изменится. Потому что модель не имеет доступа к ground truth: реальным данным о том кто именно приходит в эту конкретную клинику.
После 12 глубинных интервью с реальными пациентами картина принципиально другая:
Сегмент 1 (42% обращений): женщины 45-60 лет
- Главный страх: боль и осложнения
- Цикл принятия решения: 2-6 месяцев
- Триггер записи: видео с врачом объясняющим процедуру
Сегмент 2 (27% обращений): мужчины 35-50 лет
- Главный страх: длительность лечения
- Цикл принятия решения: 1-3 недели
- Триггер записи: конкретный план с числом визитов
Сегмент 3 (18% обращений): выбирают для пожилых родителей
- Главный страх: безопасность для возраста 70+
- Триггер записи: кейс с пациентом того же возраста
Расшифровки 12 интервью обработали через LLM за 40 минут вместо двух дней. Но сбор первичных данных — это работа человека, которую модель принципиально не может заменить.
Проблема 2: отсутствие constraint satisfaction при распределении ресурсов
LLM генерирует список каналов без учёта реального constraint — бюджетного ограничения клиента:
"Яндекс.Директ, Google Ads, Instagram*, ВКонтакте, SEO,
контент-маркетинг, работа с отзывами на агрегаторах"
7 каналов при бюджете 300 000₽/мес дают ~43 000₽ на канал. Это ниже порога статистической значимости для тестирования практически в любом из них.
Задача оптимального распределения рекламного бюджета — это задача с ограничениями, которая требует данных о текущей стоимости лида по каждому каналу, историческом CTR и конверсии в нише, ёмкости аудитории, сезонности. Без этих данных модель не может дать ничего кроме списка всех известных ей опций.
Проблема 3: KPI без causal model
"Увеличить количество первичных пациентов до 80 в месяц.
Снизить стоимость привлечения на 20%.
Повысить конверсию сайта до 5%."
Откуда 80? Почему 20%? Почему 5%?
LLM генерирует числа которые выглядят правдоподобно для данного контекста — но за ними нет причинно-следственной модели. Нет расчёта текущего CPL, нет прогноза конверсии на каждом этапе воронки, нет оценки достижимости при текущих ресурсах.
Число «80» может оказаться заниженным в 2 раза или физически недостижимым — без unit economics это невозможно проверить.
Что LLM делает хорошо в этой задаче
Чтобы не быть голословным — где модель действительно ускоряет работу:
Хорошо:
+ Обработка транскриптов интервью → выделение паттернов
+ Анализ открытых данных о конкурентах → структурированный отчёт
+ Генерация гипотез для A/B тестирования на основе сегментации
+ Форматирование и структурирование уже собранных данных
Плохо:
- Замена первичного сбора данных
- Оптимизация под конкретные ограничения без входных данных
- Прогнозирование без causal model
Итог
Проблема не в том что LLM «плохо пишет стратегии». Проблема структурная: модель оптимизирована для генерации текста похожего на маркетинговую стратегию — но не для решения оптимизационных задач с реальными данными конкретного бизнеса.
Это разные задачи. Первая — задача на паттерн-матчинг по обучающей выборке. Вторая — задача на constraint satisfaction и causal reasoning с domain-sp-Источник
