Курсовая работа по масс-медиа на тему "Особенности использования искусственного интеллекта при создании инфографики для маркетплейсов и визуализации статистических данных: сравнительный анализ инструментариев и методологий"

ГЛАВА 1. ТЕОРЕТИКО-МЕТОДОЛОГИЧЕСКИЕ ОСНОВАНИЯ ПРИМЕНЕНИЯ ИИ ДЛЯ ИНФОГРАФИКИ В СФЕРЕ E-COMMERCE И СТАТИСТИКИ

1.1. Специфика инфографики для маркетплейсов versus классическая визуализация статистических данных

Инфографика в среде маркетплейсов (Ozon, Wildberries, Яндекс.Маркет) выполняет принципиально иные функции, нежели традиционные средства визуализации данных. Её главная цель — не информирование в чистом виде, а коммерческая конверсия. Согласно исследованию Easy Commerce, проведённому в 2025 году, правильно выполненная инфографика в карточке товара напрямую влияет на рост конверсии, увеличение среднего чека и время взаимодействия пользователя с карточкой. Практические данные свидетельствуют, что карточки товаров с инфографикой увеличивают конверсию до 40%, а продажи могут вырасти на 30% .
Ключевой задачей инфографики на маркетплейсе является удержание внимания пользователя в условиях «информационного шума» и ограниченного времени просмотра. Как показало исследование MPStats, на конверсию перехода в карточку товара теперь влияют три первых слайда, причём большое количество текста на второй и третьей картинках не оказывает значимого воздействия на CTR, поскольку в режиме превью текст просто не виден покупателям . Это обстоятельство вынуждает продавцов искать способы передачи ключевой информации — уникального торгового предложения, характеристик, преимуществ, гарантий — исключительно визуальными средствами, минимизируя текстовое сопровождение. Именно здесь инструменты искусственного интеллекта приобретают особую ценность: они позволяют генерировать персонализированные, эстетически привлекательные изображения, адаптированные под конкретную аудиторию и товарную категорию.
Исследования в области применения генеративного ИИ в электронной коммерции подтверждают его потенциал. Аналитический обзор BigCommerce показал, что A/B-тестирование изображений товаров, созданных с помощью ИИ, продемонстрировало 23-процентное увеличение добавлений в корзину по сравнению со стандартными упаковочными снимками. Исследование, проведённое на платформе Adobe Stock, выявило, что эмоционально окрашенные промпты значительно превосходят технические по ключевым метрикам: CTR составляет 27,1% против 14,9%, количество кликов на изображение — 12,8 против 3,2 . Это свидетельствует о том, что ИИ-инфографика, ориентированная на эмоциональное воздействие, может быть более эффективной, чем сугубо информативные визуальные решения.
В отличие от маркетинговой инфографики, классическая визуализация статистических данных подчиняется строгим принципам, сформулированным в работах Эдварда Тафти (Edward Tufte) и Альберто Каиро (Alberto Cairo). Тафти, чья книга «The Visual Display of Quantitative Information» (1983) остаётся фундаментальным трудом в этой области, выделил шесть принципов графической добросовестности (graphical integrity), среди которых — сохранение реальных пропорций (если число удваивается, визуальный образ должен удваиваться), чёткая маркировка осей и шкал, а также исключение «ложного фактора» (lie factor) — искажения между размером визуального эффекта и фактическим изменением данных.
Центральным понятием в концепции Тафти является «data-ink ratio» (отношение данных к чернилам) — доля визуальных элементов, которые непосредственно представляют данные, по отношению ко всем элементам изображения. «Chartjunk» (мусор на диаграммах) определяется как «не-данные чернила или избыточные данные чернила» — любые декоративные элементы, которые отвлекают от восприятия данных и фактически снижают, а не повышают ценность визуализации. Как отмечается в современных руководствах по визуализации, устранение «мусора» и максимизация отношения данных к чернилам позволяет создавать более ясные и эффективные аналитические нарративы .
Альберто Каиро, профессор Университета Майами и автор книг «The Functional Art» (2012) и «The Truthful Art» (2016), развил идеи Тафти, подчеркнув, что «цель инфографики и визуализации данных — просвещать людей, а не развлекать их, не продавать им продукты, услуги или идеи, а информировать их». При этом Каиро не отрицает роль эстетики: «Визуализация данных должна быть красивой только тогда, когда красота может способствовать пониманию и не подрывает его. Полезна ли красота иногда? Безусловно».
Сопоставление требований, предъявляемых к инфографике для маркетплейсов, и требований к классической визуализации статистических данных обнаруживает фундаментальное противоречие. С одной стороны, коммерческая инфографика требует высокой эстетики, эмоциональной вовлечённости, соответствия бренду и способности привлекать внимание в условиях ограниченного времени просмотра. С другой стороны, визуализация статистических данных требует строгой точности, отсутствия искажений, репрезентативности и возможности сравнения.
Это противоречие находит своё отражение в современных исследованиях генеративного ИИ. Работа «It looks sexy but it's wrong. Tensions in creativity and accuracy using genAI for biomedical visualization» (IEEE VIS 2025) прямо фиксирует проблему: хотя генеративный ИИ обеспечивает лёгкое создание эстетически привлекательных визуальных образов, архитектура этих инструментов фундаментально ограничивает точность и достоверность изображаемой информации .
Эта дихотомия представляет собой серьезную проблему для профессионалов в сфере электронной коммерции. В инфографике, предназначенной для повышения конверсии продаж, часто используются визуальные стратегии, противоречащие устоявшимся принципам визуализации данных, таким как те, которые отстаивает Tufte. К ним относятся трехмерные эффекты, чрезмерная насыщенность цветов и декоративные элементы, которые в Cairo отнесли бы к категории "лишнего мусора". Тем не менее, доказано, что такие методы повышают вовлеченность пользователей и продажи. И наоборот, строго научный и минималистский подход к визуализации данных может оказаться недостаточно привлекательным для привлечения потребителя, быстро принимающего решение о покупке.
Именно в этой конфликтной области возникает критический вопрос о выборе инструментов искусственного интеллекта. Генеративные нейронные сети, включая Midjourney и DALL-E, отлично справляются с созданием эстетически привлекательных визуальных эффектов, но систематически ненадежны в плане точного представления числовых данных. Между тем, ИИ-ассистенты для анализа данных, такие как Tableau GPT и Power BI Copilot, обеспечивают исключительную точность работы со структурированными данными, но не предназначены для создания визуально сложных, "продающих" композиций.