الروبوتات [حتى الآن] لم تتعلم السلوك البشري حتى في الدردشة النصية ، على الرغم من أنهم يحاولون باستخدام القوة والرئيسية. ولكن هناك مكانة لاستخدام الذكاء الاصطناعي لفترة طويلة. لا تعرف السيارات كيفية إجراء محادثة جميلة ، ولكن على أساس البيانات الضخمة ، فإنها تجعل الحياة أسهل بالفعل للأعمال من خلال اختيار منتج معين تلقائيًا لعميل معين. يمكن لمركز الاتصال الاتصال بالأخير فقط وباحتمال كبير (أو على الأقل أكبر) لإتمام البيع. علاوة على ذلك - مع جهود أولية أقل بكثير من جانب الناس.
لقد اكتشفنا بالفعل ما يجب القيام به قبل الانطلاق للعمل مع النماذج ، وكيفية تشكيل فريق معقول لتحسين المبيعات باستخدام البيانات الضخمة. كيفية ربط منتجات الأعمال مع العملاء الآن؟
اختيار أداة AI
ما لم يتعلمه الذكاء الاصطناعي حتى الآن هو البيع بدون عملاء. نحن بحاجة إلى قائمة المشترين المحتملين ، والتي سيعمل وفقًا لها.
لنفترض أن لدينا مثل هذه القائمة. كيف نفهم من وماذا نقدم؟
يتم حل مشكلة التنبؤ بالذكاء الاصطناعي - بناءً على البيانات التاريخية. نأخذ أولئك الذين اشتروا منتجًا في الماضي ، ونبني نموذجًا لهم. ثم نأخذ قائمة العملاء الذين لم يشتروا هذا المنتج حتى الآن ، ونضعه في النموذج ، ويتعلم النموذج ويتعلم كيفية التنبؤ بمن يشترونه.
عيب هذا النهج هو أنه لكل منتج تحتاج إلى تحليل ما إذا كانوا سيشترونه أم لا. أي أنه يتم بناء نموذج خاص بكل منتج. إذا كنا مصرفًا ، فليس لدينا الكثير من المنتجات: على سبيل المثال ، العديد من الخيارات للبطاقات البلاستيكية ، والعدد النهائي للقروض والودائع - ما مجموعه 15-20 منتجًا للبيع.
ولكن ماذا لو كنا متجرًا عبر الإنترنت يحتوي على 1000 عنصر؟ أو مسرح سينما على الإنترنت مع آلاف الأفلام؟ لكل منهم بناء نموذج منفصل ، بعبارة ملطفة ، غير مربح. شيء مثل نظام التوصيات يأتي لإنقاذ.
جاءت أنظمة التوصية من دور السينما عبر الإنترنت. بدلاً من مئات النماذج ، تم بناء مصفوفة منتجات العملاء. يوضح التقاطع العميل الذي اشترى المنتج. ثم تتم مقارنة العملاء ، ويتم البحث عن أوجه التشابه والاختلاف بينهم ، ونتيجة لذلك ، يتم ملء الفراغات في المصفوفة. لنفترض أن اثنين من المستخدمين شاهدوا 3 أفلام من نوع ما. ونظر أحد المستخدمين إلى الرابع ، والثاني لم يفعل. نظرًا لأنها متشابهة في طرق العرض السابقة ، سيقدم النظام الفيلم الرابع للمستخدم الثاني.
ميزة نظام التوصيات هو أنه بالنسبة لكل عميل ، يتم النظر تلقائيًا في المنتج الذي من المرجح أن يشتريه. ليست هناك حاجة لزراعة فريق من علماء البيانات الذين سيبنون نموذجًا لكل مئات أو آلاف المنتجات. لدينا منتج موصى به للجميع. أي أننا أتمنا عملية بناء النموذج نفسه.
نظام التوصيات جيد بشكل خاص في الحالة التالية. كشركة ، لدينا قنوات نشطة وغير فعالة. نشط - حيث نتواصل مع العميل بمبادرتنا الخاصة (الاتصال ، الرسائل القصيرة ، البريد الإلكتروني). سلبي - حيث يأتي العميل إلينا بنفسه (موقع إلكتروني ، تطبيق ، صراف آلي). إذا قمت ببناء نموذج لكل منتج ، فإنه يضيق باستمرار قائمة العملاء للعرض ، لأنه يحسن الجهود ويختار فقط أولئك الذين يجب تقديم هذا المنتج لهم. ولكن قد يكون لدينا موقف حيث يوجد عملاء بدون عرض واحد. لمجرد اختيار كل نموذج خاص به - وكانت هناك فراغات. أي أن الشخص يأتي من خلال قناة سلبية ، ولكن ليس لدينا ما نريه. يعتبر نظام التوصيات عرضًا لكل عميل. علاوة على ذلك - أفضل عرض.
ولكن هنا تبقى مشكلة صغيرة. لنفترض أننا نطلق منتجًا جديدًا ونحتاج إلى بيع دم الأنف - لقد وضعنا بالفعل خطة مبيعات لهذا الشهر. لن يساعد نظام التوصيات - فهو يعمل بصدق ويوصي الجميع بالتحديد بما هو أكثر صلة به. لا يأخذ في الاعتبار حاجتنا لبيع أكبر عدد ممكن من المنتجات المحددة والوفاء بخطة المبيعات لذلك. اتضح أن نظام التوصيات في هذه الحالة غير فعال.
لذلك ، في المبيعات القائمة على البيانات الضخمة ، يتم استخدام مجموعة من الأساليب: نموذج لمجموعة محدودة من المنتجات ، ونظام توصية للجنرال.
تطبيق قاعدة عمل
علمنا الذكاء الاصطناعي تحديد عرض لكل عميل. ولكن ليس من المنطقي تقديم كل منتج مثالي. تسمى تصفية النتائج قاعدة عمل.
تخيل أنني أستخدم بطاقة مصرفية متميزة تكلف صيانتها 2000 روبل شهريًا. اعتبر النموذج ، الذي بناه البنك ، أنه من الأفضل بالنسبة لي أن أقدم بطاقة أخرى ، بطاقة غير متطلبة ، مع خدمة 300 روبل في الشهر. بالطبع ، لدي ميل لأخذه وحفظه. لكن البنك لا يعقل أن يقدم لي مثل هذا المنتج ، لأنه سيخسر في الإيرادات. يجب قطع مثل هذه الحالات قبل الاقتراح. وضع مماثل مع مزودي الإنترنت ومشغلي الاتصالات.
لذلك ، يتم فرض قاعدة الأعمال بناءً على توصيات التعلم الآلي. لذلك يتلقى العميل عرضًا ذا صلة ، ولا نسقط الإيرادات.
حدد قناة العرض
لذلك ، هناك عميل ومنتجات مصفاة مثالية له ولنا. نحتاج إلى حساب التكلفة التي سيكلفنا بها تقديم هذا المنتج للعميل. وهل يستحق ذلك؟
على سبيل المثال ، تعد المكالمة واحدة من أغلى الخيارات. إذا كان المنتج بهامش مرتفع واحتمال شرائه مرتفع ، يمكننا الاتصال بدون تردد. إذا كان المنتج بهامش منخفض أو احتمالية الشراء منخفضة للغاية ، فسوف ننفق المزيد من الوقت والمال على إخطار العميل أكثر مما سنربحه في البيع. ثم من الأفضل كتابة بريد إلكتروني أو رسالة نصية قصيرة.
لا معنى لقيادة بعض العروض عبر القناة النشطة - من الأفضل ألا تفعل شيئًا وتنتظر حتى يصل العميل. على سبيل المثال ، انشر المنتجات على ماكينة الصراف الآلي أو موقع الويب. هذا لا يساوي الكثير من المال ، ولكن سيكون هناك نوع من التحويل منهم.
فيما يتعلق بقاعدة المشترين المحتملين. في البداية ، انطلقنا من حقيقة أن لدينا قائمة بالعملاء. يمكن أن تكون خاصة وخارجية. على سبيل المثال ، يمكننا بث عروض منتجات جديدة للعملاء الحاليين ، للقيام بما يسمى المبيعات التبادلية. نحن نعمل بحرية مع قاعدتنا: نقوم ببناء النماذج وتوزيع العملاء حسب القطاعات وزيادة متوسط الشيك.
في حالة وجود قاعدة خارجية ، يتحمل شريك خارجي جميع الخطوات المذكورة. بعد كل شيء ، أولاً ، لن تقدم أي من المصادر الخارجية البيانات في شكلها الخالص. ثانيًا ، هذا ممنوع قانونيًا في معظم البلدان. لذلك ، عند العمل مع قواعد بيانات تابعة لجهات خارجية ، غالبًا ما يتم استخدام طريقة مثل المظهر - "البحث عن طرق مماثلة". أي: يتم أخذ عينة صغيرة من عملائنا الحاليين الذين يناسبهم عرضنا ، ويتم نقل قائمتهم في شكل مجهول إلى صاحب القاعدة الخارجية. يبني نموذجه ، ويختار العملاء الذين نحتاجهم ويعرض لهم الإعلانات.
المجموع ، إذا أخذنا بعين الاعتبار الدورة بأكملها
- يؤخذ نظام التوصية ونماذج ؛
- جميعهم مؤمنون فيما يسمى بمحركات قواعد العمل - بيئة يتم فيها تطبيق قواعد العمل ؛
- يتم تأمين النتائج في نظام يعمل على تحسين توزيع القناة
عند الخروج ، نحصل على اتصال متكامل مع العميل من وجهة نظر المبيعات ، حيث يتم تحديد المنتج الأمثل وقناة التسليم المثلى لكل منهما.
نعم ، في البداية تحتاج إلى الاستثمار في بناء عملية. ولكن بعد ذلك التكاليف من الناس ضئيلة. على عكس CRM القياسي ، حيث يأتي الناس باستمرار بالحملات ، ويبنون نماذج لها ، ويحددون التحديدات اليدوية ، وينزلوا القنوات ، وما إلى ذلك.
ويجب ألا ننسى أنه لا توجد طرق متقدمة للتعلم الآلي ستساعد إذا لم يكن العمل جاهزًا لإعادة بناء العمليات التجارية. يعتمد الكثير على "الميل الأخير" ، وهو مركز اتصال يعمل مع نتائج التعلم الآلي ويتواصل مع العملاء. البيانات الضخمة ليست حلا سحريا ، ولكنها مساعدة جيدة - إذا تم استخدامها بشكل صحيح.
إذا كنت ترغب في معرفة كيفية تطبيق تقنيات Big Data - فانتقل إلى دورتنا
للمحللين ، ابدأ في 28 يناير أو في أحد
برامج الشركة .
تم تحضير المنشور من
قبل مدرسة البيانات على أساس نشر مؤسس المدرسة في مركز
الأعمال التجارية Kyivstar PJSC