Roboter haben [bisher] selbst im Text-Chat kein menschliches Verhalten gelernt, obwohl sie es mit Macht und Kraft versuchen. Aber es gibt eine Nische für den Einsatz künstlicher Intelligenz seit langem. Autos wissen nicht, wie man ein schönes Gespräch führt, aber auf der Grundlage von Big Data erleichtern sie dem Unternehmen bereits das Leben, indem sie automatisch ein bestimmtes Produkt für einen bestimmten Kunden auswählen. Das Contact Center kann nur letzteres mit einer hohen (oder zumindest höheren) Wahrscheinlichkeit kontaktieren, den Verkauf abzuschließen. Darüber hinaus - mit viel weniger vorläufigen Anstrengungen der Menschen.
Wir haben bereits herausgefunden, was zu tun ist, bevor wir mit Modellen arbeiten, und wie wir ein vernünftiges Team zusammenstellen können, um den Umsatz mithilfe von Big Data zu optimieren. Wie kann ich jetzt Geschäftsprodukte mit Kunden verbinden?
AI-Tool auswählen
Was künstliche Intelligenz noch nicht gelernt hat, ist, ohne Kunden zu verkaufen. Wir brauchen eine Liste potenzieller Käufer, nach denen er arbeiten wird.
Angenommen, wir haben eine solche Liste. Wie kann man verstehen, wer und was zu bieten ist?
Das Vorhersageproblem wird durch künstliche Intelligenz gelöst - basierend auf historischen Daten. Wir nehmen diejenigen, die in der Vergangenheit ein Produkt gekauft haben, und bauen ein Modell für sie. Dann nehmen wir die Liste der Kunden, die dieses Produkt noch nicht gekauft haben, platzieren es im Modell, das Modell lernt und lernt, diejenigen vorherzusagen, die es kaufen würden.
Der Nachteil dieses Ansatzes besteht darin, dass Sie für jedes Produkt analysieren müssen, ob es gekauft wird oder nicht. Das heißt, für jedes Produkt wird ein eigenes Modell erstellt. Wenn wir eine Bank sind, haben wir nicht so viele Produkte: zum Beispiel mehrere Optionen für Plastikkarten, die endgültige Anzahl von Krediten und Einlagen - insgesamt 15 bis 20 Produkte zum Verkauf.
Aber was ist, wenn wir ein Online-Shop mit 1000 Artikeln sind? Oder ein Online-Kino mit Tausenden von Filmen? Es ist unrentabel, wenn jeder von ihnen ein eigenes Modell baut, um es milde auszudrücken. So etwas wie ein Empfehlungssystem kommt zur Rettung.
Empfehlungssysteme kamen aus Online-Kinos. Anstelle von Hunderten von Modellen wird eine Kunden-Produkt-Matrix erstellt. Die Kreuzung zeigt, welcher Kunde welches Produkt gekauft hat. Dann werden Kunden verglichen, Ähnlichkeiten und Unterschiede zwischen ihnen gesucht, wodurch Lücken in der Matrix gefüllt werden. Nehmen wir an, zwei Benutzer haben drei Filme gesehen. Und einer der Benutzer schaute auf den vierten und der zweite nicht. Da sie in früheren Ansichten ähnlich sind, bietet das System dem zweiten Benutzer den 4. Film an.
Der Vorteil des Empfehlungssystems besteht darin, dass für jeden Kunden das Produkt, das er am wahrscheinlichsten kauft, automatisch berücksichtigt wird. Es ist nicht erforderlich, Mitarbeiter von Data Scientists zu beschäftigen, die für jedes von Hunderten oder Tausenden von Produkten ein Modell erstellen. Wir haben für jeden ein empfohlenes Produkt. Das heißt, wir haben den Prozess der Erstellung des Modells selbst automatisiert.
Ein Empfehlungssystem ist im folgenden Fall besonders gut. Als Unternehmen haben wir aktive und passive Kanäle. Aktiv - wo wir aus eigener Initiative mit dem Kunden kommunizieren (Anruf, SMS, E-Mail). Passiv - wo der Kunde selbst zu uns kommt (Website, Anwendung, Geldautomat). Wenn Sie für jedes Produkt ein Modell erstellen, wird die Liste der Kunden für das Angebot ständig eingegrenzt, da die Bemühungen optimiert werden und nur diejenigen ausgewählt werden, denen dieses Produkt angeboten werden soll. Es kann jedoch vorkommen, dass es Kunden ohne ein einziges Angebot gibt. Nur weil jedes Modell sein eigenes gewählt hat - und es gab Lücken. Das heißt, eine Person kommt durch einen passiven Kanal, aber wir haben ihm nichts zu zeigen. Ein Empfehlungssystem berücksichtigt ein Angebot für jeden Kunden. Außerdem - das beste Angebot.
Aber hier bleibt ein kleines Problem. Nehmen wir an, wir bringen ein neues Produkt auf den Markt und müssen Nasenblut verkaufen. Wir haben bereits einen Verkaufsplan für diesen Monat erstellt. Das Empfehlungssystem hilft nicht - es funktioniert ehrlich und empfiehlt jedem genau das, was für ihn am relevantesten ist. Es berücksichtigt nicht unsere Notwendigkeit, so viele spezifische Produkte wie möglich zu verkaufen und den Verkaufsplan dafür zu erfüllen. Es stellt sich heraus, dass in diesem Fall das Empfehlungssystem unwirksam ist.
Daher wird im Verkauf auf Basis von Big Data eine Kombination von Methoden verwendet: ein Modell für eine begrenzte Anzahl von Produkten, ein Empfehlungssystem für das Allgemeine.
Wenden Sie eine Geschäftsregel an
Wir haben AI beigebracht, für jeden Kunden ein Angebot auszuwählen. Aber nicht jedes optimale Produkt ist sinnvoll anzubieten. Das Filtern von Ergebnissen wird als Geschäftsregel bezeichnet.
Stellen Sie sich vor, ich verwende eine Premium-Bankkarte, deren Wartung mich 2000 Rubel pro Monat kostet. Das von der Bank gebaute Modell hielt es für optimal, eine andere, anspruchslose Karte mit einem Service von 300 Rubel pro Monat anzubieten. Natürlich neige ich dazu, es zu nehmen und zu retten. Aber die Bank macht keinen Sinn, mir ein solches Produkt anzubieten, weil es an Einnahmen verlieren wird. Solche Fälle müssen vor dem Vorschlag abgeschnitten werden. Ähnliches gilt für Internetprovider und Telekommunikationsbetreiber.
Daher wird den Empfehlungen des maschinellen Lernens eine Geschäftsregel auferlegt. Der Kunde erhält also ein relevantes Angebot, und wir lassen den Umsatz nicht fallen.
Angebotskanal auswählen
Es gibt also einen Kunden und gefilterte Produkte, die für ihn und uns optimal sind. Wir müssen berechnen, wie viel es uns kostet, dem Kunden dieses Produkt anzubieten. Und ist es das wert?
Zum Beispiel ist ein Anruf eine der teuersten Optionen. Wenn das Produkt eine hohe Marge aufweist und die Wahrscheinlichkeit eines Kaufs hoch ist, können wir ohne zu zögern anrufen. Wenn das Produkt eine niedrige Marge aufweist oder die Kaufwahrscheinlichkeit sehr gering ist, werden wir mehr Zeit und Geld für die Benachrichtigung des Kunden aufwenden, als wir für den Verkauf verdienen. Dann ist es besser, eine E-Mail oder eine SMS zu schreiben.
Es macht keinen Sinn, einige Angebote über den aktiven Kanal zu schalten. Es ist rentabler, nichts zu tun und zu warten, bis der Kunde eintrifft. Veröffentlichen Sie beispielsweise Produkte an einem Geldautomaten oder auf einer Website. Das ist nicht viel Geld wert, aber es wird eine Art Bekehrung von ihnen geben.
In Bezug auf die Basis potenzieller Käufer. Ganz am Anfang gingen wir davon aus, dass wir eine Liste von Kunden haben. Es kann eigen und extern sein. Zum Beispiel können wir Angebote neuer Produkte an bestehende Kunden senden, so genannte Cross-Sales. Wir arbeiten frei mit unserer Basis: Wir bauen Modelle, verteilen Kunden nach Segmenten und erhöhen den durchschnittlichen Scheck.
Bei einer externen Basis werden alle genannten Schritte von einem externen Partner getragen. Erstens gibt keine der externen Quellen die Daten in ihrer reinen Form wieder. Zweitens ist dies in den meisten Ländern gesetzlich verboten. Daher wird bei der Arbeit mit Datenbanken von Drittanbietern häufig eine Methode verwendet, die ähnlich aussieht - „ähnliche finden“. Es wird nämlich eine kleine Stichprobe unserer eigenen bestehenden Kunden entnommen, zu der unser Angebot passt, und ihre Liste wird in anonymer Form an den Eigentümer der externen Basis übertragen. Er baut sein Modell, wählt die Kunden aus, die wir brauchen, und zeigt ihnen Anzeigen.
Insgesamt, wenn wir den gesamten Zyklus betrachten
- Das Empfehlungssystem und die Modelle werden übernommen.
- Alle von ihnen sind in den sogenannten Business Rules Engines eingeschlossen - einer Umgebung, in der Geschäftsregeln angewendet werden.
- Die Ergebnisse sind in einem System gespeichert, das die Kanalverteilung optimiert
Am Ausgang erhalten wir eine integrierte Kommunikation mit dem Kunden aus Sicht des Verkaufs, wobei für jedes von ihnen das optimale Produkt und der optimale Lieferkanal bestimmt werden.
Ja, ganz am Anfang müssen Sie in den Aufbau eines Prozesses investieren. Aber dann sind die Kosten seitens der Menschen minimal. Im Gegensatz zu Standard-CRM, bei dem Benutzer ständig Kampagnen erstellen, Modelle für sie erstellen, manuelle Auswahlen treffen, Kanäle herunterladen usw.
Und wir dürfen nicht vergessen, dass keine fortgeschrittenen Methoden des maschinellen Lernens helfen, wenn das Unternehmen nicht bereit ist, Geschäftsprozesse neu aufzubauen. Viel hängt von der „letzten Meile“ ab, einem Contact Center, das mit den Ergebnissen des maschinellen Lernens arbeitet und Kunden erreicht. Big Data ist kein Allheilmittel, aber eine gute Hilfe - wenn es richtig eingesetzt wird.
Wenn Sie lernen möchten, wie Big Data-Technologien implementiert werden, besuchen Sie unseren
Kurs für Analysten , der am 28. Januar oder in einem unserer
Unternehmensprogramme beginnt.
Die Stelle wurde
von der School of Data auf der Grundlage der Veröffentlichung des Schulgründers im
Business HUB von Kyivstar PJSC vorbereitet