Los robots [hasta ahora] no han aprendido el comportamiento humano ni siquiera en el chat de texto, aunque lo están intentando con la fuerza y la idea principal. Pero hay un nicho para el uso de la inteligencia artificial durante mucho tiempo. Los automóviles no saben cómo mantener una conversación hermosa, pero sobre la base de grandes datos ya hacen la vida más fácil para el negocio al seleccionar automáticamente un producto específico para un cliente en particular. El centro de contacto solo puede contactar a este último y con una alta (o al menos mayor) probabilidad de completar la venta. Además, con mucho menos esfuerzos preliminares por parte de las personas.
Ya hemos descubierto lo que hay que hacer antes de trabajar con modelos y cómo reunir un equipo sensato para optimizar las ventas utilizando big data. ¿Cómo conectar productos comerciales con clientes ahora?
Elegir una herramienta de IA
Lo que la inteligencia artificial aún no ha aprendido es vender sin clientes. Necesitamos una lista de compradores potenciales, según la cual trabajará.
Supongamos que tenemos esa lista. ¿Cómo entender quién y qué ofrecer?
El problema de predicción se resuelve mediante inteligencia artificial, basada en datos históricos. Tomamos a aquellos que en el pasado compraron un producto y construimos un modelo para ellos. Luego tomamos la lista de clientes que aún no han comprado este producto, lo colocamos en el modelo, el modelo aprende y aprende a predecir aquellos que lo comprarían.
La desventaja de este enfoque es que para cada producto debe analizar si lo comprarán o no. Es decir, para cada producto se construye su propio modelo. Si somos un banco, entonces no tenemos tantos productos: por ejemplo, varias opciones para tarjetas de plástico, el número final de préstamos y depósitos, un total de 15-20 productos a la venta.
Pero, ¿qué pasa si somos una tienda en línea con 1000 artículos? ¿O una sala de cine en línea con miles de películas? Para cada uno de ellos construir un modelo separado, por decirlo suavemente, no es rentable. Una cosa como un sistema de recomendación viene al rescate.
Los sistemas de recomendación provienen de cines en línea. En lugar de cientos de modelos, se construye una matriz cliente-producto. La intersección muestra qué cliente ha comprado qué producto. Luego se comparan los clientes, se buscan similitudes y diferencias entre ellos, como resultado, se llenan los vacíos en la matriz. Digamos que dos usuarios vieron 3 películas de algún tipo. Y uno de los usuarios miró el cuarto, y el segundo no. Como son similares en vistas anteriores, el sistema ofrecerá la cuarta película al segundo usuario.
La ventaja del sistema de recomendación es que, para cada cliente, se considera automáticamente el producto que es más probable que compre. No es necesario plantar un equipo de científicos de datos que construyan un modelo para cada uno de cientos o miles de productos. Tenemos un producto recomendado para todos. Es decir, automatizamos el proceso de construcción del modelo en sí.
Un sistema de recomendación es especialmente bueno en el siguiente caso. Como empresa, tenemos canales activos y pasivos. Activo: donde nos comunicamos con el cliente por nuestra propia iniciativa (llamada, SMS, correo electrónico). Pasivo: donde el cliente viene a nosotros mismos (sitio web, aplicación, cajero automático). Si crea un modelo para cada producto, reduce constantemente la lista de clientes para la oferta, porque optimiza los esfuerzos y selecciona solo a aquellos a quienes se les debe ofrecer este producto. Pero podemos tener una situación en la que hay clientes sin una sola oferta. Solo porque cada modelo eligió el suyo, y había vacíos. Es decir, una persona llega a través de un canal pasivo, pero no tenemos nada que mostrarle. Un sistema de recomendación considera una oferta para cada cliente. Además, la mejor oferta.
Pero aquí queda un pequeño problema. Digamos que estamos lanzando un nuevo producto y necesitamos vender sangre de nariz, ya hemos presentado un plan de ventas para este mes. El sistema de recomendaciones no ayudará: funciona honestamente y recomienda a todos exactamente lo que es más relevante para él. No tiene en cuenta nuestra necesidad de vender tantos productos específicos como sea posible y cumplir con el plan de ventas para ello. Resulta que en este caso el sistema de recomendación es ineficaz.
Por lo tanto, en las ventas basadas en big data, se utiliza una combinación de métodos: un modelo para un conjunto limitado de productos, un sistema de recomendación para el general.
Aplicar una regla comercial
Enseñamos a AI a seleccionar una oferta para cada cliente. Pero no todos los productos óptimos tienen sentido para ofrecer. Filtrar resultados se denomina regla empresarial.
Imagine que uso una tarjeta bancaria premium, cuyo mantenimiento me cuesta 2000 rublos por mes. El modelo, construido por el banco, consideró que era óptimo para mí ofrecer otra tarjeta, una poco exigente, con un servicio de 300 rublos al mes. Por supuesto, tengo tendencia a tomarlo y guardarlo. Pero el banco no tiene sentido ofrecerme ese producto, porque perderá ingresos. Tales casos deben cortarse antes de la propuesta. Una situación similar es con los proveedores de Internet y los operadores de telecomunicaciones.
Por lo tanto, se impone una regla empresarial sobre las recomendaciones del aprendizaje automático. Por lo tanto, el cliente recibe una oferta relevante y no reducimos los ingresos.
Seleccionar canal de oferta
Entonces, hay un cliente y productos filtrados que son óptimos para él y para nosotros. Necesitamos calcular cuánto nos costará ofrecerle al cliente este producto. ¿Y vale la pena?
Por ejemplo, una llamada es una de las opciones más caras. Si el producto tiene un margen alto y la probabilidad de su compra es alta, podemos llamar sin dudarlo. Si el producto tiene un margen bajo o la probabilidad de compra es muy baja, gastaremos más tiempo y dinero en notificar al cliente de lo que ganaremos en la venta. Entonces es mejor escribir un correo electrónico o un SMS.
No tiene sentido impulsar algunas ofertas a través del canal activo: es más rentable no hacer nada y esperar hasta que llegue el cliente. Por ejemplo, publique productos en un cajero automático o sitio web. Esto no vale mucho dinero, pero habrá algún tipo de conversión de ellos.
En cuanto a la base de compradores potenciales. Al principio, procedimos del hecho de que tenemos una lista de clientes. Puede ser propio y externo. Por ejemplo, podemos transmitir ofertas de nuevos productos a clientes existentes, haciendo las llamadas ventas cruzadas. Trabajamos libremente con nuestra base: creamos modelos, distribuimos clientes por segmentos y aumentamos la cuenta promedio.
En el caso de una base externa, todos los pasos mencionados son a cargo de un socio externo. Después de todo, en primer lugar, ninguna de las fuentes externas no proporcionará los datos en su forma pura. En segundo lugar, en la mayoría de los países esto está legalmente prohibido. Por lo tanto, al trabajar con bases de datos de terceros, a menudo se usa un método similar, "encontrar otros similares". A saber: se toma una pequeña muestra de nuestros propios clientes existentes a los que corresponde nuestra oferta, y su lista se transfiere de forma anónima al propietario de la base externa. Construye su modelo, selecciona a los clientes que necesitamos y les muestra anuncios.
Total, si consideramos todo el ciclo
- Se toman el sistema de recomendación y los modelos;
- todos ellos están encerrados en los llamados motores de reglas comerciales, un entorno donde se aplican las reglas comerciales;
- los resultados están bloqueados en un sistema que optimiza la distribución de canales
A la salida, obtenemos comunicación integrada con el cliente desde el punto de vista de las ventas, donde para cada uno de ellos se determina el producto óptimo y el canal de entrega óptimo.
Sí, al principio necesita invertir en la construcción de un proceso. Pero los costos por parte de las personas son mínimos. A diferencia del CRM estándar, donde las personas constantemente elaboran campañas, crean modelos para ellas, hacen selecciones manuales, descargan canales, etc.
Y no debemos olvidar que ningún método avanzado de aprendizaje automático ayudará si la empresa no está lista para reconstruir los procesos empresariales. Mucho depende de la "última milla", un centro de contacto que trabaja con los resultados del aprendizaje automático y llega a los clientes. Big data no es una panacea, pero es una buena ayuda, si se usa correctamente.
Si desea aprender cómo implementar tecnologías de Big Data, venga a nuestro
curso para analistas , comience el 28 de enero o en uno de nuestros
programas corporativos .
La publicación fue preparada
por la School of Data sobre la base de la publicación del fundador de la School in the
Business HUB de Kyivstar PJSC