Les robots [jusqu'à présent] n'ont pas appris le comportement humain même dans le chat textuel, bien qu'ils essaient avec puissance et main. Mais il existe depuis longtemps un créneau pour l'utilisation de l'intelligence artificielle. Les voitures ne savent pas comment avoir une belle conversation, mais sur la base des mégadonnées, elles facilitent déjà la vie de l'entreprise en sélectionnant automatiquement un produit spécifique pour un client particulier. Le centre de contact ne peut contacter que ce dernier et avec une probabilité élevée (ou au moins plus grande) de conclure la vente. De plus - avec beaucoup moins d'efforts préliminaires de la part des gens.
Nous avons déjà compris ce qui doit être fait avant de travailler avec des modèles et comment mettre en place une équipe sensée pour optimiser les ventes en utilisant le Big Data. Comment connecter les produits d'entreprise aux clients maintenant?
Choisir un outil AI
Ce que l'intelligence artificielle n'a pas encore appris, c'est de vendre sans clients. Nous avons besoin d'une liste d'acheteurs potentiels, selon laquelle il travaillera.
Supposons que nous ayons une telle liste. Comment comprendre qui et quoi offrir?
Le problème de prédiction est résolu par l'intelligence artificielle - basée sur des données historiques. Nous prenons ceux qui dans le passé ont acheté un produit et construisons un modèle pour eux. Ensuite, nous prenons la liste des clients qui n'ont pas encore acheté ce produit, le plaçons dans le modèle, le modèle apprend et apprend à prédire ceux qui l'achèteraient.
L'inconvénient de cette approche est que pour chaque produit, vous devez analyser s'ils l'achèteront ou non. Autrement dit, pour chaque produit, son propre modèle est construit. Si nous sommes une banque, nous n'avons pas autant de produits: par exemple, plusieurs options pour les cartes en plastique, le nombre final de prêts et de dépôts - un total de 15 à 20 produits à vendre.
Mais que faire si nous sommes une boutique en ligne avec 1000 articles? Ou une salle de cinéma en ligne avec des milliers de films? Pour chacun d'eux, construire un modèle distinct, pour le moins, n'est pas rentable. Une chose comme un système de recommandation vient à la rescousse.
Les systèmes de recommandation proviennent des cinémas en ligne. Au lieu de centaines de modèles, une matrice client-produit est construite. L'intersection montre quel client a acheté quel produit. Ensuite, les clients sont comparés, les similitudes et les différences sont recherchées entre eux, en conséquence, des vides sont remplis dans la matrice. Disons que deux utilisateurs ont regardé 3 films en quelque sorte. Et l'un des utilisateurs a regardé le 4e, et le second ne l'a pas fait. Puisqu'ils sont similaires dans les vues précédentes, le système offrira le 4ème film au deuxième utilisateur.
L'avantage du système de recommandation est que pour chaque client, le produit qu'il est le plus susceptible d'acheter est automatiquement pris en compte. Il n'est pas nécessaire de mettre en place une équipe de Data Scientists qui construira un modèle pour chacun des centaines ou des milliers de produits. Nous avons un produit recommandé pour tout le monde. Autrement dit, nous avons automatisé le processus de construction du modèle lui-même.
Un système de recommandation est particulièrement efficace dans le cas suivant. En tant qu'entreprise, nous avons des canaux actifs et passifs. Actif - où nous communiquons avec le client de notre propre initiative (appel, SMS, e-mail). Passif - où le client vient nous voir lui-même (site Web, application, GAB). Si vous créez un modèle pour chaque produit, il rétrécit constamment la liste des clients pour l'offre, car il optimise les efforts et ne sélectionne que ceux à qui ce produit doit être proposé. Mais nous pouvons avoir une situation où il y a des clients sans une seule offre. Tout simplement parce que chaque modèle a choisi le sien - et il y avait des vides. Autrement dit, une personne passe par un canal passif, mais nous n'avons rien à lui montrer. Un système de recommandation considère une offre pour chaque client. De plus - la meilleure offre.
Mais ici, un petit problème subsiste. Disons que nous lançons un nouveau produit et que nous devons vendre du sang de nez - nous avons déjà mis en place un plan de vente pour ce mois. Le système de recommandation n'aidera pas - il fonctionne honnêtement et recommande à tout le monde exactement ce qui est le plus pertinent pour lui. Il ne prend pas en compte notre besoin de vendre autant de produits spécifiques que possible et de réaliser le plan de vente correspondant. Il s'avère que dans ce cas le système de recommandation est inefficace.
Par conséquent, dans les ventes basées sur le Big Data, une combinaison de méthodes est utilisée: un modèle pour un ensemble limité de produits, un système de recommandation pour le général.
Appliquer une règle métier
Nous avons appris à l'IA à sélectionner une offre pour chaque client. Mais tous les produits optimaux n'ont pas de sens à offrir. Le filtrage des résultats est appelé une règle métier.
Imaginez que j'utilise une carte bancaire premium, dont l'entretien me coûte 2000 roubles par mois. Le modèle, construit par la banque, considérait qu'il était optimal pour moi d'offrir une autre carte, peu exigeante, avec un service de 300 roubles par mois. Bien sûr, j'ai tendance à le prendre et à le sauvegarder. Mais la banque n'a pas de sens de m'offrir un tel produit, car il perdra des revenus. Ces cas doivent être supprimés avant la proposition. Une situation similaire se présente avec les fournisseurs d'accès Internet et les opérateurs de télécommunications.
Par conséquent, une règle métier est imposée sur les recommandations du machine learning. Le client reçoit donc une offre pertinente, et nous ne baissons pas les revenus.
Sélectionnez le canal de l'offre
Il y a donc un client et des produits filtrés qui sont optimaux pour lui et pour nous. Nous devons calculer combien il nous en coûtera pour offrir ce produit au client. Et ça vaut le coup?
Par exemple, un appel est l'une des options les plus coûteuses. Si le produit est à marge élevée et que la probabilité de son achat est élevée, nous pouvons appeler sans hésitation. Si le produit est à faible marge ou la probabilité d'achat est très faible, nous consacrerons plus de temps et d'argent à informer le client que nous ne gagnerons à la vente. Ensuite, il vaut mieux écrire un e-mail ou un SMS.
Cela n'a aucun sens de faire passer certaines offres via le canal actif - il est plus rentable de ne rien faire et d'attendre que le client arrive. Par exemple, affichez des produits à un guichet automatique ou sur un site Web. Cela ne vaut pas beaucoup d'argent, mais il y aura une sorte de conversion de leur part.
Concernant la base d'acheteurs potentiels. Au tout début, nous sommes partis du fait que nous avons une liste de clients. Il peut être propre et externe. Par exemple, nous pouvons diffuser des offres de nouveaux produits aux clients existants, ce que l'on appelle les ventes croisées. Nous travaillons librement avec notre base: nous construisons des modèles, répartissons les clients par segments et augmentons le chèque moyen.
Dans le cas d'une base externe, toutes les étapes mentionnées sont à la charge d'un partenaire externe. Après tout, premièrement, aucune des sources externes ne donnera les données sous leur forme pure. Deuxièmement, dans la plupart des pays, cela est légalement interdit. Par conséquent, lorsque vous travaillez avec des bases de données tierces, une méthode similaire est souvent utilisée - «trouver des méthodes similaires». A savoir: un petit échantillon de nos propres clients existants est pris en compte par notre offre, et leur liste est transférée sous forme anonyme au propriétaire de la base externe. Il construit son modèle, sélectionne les clients dont nous avons besoin et leur montre des publicités.
Total, si l'on considère l'ensemble du cycle
- Le système et les modèles de recommandation sont pris;
- tous sont enfermés dans ce que l'on appelle les moteurs de règles métier - un environnement où les règles métier sont appliquées;
- les résultats sont enfermés dans un système qui optimise la distribution des canaux
À la sortie, nous obtenons une communication intégrée avec le client du point de vue des ventes, où pour chacun d'eux le produit optimal et le canal de livraison optimal sont déterminés.
Oui, au tout début, vous devez investir dans la construction d'un processus. Mais alors les coûts pour les gens sont minimes. Contrairement au CRM standard, où les gens proposent constamment des campagnes, créent des modèles pour eux, effectuent des sélections manuelles, téléchargent des canaux, etc.
Et nous ne devons pas oublier qu'aucune méthode avancée d'apprentissage automatique ne sera utile si l'entreprise n'est pas prête à reconstruire les processus métier. Cela dépend beaucoup du «dernier kilomètre», un centre de contact qui travaille avec les résultats de l'apprentissage automatique et tend la main aux clients. Les mégadonnées ne sont pas une panacée, mais une bonne aide - si elles sont utilisées correctement.
Si vous voulez apprendre à mettre en œuvre les technologies Big Data - venez à notre
cours pour analystes , commencez le 28 janvier ou dans l'un de nos
programmes d'entreprise .
Le poste a été préparé
par la School of Data sur la base de la publication du fondateur de la School in the
Business HUB de Kyivstar PJSC