Beberapa waktu yang lalu, saya menerbitkan serangkaian tweet tentang penggunaan alat tradisional alih-alih teknologi baru dan canggih.
Tweet berjalan dengan baik dan menekan HackerNews. Konsekuensi dari mini-popularitas ini adalah diskusi yang menarik. Beberapa setuju dengan saya, sementara yang lain menyebutnya kebodohan dan omong kosong. Nah, baku tembak juga terjadi di Internet.
Saya tidak mencoba meyakinkan Anda untuk menggunakan pendekatan saya. Sebaliknya, saya ingin menjelaskan secara lebih terperinci apa sebenarnya arti dari presentasi awal di Twitter.
Tahun-tahun berlalu, dan Anda melihat munculnya beberapa teknologi dan konsep yang menarik: pembelajaran mesin, blockchain, kecerdasan buatan, realitas virtual, augmented reality, dll. - sementara beberapa teknologi sebelumnya memudar di latar belakang. Saat ini mudah mendengar tentang pengembangan beberapa produk hebat di blockchain. Saya telah melihat layanan blockchain untuk e-commerce, jejaring sosial dan real estat. Daftarnya berlanjut. Saya mendengar kata-kata: agar Anda dapat menutup putaran pembiayaan lebih cepat dan lebih awal, Anda perlu menggunakan kata "blockchain", bahkan jika itu tidak terkait dengan proyek.
Beberapa waktu yang lalu, pembelajaran mesin dan kecerdasan buatan menjadi tren. Setiap startup baru terlibat dalam ML / AI. Tuhan melarang untuk memulai proyek tanpa menyebutkan AI. Serius, apakah Anda benar-benar dalam bisnis? Tetapi secara umum, ini tidak seharusnya. Salah satu teknologi yang masih sangat saya hargai adalah SQL (Structured Query Language). Teknologi berusia lebih dari 40 tahun ini sangat relevan saat ini seperti pada 1974. Meskipun selama bertahun-tahun itu agak berubah, tetapi kekuatannya sama seperti sebelumnya.
Saya telah bekerja di IT sepanjang hidup saya, dan menghabiskan sebagian besar karir saya di e-commerce - dan saya melihat dengan mata kepala saya sendiri bagaimana teknologi ini membantu pertumbuhan dan skala bisnis. Kami menggunakannya untuk mengidentifikasi informasi menarik dalam data yang dikumpulkan. Data termasuk perilaku konsumen, pola belanja, dan kebiasaan. Teknologi ini memungkinkan untuk memprediksi barang mana yang akan disimpan dan mana yang tidak. Dia diizinkan untuk memberikan layanan kualitas terbaik dan mengembalikan pelanggan. Biarkan saya memberi tahu Anda bagaimana kami melakukannya - Anda dapat menggunakan pengalaman kami.
Itu selalu menyenangkan untuk mendengar dari pendiri dan calon pendiri startup bahwa mereka ingin menggunakan AI / ML untuk lebih mempertahankan pelanggan dan meningkatkan nilai seumur hidup mereka [total untung atau rugi dari konsumen tertentu selama periode kerja sama dengannya - kira-kira. trans.]. Faktanya, mereka tidak membutuhkan pembelajaran mesin sama sekali atau beberapa teknologi aneh lainnya. SQL yang ditulis dengan benar adalah semua yang mereka butuhkan. Dalam kehidupan saya sebelumnya, saya menulis pertanyaan SQL untuk mengekstrak informasi dan ide berharga dari data yang dihasilkan. Suatu kali kami ingin mencari "pelanggan terbaik" untuk memberi selamat dan memberi penghargaan kepada mereka. Sikap yang sederhana dan tidak terduga terhadap pelanggan selalu menyenangkan orang dan mengubahnya menjadi penginjil. Anda sering dapat melihat posting media sosial seperti “Wow, Konga baru saja memberi saya kupon ₦ 2000 sebagai pelanggan minggu ini. Saya tidak mengharapkan ini. Terima kasih, kalian yang terbaik. ”
Ini ternyata lebih efektif daripada menghabiskan uang untuk iklan. Jangan salah sangka, periklanan tradisional terjadi, tetapi tidak ada yang sebanding dengan rekomendasi dari teman tepercaya. Anehnya, memperoleh informasi seperti itu cukup sederhana. Tidak diperlukan teknologi mewah kecuali SQL lama yang bagus. Untuk mengidentifikasi pelanggan minggu ini, kami menulis kueri SQL yang menemukan entri di tabel pesanan dengan sekeranjang pesanan terbesar untuk minggu ini. Setelah menerima informasi ini, kami mengirim surat terima kasih kepada klien dan melampirkan kupon / voucher kecil. Coba tebak apa yang terjadi selanjutnya? 99% dari orang-orang ini menjadi pelanggan tetap. Kami tidak pernah membutuhkan ML. Mereka hanya menulis kueri SQL dasar dan menerima informasi ini.
Setelah itu perlu untuk memulihkan komunikasi dengan pelanggan yang berhenti berbelanja. Karena saya melakukan ini, saya menulis kueri SQL yang memilih semua pelanggan dengan tanggal pembelian terakhir 3 bulan atau lebih. Sekali lagi, permintaannya ternyata sangat sederhana. Setelah menerima informasi ini, kami mengirim email ke surat yang menyenangkan: "Kami merindukanmu, kembali, dan ini kupon X Naira Anda" [Mata uang Nigeria - sekitar. trans.]. Efisiensi respons selalu lebih dari 50%. Dan selalu ada banyak pesan di jejaring sosial. Menurut pendapat saya, dua strategi ini telah dan masih jauh lebih efektif daripada pengeluaran untuk iklan di Google dan Facebook.
Kami telah menerapkan pendekatan yang sama pada buletin. Mengapa mengirim buletin umum jika Anda dapat mencoba mempersonalisasinya? Solusi? Saya menulis query SQL untuk memeriksa isi recycle bin dan mengambil item individual. Dari elemen-elemen ini, kami dapat menghasilkan buletin dan menargetkan konten yang relevan. Katakanlah seseorang membeli sepatu, kacamata hitam dan buku. Dalam buletin untuknya kami akan menunjukkan sepatu, kacamata hitam, dan buku. Ini jauh lebih tepat daripada mengirim hal-hal acak. Mengapa mengirim surat dengan pompa payudara ke seorang pria yang baru saja membeli sepasang sepatu kets? Itu bahkan tidak masuk akal. Tingkat buka khas untuk sebagian besar email pemasaran adalah antara 7 dan 10%. Tetapi ketika kami melakukan pekerjaan dengan baik, kami melihat indikator di wilayah 25-30%.
Ini tiga kali standar industri. Fitur bagus lain dari surat-surat ini adalah bahwa kami beralih ke orang dengan nama. Tidak "Pelanggan yang Terhormat". Hanya "Celestine sayang", "Omin sayang" dan seterusnya. Itu memberi segalanya sentuhan kemanusiaan. Menunjukkan partisipasi kita. Semua berkat SQL lama yang bagus, dan bukan semacam pembelajaran mesin mewah.
Kami telah membantu klien yang, karena alasan tertentu, belum menyelesaikan pesanan. Jika mereka menambahkan produk ke keranjang, mereka memiliki niat untuk membelinya. Untuk membantu mereka menyelesaikan pesanan, saya menulis skrip SQL, menautkannya ke pekerjaan CRON, dan kombinasi ini mengirimkan email ke pelanggan yang keranjangnya terakhir diperbarui dalam 48 jam atau lebih. Coba tebak apa yang terjadi? Itu berhasil. Kami melacak email dan menyimpulkan bahwa orang memang kembali dari tautan dari mereka. Sekali lagi, permintaan SQL ternyata sangat sederhana. Dia memilih keranjang yang tidak kosong dengan waktu pembaruan terakhir 48 jam atau lebih. Kami meluncurkan CRON setiap hari pukul 2 pagi - waktu aktivitas dan lalu lintas kurang. Pelanggan bangun dan melihat melalui pos pengingat keranjang mereka yang terlupakan. Ini tentang melibatkan kembali pelanggan. Tidak ada yang istimewa, hanya SQL, Bash, dan CRON.
Karena pay-as-you-go masih populer, SQL berguna lagi. Jika pelanggan membatalkan pesanan tiga kali berturut-turut, ia ditempatkan pada daftar "peringatan khusus" yang terpisah. Pada pesanan berikutnya, mereka memanggilnya dan bertanya apakah pesanan itu benar-benar diperlukan. Dengan demikian kita menghemat waktu dan saraf. Untuk pelanggan seperti itu, pembayaran sebenarnya pada umumnya dapat dimatikan, hanya menyisakan pembayaran dengan kartu. Dalam e-commerce, logistik itu mahal, jadi masuk akal untuk fokus pada pelanggan yang serius. Kami tidak membutuhkan ML atau AI mewah untuk masalah ini. Sekali lagi, SQL yang ditulis dengan cukup baik.
Untuk pesanan yang tidak dikirim pada waktu yang dijanjikan sesuai dengan SLA, kami juga menggunakan kueri SQL. Pesanan dengan status "Tidak terkirim" dan tanggal pemesanan sama dengan atau lebih dari 7 hari dipilih, karena ini adalah waktu pengiriman standar. Pekerjaan CRON mengirim surat dan SMS ke klien tersebut. Jelas bahwa klien tidak bertepuk tangan saat berdiri. Tapi kami setidaknya meyakinkan bahwa kami tidak peduli dan kami sedang mencari solusi untuk masalah ini. Tidak ada yang lebih menyebalkan daripada penundaan pesanan.
Keputusan khusus ini juga berdampak signifikan pada NPS [Indeks Loyalitas Konsumen - sekitar. trans.]. Sekali lagi, SQL dan Bash lama yang bagus.
Bonus: Sift Science secara mengejutkan mencegah penipuan. Tapi SQL juga bisa digunakan. Jika seseorang mencoba membayar dengan tiga kartu berbeda dan kartu-kartu ini ditolak satu demi satu, ada sesuatu yang salah. Hal pertama dan jelas yang harus dilakukan adalah memblokir sementara akunnya. Anda akan menghemat dari sakit kepala besar untuk pemegang kartu potensial. Tidak perlu menyimpan data kartu, cukup mendaftar di database upaya untuk memeriksa kartu untuk nomor pesanan tertentu. Mengidentifikasi hal-hal yang jelas seperti itu tidak memerlukan ML, tetapi hanya SQL yang ditulis dengan baik.
Pembelajaran mesin dan kecerdasan buatan adalah teknologi yang baik. Bagaimanapun, Amazon telah membuktikan efektivitas bisnisnya. Tetapi jika Anda memiliki toko online kecil dengan 1.000-10000 pelanggan, maka Anda bisa bertahan dengan SQL. Selain itu, spesialis ML / AI tidak murah.
Saya akan senang mendengar apa yang Anda pikirkan.