Robot [sejauh ini] belum belajar perilaku manusia bahkan dalam obrolan teks, meskipun mereka berusaha dengan kekuatan dan main. Tetapi ada ceruk untuk penggunaan kecerdasan buatan untuk waktu yang lama. Mobil tidak tahu bagaimana melakukan percakapan yang indah, tetapi berdasarkan data besar mereka sudah membuat hidup lebih mudah untuk bisnis dengan secara otomatis memilih produk tertentu untuk klien tertentu. Pusat kontak hanya dapat menghubungi yang terakhir dan dengan probabilitas tinggi (atau setidaknya lebih besar) untuk menyelesaikan penjualan. Selain itu - dengan upaya awal yang jauh lebih sedikit di pihak orang.
Kami telah menemukan apa yang perlu dilakukan sebelum mulai bekerja dengan model, dan bagaimana menyusun tim yang masuk akal untuk mengoptimalkan penjualan menggunakan data besar. Bagaimana menghubungkan produk bisnis dengan pelanggan sekarang?
Memilih Alat AI
Apa yang belum dipelajari kecerdasan buatan adalah menjual tanpa pelanggan. Kami membutuhkan daftar pembeli potensial, yang menurutnya ia akan berfungsi.
Misalkan kita memiliki daftar seperti itu. Bagaimana memahami siapa dan apa yang ditawarkan?
Masalah prediksi diselesaikan oleh kecerdasan buatan - berdasarkan data historis. Kami mengambil orang-orang yang di masa lalu membeli produk, dan membangun model untuk mereka. Kemudian kami mengambil daftar pelanggan yang belum membeli produk ini, letakkan dalam model, model belajar dan belajar untuk memprediksi mereka yang akan membelinya.
Kerugian dari pendekatan ini adalah bahwa untuk setiap produk Anda perlu menganalisis apakah mereka akan membelinya atau tidak. Artinya, untuk setiap produk modelnya sendiri dibangun. Jika kita adalah bank, maka kita tidak memiliki begitu banyak produk: misalnya, beberapa opsi untuk kartu plastik, jumlah akhir pinjaman dan deposito - total 15-20 produk untuk dijual.
Tetapi bagaimana jika kita adalah toko online dengan 1000 item? Atau sebuah bioskop online dengan ribuan film? Bagi masing-masing dari mereka untuk membangun model terpisah, secara halus, tidak menguntungkan. Suatu hal seperti sistem rekomendasi datang untuk menyelamatkan.
Sistem rekomendasi berasal dari bioskop online. Alih-alih ratusan model, matriks produk-pelanggan dibangun. Persimpangan menunjukkan pelanggan mana yang telah membeli produk mana. Kemudian pelanggan dibandingkan, persamaan dan perbedaan dicari di antara mereka, sebagai akibatnya, kekosongan diisi dalam matriks. Katakanlah dua pengguna menonton 3 jenis film. Dan salah satu pengguna melihat ke-4, dan yang kedua tidak. Karena mereka serupa dalam pandangan sebelumnya, sistem akan menawarkan film ke-4 kepada pengguna kedua.
Keuntungan dari sistem rekomendasi adalah bahwa untuk setiap klien, produk yang paling mungkin ia beli dipertimbangkan secara otomatis. Tidak perlu menanam staf Ilmuwan Data yang akan membangun model untuk setiap ratusan atau ribuan produk. Kami memiliki produk yang direkomendasikan untuk semua orang. Artinya, kami mengotomatiskan proses membangun model itu sendiri.
Sistem rekomendasi sangat baik dalam kasus berikut. Sebagai perusahaan, kami memiliki saluran aktif dan pasif. Aktif - tempat kami berkomunikasi dengan klien atas inisiatif kami sendiri (panggilan, SMS, email). Pasif - tempat klien datang kepada kami sendiri (situs web, aplikasi, ATM). Jika Anda membuat model untuk setiap produk, itu selalu mempersempit daftar pelanggan untuk penawaran, karena itu mengoptimalkan upaya dan memilih hanya mereka yang produk ini harus ditawarkan. Tetapi kami mungkin memiliki situasi di mana ada pelanggan tanpa satu penawaran. Hanya karena masing-masing model memilih sendiri - dan ada kekosongan. Artinya, seseorang datang melalui saluran pasif, tetapi kami tidak punya apa-apa untuk ditunjukkan kepadanya. Sistem rekomendasi mempertimbangkan tawaran untuk setiap klien. Apalagi - tawaran terbaik.
Tapi di sini masalah kecil tetap ada. Katakanlah kita meluncurkan produk baru dan kita perlu menjual darah hidung - kita sudah memasang rencana penjualan untuk bulan ini. Sistem rekomendasi tidak akan membantu - ini bekerja dengan jujur dan merekomendasikan kepada semua orang apa yang paling relevan baginya. Itu tidak memperhitungkan kebutuhan kita untuk menjual sebanyak mungkin produk spesifik dan memenuhi rencana penjualan untuk itu. Ternyata dalam hal ini sistem rekomendasi tidak efektif.
Oleh karena itu, dalam penjualan berdasarkan data besar, kombinasi metode digunakan: model untuk serangkaian produk terbatas, sistem rekomendasi untuk umum.
Terapkan aturan bisnis
Kami mengajarkan AI untuk memilih penawaran untuk setiap klien. Tetapi tidak setiap produk optimal masuk akal untuk ditawarkan. Hasil penyaringan disebut aturan bisnis.
Bayangkan saya menggunakan kartu bank premium, biaya pemeliharaannya 2.000 rubel per bulan. Model yang dibuat oleh bank tersebut, menganggap bahwa saya optimal untuk menawarkan kartu lain, kartu yang tidak menuntut, dengan layanan 300 rubel per bulan. Tentu saja, saya memiliki kecenderungan untuk mengambil dan menyimpannya. Tetapi bank tidak masuk akal untuk menawarkan produk seperti itu kepada saya, karena akan kehilangan pendapatan. Kasus-kasus seperti itu harus dipotong sebelum proposal. Situasi serupa terjadi pada penyedia Internet dan operator telekomunikasi.
Oleh karena itu, aturan bisnis dikenakan pada rekomendasi pembelajaran mesin. Jadi klien menerima penawaran yang relevan, dan kami tidak menjatuhkan pendapatan.
Pilih saluran penawaran
Jadi, ada klien dan produk yang disaring yang optimal untuk dia dan kita. Kita perlu menghitung berapa biaya untuk menawarkan produk ini kepada klien. Dan apakah itu sepadan?
Misalnya, panggilan adalah salah satu opsi yang paling mahal. Jika produk memiliki margin tinggi dan probabilitas pembeliannya tinggi, kita dapat menelepon tanpa ragu-ragu. Jika produk memiliki margin rendah atau probabilitas pembelian sangat rendah, kami akan menghabiskan lebih banyak waktu dan uang untuk memberi tahu klien daripada yang akan kami dapatkan dari penjualan. Maka lebih baik menulis email atau SMS.
Tidak masuk akal untuk mengarahkan beberapa penawaran melalui saluran aktif - lebih menguntungkan untuk tidak melakukan apa pun dan menunggu sampai klien datang. Misalnya, memposting produk di ATM atau situs web. Ini tidak bernilai banyak uang, tetapi akan ada semacam konversi dari mereka.
Mengenai basis pembeli potensial. Pada awalnya, kami mulai dari fakta bahwa kami memiliki daftar klien. Itu bisa milik sendiri dan eksternal. Misalnya, kita dapat menyiarkan penawaran produk baru ke pelanggan yang sudah ada, melakukan apa yang disebut cross-sales. Kami bekerja secara bebas dengan basis kami: kami membangun model, mendistribusikan pelanggan berdasarkan segmen, dan meningkatkan rata-rata cek.
Dalam hal basis eksternal, semua langkah yang disebutkan ditanggung oleh mitra eksternal. Bagaimanapun, pertama, tidak ada sumber eksternal tidak akan memberikan data dalam bentuk murni. Kedua, di sebagian besar negara ini dilarang secara hukum. Oleh karena itu, dalam bekerja dengan database pihak ketiga, metode seperti yang mirip sering digunakan - "temukan yang serupa". Yaitu: sampel kecil dari pelanggan kami yang ada dibawa ke mana penawaran kami sesuai, dan daftar mereka ditransfer dalam bentuk anonim kepada pemilik pangkalan eksternal. Ia membangun modelnya, memilih pelanggan yang kami butuhkan dan menunjukkan kepada mereka iklan.
Total, jika kita mempertimbangkan seluruh siklus
- Sistem dan model rekomendasi diambil;
- semuanya terkunci dalam apa yang disebut mesin aturan bisnis - lingkungan di mana aturan bisnis diterapkan;
- hasilnya dikunci ke dalam sistem yang mengoptimalkan distribusi saluran
Di pintu keluar, kami mendapatkan komunikasi terintegrasi dengan klien dari sudut pandang penjualan, di mana untuk masing-masing produk optimal dan saluran pengiriman optimal ditentukan.
Ya, pada awalnya Anda perlu berinvestasi dalam membangun suatu proses. Tetapi kemudian biaya pada bagian orang sangat minim. Tidak seperti CRM standar, di mana orang-orang selalu membuat kampanye, membuat model untuk mereka, membuat pilihan manual, mengunduh saluran, dan sebagainya.
Dan kita tidak boleh lupa bahwa tidak ada metode pembelajaran mesin canggih akan membantu jika bisnis tidak siap untuk membangun kembali proses bisnis. Banyak tergantung pada "jarak terakhir", pusat kontak yang bekerja dengan hasil pembelajaran mesin dan menjangkau pelanggan. Data besar bukan obat mujarab, tetapi bantuan yang bagus - jika digunakan dengan benar.
Jika Anda ingin mempelajari cara menerapkan teknologi Big Data - datanglah ke
kursus kami
untuk analis , mulai pada 28 Januari atau di salah satu
program perusahaan kami.
Posting disiapkan
oleh School of Data berdasarkan publikasi pendiri Sekolah di
Business HUB Kyivstar PJSC