Até agora, os robôs não aprenderam o comportamento humano nem no bate-papo por texto, embora estejam tentando com força e força. Mas existe um nicho para o uso da inteligência artificial por um longo tempo. Os carros não sabem como manter uma conversa bonita, mas com base em big data, eles já facilitam a vida dos negócios, selecionando automaticamente um produto específico para um cliente em particular. O contact center só pode entrar em contato com o último e com uma probabilidade alta (ou pelo menos maior) de concluir a venda. Além disso - com muito menos esforços preliminares por parte das pessoas.
Já descobrimos o que precisa ser feito antes de começar a trabalhar com modelos e como montar uma equipe sensata para otimizar as vendas usando big data. Como conectar produtos comerciais aos clientes agora?
Escolhendo uma ferramenta de IA
O que a inteligência artificial ainda não aprendeu é vender sem clientes. Precisamos de uma lista de potenciais compradores, segundo a qual ele trabalhará.
Suponha que tenhamos essa lista. Como entender quem e o que oferecer?
O problema de previsão é resolvido pela inteligência artificial - com base em dados históricos. Pegamos aqueles que no passado compraram um produto e construímos um modelo para eles. Em seguida, pegamos a lista de clientes que ainda não compraram este produto, colocamos no modelo, o modelo aprende e aprende a prever quem o compraria.
A desvantagem dessa abordagem é que, para cada produto, você precisa analisar se eles a comprarão ou não. Ou seja, para cada produto, seu próprio modelo é construído. Se somos um banco, não temos tantos produtos: por exemplo, várias opções para cartões de plástico, o número final de empréstimos e depósitos - um total de 15 a 20 produtos à venda.
Mas e se formos uma loja online com 1000 itens? Ou um cinema on-line com milhares de filmes? Para cada um deles, construir um modelo separado, para dizer o mínimo, é inútil. Algo como um sistema de recomendação vem em socorro.
Os sistemas de recomendação vieram dos cinemas online. Em vez de centenas de modelos, é criada uma matriz cliente-produto. A interseção mostra qual cliente comprou qual produto. Em seguida, os clientes são comparados, as semelhanças e diferenças são pesquisadas entre eles, como resultado, os vazios são preenchidos na matriz. Digamos que dois usuários assistiram 3 filmes de algum tipo. E um dos usuários olhou para o quarto e o segundo não. Como são semelhantes nas visualizações anteriores, o sistema oferecerá o quarto filme para o segundo usuário.
A vantagem do sistema de recomendação é que, para cada cliente, o produto que ele provavelmente comprará será automaticamente considerado. Não há necessidade de plantar uma equipe de cientistas de dados que criará um modelo para cada uma das centenas ou milhares de produtos. Temos um produto recomendado para todos. Ou seja, automatizamos o processo de construção do próprio modelo.
Um sistema de recomendação é especialmente bom no seguinte caso. Como empresa, temos canais ativos e passivos. Ativo - onde nos comunicamos com o cliente por nossa própria iniciativa (chamada, SMS, e-mail). Passivo - onde o cliente chega até nós (site, aplicativo, caixa eletrônico). Se você constrói um modelo para cada produto, ele restringe constantemente a lista de clientes da oferta, porque otimiza os esforços e seleciona apenas aqueles a quem esse produto deve ser oferecido. Mas podemos ter uma situação em que há clientes sem uma única oferta. Só porque cada modelo escolheu o seu - e houve vazios. Ou seja, uma pessoa passa por um canal passivo, mas não temos nada para mostrar a ela. Um sistema de recomendação considera uma oferta para cada cliente. Além disso - a melhor oferta.
Mas aqui permanece um pequeno problema. Digamos que estamos lançando um novo produto e precisamos vender sangue para o nariz - já definimos um plano de vendas para este mês. O sistema de recomendação não ajudará - ele funciona honestamente e recomenda a todos exatamente o que é mais relevante para ele. Isso não leva em consideração nossa necessidade de vender o maior número possível de produtos específicos e cumprir o plano de vendas. Acontece que, neste caso, o sistema de recomendação é ineficaz.
Portanto, nas vendas baseadas em big data, é usada uma combinação de métodos: um modelo para um conjunto limitado de produtos, um sistema de recomendação para o geral.
Aplicar uma regra de negócios
Ensinamos a IA a selecionar uma oferta para cada cliente. Mas nem todo produto ideal faz sentido oferecer. A filtragem de resultados é chamada de regra de negócios.
Imagine que eu uso um cartão bancário premium, cuja manutenção me custa 2000 rublos por mês. O modelo, construído pelo banco, considerou que era ótimo oferecer outro cartão, um exigente, com um serviço de 300 rublos por mês. Claro, tenho uma tendência para pegá-lo e salvá-lo. Mas o banco não faz sentido me oferecer esse produto, porque perderá em receita. Esses casos devem ser interrompidos antes da proposta. Uma situação semelhante ocorre com os provedores de Internet e operadoras de telecomunicações.
Portanto, uma regra de negócios é imposta às recomendações do aprendizado de máquina. Portanto, o cliente recebe uma oferta relevante e não reduzimos a receita.
Selecionar canal de oferta
Portanto, há um cliente e produtos filtrados que são ideais para ele e para nós. Precisamos calcular quanto nos custará oferecer ao cliente este produto. E vale a pena?
Por exemplo, uma chamada é uma das opções mais caras. Se o produto tiver uma margem alta e a probabilidade de sua compra for alta, podemos ligar sem hesitar. Se o produto tiver uma margem baixa ou a probabilidade de compra for muito baixa, gastaremos mais tempo e dinheiro notificando o cliente do que ganharemos na venda. Então é melhor escrever um email ou SMS.
Não faz sentido direcionar algumas ofertas pelo canal ativo - é mais lucrativo não fazer nada e esperar até a chegada do cliente. Por exemplo, publique produtos em um caixa eletrônico ou site. Isso não vale muito dinheiro, mas haverá algum tipo de conversão a partir deles.
Em relação à base de potenciais compradores. Desde o início, partimos do fato de termos uma lista de clientes. Pode ser próprio e externo. Por exemplo, podemos transmitir ofertas de novos produtos aos clientes existentes, realizando as chamadas vendas cruzadas. Trabalhamos livremente com nossa base: construímos modelos, distribuímos clientes por segmentos e aumentamos a média de cheques.
No caso de uma base externa, todas as etapas mencionadas são suportadas por um parceiro externo. Afinal, em primeiro lugar, nenhuma das fontes externas não fornecerá os dados em sua forma pura. Em segundo lugar, na maioria dos países isso é legalmente proibido. Portanto, ao trabalhar com bancos de dados de terceiros, um método semelhante é frequentemente usado - “encontre similares”. Ou seja: uma pequena amostra de nossos próprios clientes existentes é levada para a qual a nossa oferta se adequa e sua lista é transferida de forma anônima para o proprietário da base externa. Ele constrói seu modelo, seleciona os clientes de que precisamos e mostra anúncios a eles.
Total, se considerarmos todo o ciclo
- O sistema de recomendação e os modelos são adotados;
- todos eles estão bloqueados nos chamados mecanismos de regras de negócios - um ambiente em que as regras de negócios são aplicadas;
- os resultados são bloqueados em um sistema que otimiza a distribuição de canais
Na saída, obtemos comunicação integrada com o cliente do ponto de vista das vendas, onde para cada um deles é determinado o produto ideal e o canal de entrega ideal.
Sim, desde o início você precisa investir na construção de um processo. Mas então os custos por parte das pessoas são mínimos. Ao contrário do CRM padrão, em que as pessoas criam campanhas constantemente, criam modelos para elas, fazem seleções manuais, fazem o download de canais etc.
E não devemos esquecer que nenhum método avançado de aprendizado de máquina ajudará se a empresa não estiver pronta para reconstruir os processos de negócios. Depende muito da "última milha", um contact center que trabalha com os resultados do aprendizado de máquina e chega aos clientes. O big data não é uma panacéia, mas uma boa ajuda - se usado corretamente.
Se você quiser aprender a implementar tecnologias de Big Data - entre em nosso
curso para analistas , comece em 28 de janeiro ou em um de nossos
programas corporativos .
O post foi preparado
pela Escola de Dados com base na publicação do fundador da Escola no
Business HUB da Kyivstar PJSC