到目前为止，尽管机器人正在尝试使用may和main，但到目前为止，他们甚至还没有在文本聊天中学习人类行为。 但是在很长一段时间内，使用人工智能存在一个利基市场。 汽车不知道如何进行漂亮的对话，但是根据大数据，汽车已经可以通过自动为特定客户选择特定产品来简化业务。 联络中心只能与后者联系，并且有很高的（或至少更大的）完成销售的可能性。 此外-减少了人们的初步努力。
我们已经弄清楚在使用模型之前需要做什么，以及如何组建一支明智的团队以使用大数据来优化销售。 现在如何将业务产品与客户联系起来？
选择AI工具
人工智能尚未学会的是在没有客户的情况下进行销售。 我们需要一份潜在买家清单，根据该清单他将工作。
假设我们有这样一个列表。 如何理解谁和提供什么？
预测问题由人工智能解决-基于历史数据。 我们将过去购买过产品的用户作为他们的模型。 然后，我们列出尚未购买此产品的客户列表，将其放入模型中，模型将学习并学会预测会购买的产品。
这种方法的缺点是，对于每种产品，您都需要分析他们是否会购买。 也就是说，为每个产品构建自己的模型。 如果我们是银行，那么我们没有那么多产品：例如，塑料卡的几种选择，最终的贷款和存款数量-总共有15-20种产品待售。
但是，如果我们是一家拥有1000件商品的在线商店，该怎么办？ 还是拥有数千部电影的在线电影院？ 为他们每个人建立一个单独的模型，说得通一点，是无利可图的。 推荐系统之类的东西可以解救。
推荐系统来自在线电影院。 建立了客户-产品矩阵，而不是数百个模型。 交叉口显示哪个客户购买了哪个产品。 然后比较客户，在他们之间搜索相似性和差异，结果，在矩阵中填充了空白。 假设有两个用户观看了3部电影。 其中一个用户查看了第四个，而第二个则没有。 由于它们在以前的视图中相似，因此系统将向第二位用户提供第四张电影。
推荐系统的优点是，对于每个客户，都会自动考虑他最有可能购买的产品。 无需培养数据科学家的团队，他们将为数百或数千种产品中的每一种建立模型。 我们为所有人提供推荐的产品。 也就是说，我们使构建模型本身的过程自动化。
在以下情况下，推荐系统特别好。 作为一家公司，我们拥有主动和被动渠道。 活动-我们主动与客户进行沟通（通话，短信，电子邮件）。 被动-客户亲自找我们的地方（网站，应用程序，ATM）。 如果您为每种产品建立模型，则会不断缩小要报价的客户列表，因为它可以优化工作并仅选择应向其提供产品的客户。 但是我们可能会遇到这样的情况，有些客户没有一个报价。 只是因为每个模型都选择了自己的模型-并且存在空白。 也就是说，一个人通过被动渠道进入，但我们没有任何东西可以向他展示。 推荐系统考虑每个客户的报价。 而且-最好的报价。
但是，这里仍然存在一个小问题。 假设我们正在推出新产品，我们需要出售鼻血-我们已经制定了本月的销售计划。 推荐系统将无济于事-它会诚实地工作，并向每个人推荐与他最相关的确切信息。 它没有考虑到我们需要销售尽可能多的特定产品并满足其销售计划的需要。 事实证明，在这种情况下，推荐系统无效。
因此，在基于大数据的销售中，使用了多种方法的组合：针对一组有限产品的模型，针对一般产品的推荐系统。
应用业务规则
我们教会AI为每个客户选择一个报价。 但是并不是每个最佳产品都有意义。 过滤结果称为业务规则。
想象一下，我使用一张高级银行卡，每月需要花费2000卢布来进行维护。 该模型是由银行建立的，认为对我来说，最好再提供一张不昂贵的卡，每月服务300卢布。 当然，我倾向于保留它并保存它。 但是银行向我提供这样的产品是没有意义的，因为它将损失收入。 此类情况必须在提案之前取消。 互联网提供商和电信运营商也有类似情况。
因此，将业务规则强加于机器学习的建议。 因此，客户会收到相关报价，并且我们不会减少收入。
选择优惠渠道
因此，有一个客户和经过筛选的产品对他和我们来说都是最佳的。 我们需要计算向客户提供该产品将花费多少。 值得吗？
例如，通话是最昂贵的选择之一。 如果产品的保证金很高并且购买的可能性很高，我们可以毫不犹豫地致电。 如果产品的利润率很低或购买的可能性很低，我们将花费更多的时间和金钱通知客户，而不是在销售中赚取更多的钱。 然后最好写一封电子邮件或短信。
通过有效渠道吸引一些报价是没有意义的-不采取任何措施并等到客户到来才更有利可图。 例如，在ATM或网站上发布产品。 这不值多少钱，但是他们会带来某种转变。
关于潜在买家的基础。 从一开始，我们就拥有一个客户清单。 它可以是自己的，也可以是外部的。 例如，我们可以将新产品的报价广播给现有客户，进行所谓的交叉销售。 我们与我们的基地自由合作：我们建立模型，按细分市场分配客户，并增加平均支票。
在外部基地的情况下，上述所有步骤均由外部合作伙伴承担。 毕竟，首先，没有任何外部来源不会提供纯格式的数据。 其次，在大多数国家，这在法律上是禁止的。 因此，在使用第三方数据库时，通常使用类似的方法-“查找相似的方法”。 即：我们的报价适合我们现有客户的一小部分，他们的名单以匿名形式转移给外部基地的所有者。 他建立了模型，选择了我们需要的客户，并向他们展示广告。
总计，如果我们考虑整个周期
- 采用推荐系统和模型；
- 所有这些都锁定在所谓的业务规则引擎中-一种应用业务规则的环境；
- 结果锁定在优化渠道分配的系统中
从销售的角度来看，在出口处，我们与客户进行了综合沟通，确定了每种产品的最佳产品和最佳交付渠道。
是的，从一开始，您就需要投资建立流程。 但是这样一来，人员方面的成本便降至最低。 与标准CRM不同，在标准CRM中，人们不断提出广告系列，为广告系列建立模型，进行手动选择，下载渠道等。
我们一定不要忘记，如果企业还没有准备好重建业务流程，那么高级的机器学习方法将无济于事。 很大程度上取决于“最后一英里”，这是一个联系中心，负责处理机器学习的结果并与客户联系。 大数据不是万能的，而是一个很好的帮助-如果使用正确。
如果您想学习如何实施大数据技术，请参加1月28日或其中一项
公司计划 ，以
参加针对分析师的 课程 。
该职位是
由数据学院
根据 Kyivstar PJSC的
Business HUB中该学院创始人的出版而准备的