Big data у 3 кроки: як навчити штучний інтелект продавати

Роботи [поки] не навчилися поведінки людини навіть в текстових чатах, хоч і щосили намагаються. Але ніша для застосування штучного інтелекту давно є. Машини не вміють красиво вести бесіду, проте на основі великих даних вже полегшують життя бізнесу, автоматично підбираючи конкретний продукт для конкретного клієнта. Контакт-центру залишається тільки зв’язатися з ним і з великою (або щонайменше бІльшою) ймовірністю завершити продаж. Причому – за набагато менших попередніх зусиль з боку людей.

Ми вже розбиралися, що потрібно зробити перш ніж хапатися за роботу з моделями, і як зібрати розумну команду із оптимізації продажів з допомогою big data. Як же тепер з’єднати продукти бізнесу з клієнтами?

1. Обираємо інструмент ШІ.

Чого штучний інтелект ще не навчився – так це продавати без клієнтів. Потрібний певний список потенційних покупців, за яким він працюватиме.

Припустимо, такий список ми маємо. Як зрозуміти, кому і що запропонувати?

Саме завдання передбачення і вирішує штучний інтелект – на основі історичних даних. Беремо тих, хто в минулому купував якийсь продукт, і будуємо за ним модель. Потім беремо список клієнтів, які цей продукт ще не купували, розміщуємо його в моделі, модель навчається і вчиться передбачати тих, хто б купив.

Недолік підходу в тому, що для кожного продукту потрібно проаналізувати, чи куплять його. Тобто для кожного продукту будується своя модель. Якщо ми – банк, то продуктів маємо не так вже й багато: наприклад, кілька варіантів пластикових карт, кінцеве число кредитів і депозитів – сумарно 15-20 продуктів для продажу.

Але що якщо ми – інтернет-магазин з 1000 артикулів? Або інтернет-кінотеатр з тисячами фільмів? Для кожного з них будувати окрему модель, м’яко кажучи, невигідно. На допомогу приходить рекомендаційна система.

Рекомендаційні системи з’явилися якраз із он-лайн-кінотеатрів. Замість сотень моделей будується матриця «клієнти-продукти». Перетин демонструє, хто з клієнтів який продукт придбав. Далі клієнти зіставляються, між ними шукаються схожості і відмінності, як наслідок в матриці заповнюються порожнечі. Припустимо, два користувача подивилися 3 якихось фільми. І ось один з користувачів подивився ще і 4-й, а другий – ні. Оскільки вони схожі за попередніми переглядами, система запропонує 4-й фільм і другому користувачеві.

Перевага рекомендаційної системи в тому, що для кожного клієнта автоматично розглядається продукт, який той з найімовірніше придбає. Не потрібно мати штат дата-сайєнтистів, які будуватимуть модель під кожен з сотень або тисяч продуктів. У нас з’являється рекомендований продукт для всіх. Тобто ми автоматизували сам процес побудови моделі.

Особливо корисна рекомендаційна система в такому разі. Як компанія ми маємо активні канали та пасивні. Активні – там, де ми спілкуємося з клієнтом з власної ініціативи (дзвінок, SMS, e-mail). Пасивні – де клієнт приходить до нас сам (сайт, додаток, банкомат). Якщо будувати модель під кожен продукт, вона постійно звужує список клієнтів для пропозиції, оскільки оптимізує зусилля і обирає лише тих, кому цей продукт варто пропонувати. Проте ймовірна ситуація, коли є клієнти взагалі без єдиної пропозиції. Просто тому, що кожна модель обирала своїх – і залишилися порожнечі. Тобто людина приходить за пасивним каналом, а ми не маємо що йому показати. А рекомендаційна система вираховує пропозицію для кожного клієнта. Причому – оптимальну пропозицію.

Але і тут залишається невелика проблема. Припустимо, ми запускаємо новий продукт і нам щоб там не було потрібно його продати – на цей місяць вже виставлений план продажів. Рекомендаційна система не допоможе – вона чесно працює і рекомендує кожному саме те, що йому найдоцільніше. Вона жодним чином не зважає на нашу потребу напродавати якнайбільше конкретного продукту і виконати за ним план продажів. Виявляється, в такому разі рекомендаційна система неефективна.

Тому в продажах на основі big data використовують поєднання методів: модель для обмеженого набору продуктів, рекомендаційну систему – для загального.

2. Застосовуємо бізнес-правило.

Ми навчили ШІ підбирати пропозицію для кожного клієнта. Але не кожен оптимальний продукт варто пропонувати. Фільтрація результатів називається бізнес-правилом.

Уявімо, що я користуюся преміальної банківською картою, обслуговування якої коштує мені 5000 грн на місяць. Модель, побудована банком, вирішила, що оптимальний варіант для мене –  запропонувати іншу карту, непреміальну, з обслуговуванням 1000 грн на місяць. Звісно, я схиляюся її взяти і заощадити. Проте банку немає сенсу пропонувати мені такий продукт, оскільки він втратить виторг. Такі випадки потрібно відсікати ще до пропозиції. Схожа ситуація – в інтернет-провайдерів і операторів зв’язку.

Тому на рекомендації машинного навчання накладається бізнес-правило. Так клієнт отримує релевантну пропозицію, а ми не втрачаємо виручку.

3. Обираємо канал пропозиції.

Отже, є клієнт і відфільтровані, оптимальні для нього і нас продукти. Необхідно порахувати, скільки коштуватиме запропонувати клієнту цей продукт. І чи варто воно того.

Наприклад, дзвінок – один з найдорожчих варіантів. Якщо продукт є високомаржинальним і ймовірність його покупки висока, можемо дзвонити без вагань. Якщо ж продукт є низькомаржинальним або ймовірність покупки дуже низька, ми витратимо більше часу і грошей на оповіщення клієнта, ніж заробимо на продажу. Тоді вже краще написати e-mail або SMS.

Деякі пропозиції взагалі немає сенсу гнати через активний канал – вигідніше нічого не робити і дочекатися, поки клієнт сам прийде. Наприклад, вивісити продукти в банкоматі або на сайті. Грошей це особливих не коштує, але якась конверсія з них буде.

Щодо бази потенційних покупців. На самому початку ми виходили з того, що список клієнтів у нас є. Він може бути власним і зовнішнім. Наприклад, ми можемо транслювати пропозиції нових продуктів вже існуючим клієнтам, здійснюючи так звані крос-продажі. Зі свого базою ми працюємо вільно: будуємо моделі, розподіляємо клієнтів за сегментами, збільшуємо середній чек.

При роботі із зовнішньою базою всі згадані кроки покладаються на стороннього партнера. Адже, по-перше, ніхто з зовнішніх джерел не віддасть дані в чистому вигляді. По-друге, в більшості країн це юридично заборонено. Тому в роботі зі сторонніми базами часто використовується сспосіб look alike – «знайди схожих»”. А саме: береться невелика добірка власних існуючих клієнтів, яким підходить наша пропозиція, і передається їхній список в знеособленому вигляді власнику зовнішньої бази. Той будує свою модель, обирає потрібних нам клієнтів і демонструє їм рекламу.

Загалом, якщо розглянути цикл цілком:

• береться рекомендаційна система і моделі;
• всі вони замикаються в так званий business rules engines – середовище, де застосовуються бізнес-правила;
• результати замикаються в систему, яка оптимізує розподіл каналами.

У підсумку ми отримуємо інтегровану комунікацію з клієнтом з погляду продажів, де для кожного визначається оптимальний продукт і оптимальний канал доставки.

Так, на самому початку в побудову процесу потрібно витратитися. Проте надалі витрати з боку людей мінімальні. На відміну від стандартного CRM, де люди постійно придумують кампанії, будують під них моделі, роблять ручні вибірки, завантажують канали тощо.

І не потрібно забувати, що жодні просунуті методи машинного навчання не допоможуть, якщо бізнес не готовий перебудовувати бізнес-процеси. Від «останньої милі», контакт-центру, який працює з результатами машинного навчання і дотягується до клієнтів, залежить чимало. Big data – не панацея, а гарна підмога – якщо його грамотно використовувати.

Матеріал підготовлений у співробітництві з LIGA.net