[今のところ]ロボットは、テキストチャットでも人間の行動を学習していませんが、力と主力で試みています。 しかし、人工知能の使用にはニッチがあります。 マシンは美しい会話をする方法を知りませんが、ビッグデータに基づいて、特定のクライアント用に特定の製品を自動的に選択することで、ビジネスの生活を楽にします。 コンタクトセンターは後者にのみ連絡でき、販売を完了する可能性が高い（または少なくとも大きい）可能性があります。 さらに-人々の側での予備的な努力がはるかに少ない。
モデルを操作する前に何をする必要があるか、そしてビッグデータを使用して販売を最適化するためにインテリジェントなチームをどのようにまとめるかについてはすでにわかっています。 現在、ビジネス製品と顧客をつなぐ方法は？
AIツールの選択
人工知能がまだ学んでいないことは、顧客なしで販売することです。 彼が仕事をするためには、潜在的な買い手のリストが必要です。
このようなリストがあるとします。 誰と何を提供するかを理解する方法は？
予測問題は、履歴データに基づいて人工知能によって解決されます。 過去に製品を購入した人を連れて、彼らのためにモデルを構築します。 次に、この製品をまだ購入していない顧客のリストを取得し、モデルに配置します。モデルは学習し、購入する人を予測することを学習します。
このアプローチの欠点は、製品ごとに購入するかどうかを分析する必要があることです。 つまり、製品ごとに独自のモデルが構築されます。 私たちが銀行であれば、あまり多くの製品はありません。たとえば、プラスチックカードのいくつかのオプション、ローンと預金の最終数-合計15〜20の製品です。
しかし、私たちが1000個のアイテムを扱うオンラインストアである場合はどうでしょうか。 それとも、何千もの映画があるオンライン映画館ですか？ それらのそれぞれが別個のモデルを構築し、それを穏やかに言えば、採算が取れません。 推奨システムのようなものが助けになります。
レコメンダーシステムは、オンライン映画館から来ました。 何百ものモデルの代わりに、顧客と製品のマトリックスが構築されます。 交差点は、どの顧客がどの製品を購入したかを示しています。 次に、クライアントが比較され、クライアント間で類似点と相違点が検索されます。その結果、マトリックスにボイドが埋められます。 2人のユーザーが3種類の映画を見たとしましょう。 そして、ユーザーの1人は4番目を見て、2番目はそうではありませんでした。 以前のビューでは類似しているため、システムは2番目のユーザーに4番目の映画を提供します。
推奨システムの利点は、クライアントごとに、購入する可能性が最も高い製品が自動的に考慮されることです。 数百または数千の製品ごとにモデルを作成するデータサイエンティストのスタッフを配置する必要はありません。 みんなにお勧めの製品があります。 つまり、モデルを構築するプロセスを自動化しました。
推奨システムは、次の場合に特に適しています。 企業として、アクティブチャネルとパッシブチャネルがあります。 アクティブ-独自のイニシアチブ（通話、SMS、電子メール）でクライアントと通信する場所。 パッシブ-クライアントが自分自身に来る場所（Webサイト、アプリケーション、ATM）。 各製品のモデルを構築する場合、努力を最適化し、この製品を提供する必要のある人だけを選択するため、提供する顧客のリストが常に絞り込まれます。 しかし、単一のオファーを持たない顧客がいる状況があるかもしれません。 各モデルが独自のモデルを選択したからです-そして、ボイドがありました。 つまり、人は受動的なチャネルを通り抜けますが、彼に見せることは何もありません。 推奨システムは、各クライアントのオファーを考慮します。 さらに-最高のオファー。
しかし、ここでは小さな問題が残っています。 私たちが新製品を発売し、鼻血を売る必要があるとします-今月の販売計画をすでに立てています。 推奨システムは役に立たない-それは正直に動作し、彼に最も関連するものをすべての人に正確に推奨します。 できるだけ多くの特定の製品を販売し、その販売計画を達成する必要性を考慮していません。 この場合、推奨システムは無効であることがわかります。
そのため、ビッグデータに基づく販売では、方法の組み合わせが使用されます。製品の限定セットのモデル、一般向けの推奨システムです。
ビジネスルールを適用する
各クライアントにオファーを選択するようAIに教えました。 しかし、すべての最適な製品が提供する意味があるわけではありません。 結果のフィルタリングはビジネスルールと呼ばれます。
プレミアムバンクカードを使用するとします。プレミアムカードのメンテナンスには月に2000ルーブルかかります。 銀行によって構築されたモデルは、月に300ルーブルのサービスで、要求の厳しい別のカードを提供するのが最適であると考えました。 もちろん、私はそれを取って保存する傾向があります。 しかし、銀行はそのような製品を提供する意味がありません。収益を失うからです。 そのような場合は、提案の前に切断する必要があります。 同様の状況は、インターネットプロバイダーと通信事業者にも当てはまります。
したがって、機械学習の推奨事項にはビジネスルールが課せられます。 したがって、クライアントは関連するオファーを受け取り、収益を落とすことはありません。
提供チャンネルを選択
だから、クライアントと私たちにとって最適なフィルターされた製品があります。 クライアントにこの製品を提供するのにかかる費用を計算する必要があります。 そして、それは価値がありますか？
たとえば、通話は最も高価なオプションの1つです。 製品の利益率が高く、購入の可能性が高い場合、ためらうことなく電話をかけることができます。 製品のマージンが低い場合、または購入の可能性が非常に低い場合、販売で稼ぐよりも多くの時間とお金をクライアントに通知することに費やします。 次に、電子メールまたはSMSを書くことをお勧めします。
アクティブなチャネルを介して一部のオファーを駆動することは意味がありません。何もせずにクライアントが到着するまで待つ方がより有益です。 たとえば、ATMまたはWebサイトに製品を投稿します。 これはあまりお金の価値はありませんが、それらからの何らかの変換があります。
潜在的なバイヤーのベースに関して。 最初は、クライアントのリストがあるという事実から始めました。 それは自分のものでも外部のものでもかまいません。 たとえば、新しい製品のオファーを既存の顧客にブロードキャストし、いわゆるクロスセールスを行うことができます。 ベースと自由に連携します。モデルを構築し、セグメントごとに顧客を配布し、平均チェックを増やします。
外部ベースの場合、記載されているすべての手順はサードパーティパートナーにあります。 結局のところ、まず、外部ソースのいずれもデータを純粋な形式で提供しません。 第二に、ほとんどの国ではこれは法的に禁止されています。 そのため、サードパーティのデータベースを操作する際に、よく似た方法（「類似したものを見つける」）がよく使用されます。 つまり、当社の既存の顧客の小さなサンプルが取得され、それにオファーが適合し、そのリストが外部ベースの所有者に匿名形式で転送されます。 彼はモデルを作成し、必要な顧客を選択して広告を表示します。
合計、サイクル全体を考慮する場合
- 推奨システムとモデルが採用されています。
- それらはすべて、いわゆるビジネスルールエンジン（ビジネスルールが適用される環境）でロックされています。
- 結果は、チャネル配信を最適化するシステムにロックされます
出口では、販売の観点からクライアントとの統合された通信を取得します。そこでは、それぞれのクライアントに対して最適な製品と最適な配信チャネルが決定されます。
はい、最初はプロセスの構築に投資する必要があります。 しかし、人々の側のコストは最小限です。 人々が絶えずキャンペーンを考案し、モデルを構築し、手動で選択し、チャネルをロードするなどの標準的なCRMとは異なります。
そして、ビジネスがビジネスプロセスを再構築する準備ができていない場合、高度な機械学習法は役に立たないことを忘れてはなりません。 多くは、機械学習の結果を処理し、顧客に手を差し伸べるコンタクトセンターである「ラストマイル」に依存しています。 ビッグデータは万能薬ではありませんが、適切に使用すれば役立ちます。
ビッグデータテクノロジーの実装方法を学びたい場合は、アナリスト向けのコースに来てください。1月28日または企業プログラムの 1つから始めてください。
投稿は、キエフスターPJSCのビジネスHUBにある学校の創設者の発表に基づいて、データスクールによって作成されました。