Искусственный интеллект: новый взгляд на клиентский опыт

Трендом последних лет маркетинга является его персонализация. Мы привыкли, что Facebook, Youtube и Instagram показывают нам объявления, которые действительно могли бы быть интересны. В США ещё в 2011 году супермаркеты определяли беременность девушки быстрее, чем об этом узнавали её собственные родители. Но если раньше подобную точность и персонализацию могли получить лишь крупные компании, с десятками высокооплачиваемых аналитиков, то в 20-е годы такие возможности стали более доступны. Всё что сейчас требуется от компании - это некоторая культура работы с данными.

Искусственный интеллект: новый взгляд на клиентский опыт

В настоящей статье мы бы хотели рассмотреть основные возможности, которые стали доступны для среднего и даже малого бизнеса, благодаря демократизации технологий работы с данными. Практическое применение науки о данных и методов машинного обучения преобразует бизнес-процессы так же как это 20 лет назад сделал компьютер и 10 лет назад интернет.

С терминологией мы определились в отдельном материале, поэтому отдельно пояснять понятия не будем.

Задачи

Основной задачей, стоящей перед бизнесом, является увеличение выручки при сокращении издержек. Если мы говорим о маркетинге, то задачей в основном является увеличение ROMI. Пути повышения ROMI:

  • Снижение затрат, которые не приводят к увеличению прибыли;
  • своевременность использования маркетинговых инструментов;
  • повышение реакции на маркетинговые воздействия за счёт их большей персонализации;
  • увеличение LTV уже привлечённого клиента.

Методы интернет аналитики позволили существенно глубже анализировать данные по посетителям сайтов. Однако при больших масштабах человеку тяжело увидеть все закономерности, да и системы аналитики начинают семплировать данные (показывать среднее значение, а не все сессии). Кроме того, не всегда организована качественная интеграция с CRM системой, что не позволяет объединить все данные в единую систему.

Хорошим решением являются настроенные BI системы типа Qlik, Tableau или Power BI. Вообще наличие в компании BI системы - хороший признак в плане работы с данными. Часто этот инструмент - первый шаг к предиктивной аналитике и перехода к управленческим решениям, основанным на точных данных. Следующими шагами являются применение математических инструментов для получения знаний из данных.

Итак перейдём к тому, как математика и ИИ могут помочь аналитикам и маркетологам.

Текущая объективная картина

Прежде всего это получение объективной текущей картины по клиентам. Кластеризация текущих клиентов (и/или новых), выручка от различных групп клиентов, стоимость привлечения и ROMI. Актуальная интерактивная информация, автоматические сигналы, при определённых событиях, - всё это позволяет быстрее и гибче реагировать на изменение ситуации, экономить расходы и более эффективно инвестировать в маркетинг и развитие.

Но более интересным является предсказание событий. Во-первых, если знаешь, то можешь подготовиться к событиям, во-вторых, есть возможность их изменить.

Предсказание покупки

Знание, кто из клиентов в ближайшее время планирует сделать покупку, поможет сэкономить бюджет на маркетинговой активности. Если клиент и так купит, то не надо тратить ресурсы на очередное напоминание о себе и дополнительные промо-коды. С другой стороны, если покупка не произошла, то имеет смысл слегка подтолкнуть его к выбору нашего товара, небольшой персональной скидкой или бонусом. Кроме того, подобный прогноз позволит оптимизировать работу склада и приятно удивить клиентов ускоренной доставкой.

Прогноз LTV

Для точного расчёта эффективности маркетинговых инструментов необходимо знать не только стоимость привлечения клиента и/или видеть корреляции между бюджетами на различные каналы и ростом продаж, но и то, насколько перспективные клиенты приходят. При этом, если смотреть по факту суммарные платежи за время отношений с клиентом, то ответ будет получен достаточно поздно. Это знание может не помочь в будущем, так как в следующем году уже может измениться.

Методы машинного обучения позволяют заранее прогнозировать LTV. И выводы о качестве привлечённых клиентов можно получить уже во время пилотных экспериментов. При правильном запуске пилота, ответ, какая будет выручка от клиентов за время нашей работы с ними, будет получен ещё до того, как клиенты совершили первый заказ.

Прогноз оттока посетителей

Одним из важных показателей для бизнеса является churn rate. Иногда достаточно лишь небольшого комплимента, чтобы сохранить лояльность клиента, который собирается отказаться от наших услуг. И это будет существенно дешевле привлечения нового клиента, взамен ушедшего. Искусственный интеллект на основе данных о текущих и ушедших клиентах устанавливает закономерности, которые выявляют клиентов, склонных к оттоку, ещё до того, как они реально ушли. Распространяя специальную маркетинговую активность исключительно на них, компания максимально дёшево увеличивает продолжительность отношений с клиентом, не упуская прибыль за счёт дополнительных скидок остальным клиентам.

Таким образом, достижения в науке о данных и машинном обучении позволяют среднему бизнесу добиться тех же результатов, которые ранее были доступны только лидерам рынков с большим штатом аналитиков.

33
1 комментарий

очень познавательно про бе ременные прибыли

Ответить