Повышение эффективности продаж и клиент-ориентированности с помощью нейронных сетей

Данная статья будет о рекомендательных системах, которые вам, как бизнесмену или руководителю позволяют повысить эффективность ваших продаж.

Все понимают, что продажи это основа бизнеса, а эффективные продажи это залог успешного бизнеса. В данной статье я расскажу о подходах и передам вам суть того, как можно/нужно строить эффективные рекомендательные системы или системы продуктовой аналитики, которые позволят вам эффективно выстроить коммуникацию с клиентом в вашем бизнесе.

Я буду приводить разные примеры, а подходы которые я буду приводить в данной статье применимы к ЛЮБОЙ области бизнеса.

Но прежде чем я перейду к сути, я бы хотел привести пример того, КАК делать НЕ НУЖНО.

В качестве примера того, как делать не нужно, я бы хотел привести компанию СберМегаМаркет. Давайте взглянем на пример (рис. 1).

Рис. 1. Пример рекламы СберМегаМаркета в Вконтакте

Вот вы смотрите на рисунок 1, на котором изображена реклама СберМегаМаркета. И что, скажете вы?? А то, что это типичный пример того, как маркетологи НЕ работают с клиентом. И вы не должны повторять их действия.

Например магнал на рис. 1 слева показывается мне уже недели 3, бритва посередине показывается месяца два, а кофе из говна мангустов месяца 3 и более.

То есть, алгоритм СберМегаМаркета до ужаса примитивен. Показывает месяцами то, что видели клиенты, когда заходили когда то на сайт. Причем, как вы понимаете, ему совершенно наплевать с какой целью вы заходили.

Например, не так давно на vc.ru была статья одного нашего коллеги бизнесмена о том, как он делал красивые мангалы. Сейчас я её не найду, но её многие комментировали, и многие помнят. Но уважаемому СберМегаМаркету не в домёк, что я не хочу мангал от слова совсем.

Вы понимаете, что у вас не так много времени, для того, чтобы показать клиенту НУЖНЫЙ ему товар. И как вы понимаете, если месяцами показывать клиенту ОДНО И ТОЖЕ, тем более если оно ему не нужно, это просто преступление в бизнесе.

Качество продаж опускается до ничтожного уровня. Примерно на уровень марианской впадины.

Как же быть?? Вы же понимаете, что не хотите тратить драгоценное время и рекламные бюджеты, чтобы как СберМегаМаркет показывать месяцами одни и те же бесполезные для клиента товары.

В дальнейшем я буду рассматривать только онлайн продажи, хотя вы можете адаптировать написанное и к оффлайн.

Когда вы продаёте онлайн то вы должны понимать, что у вас есть СЕКУНДЫ на то, чтобы клиенту показать нужный/полезный/эффективный/красивый или иной товар, который он у вас купить.

То есть, вас должна быть какая-то автоматизированная система, которая автоматически проанализирует клиента, и на выходе даст решение о том, что показать клиенту на витрине, в рекламе, в списке продуктов и так далее.

Взгляните еще раз на СберМегаМаркет (рис. 3).

Видите, что показывает магазин?? Опять, бесполезную и не нужную мне бритву.

Еще раз. У вас есть секунды, чтобы загрузить для клиента перечень потенциально интересных ему товаров.

Для того, чтобы это сделать, ваша система должна ответить на ряд вопросов:

1. КТО?

2. ЧТО?

3. ЗА СКОЛЬКО?

Здесь я сделаю важное замечание. Сама система здесь состоит из нескольких частей. Мы постараемся на пальцах разобрать каждую из них двигаясь от простого к сложном.

Рассмотрим поближе данные вопросы (разумеется у вас могут быть свои вопросы и соображения).

В качестве понимания данного вопроса я бы хотел привести два примера.

Пример.

Вы владелец магазина по охоте, туризму и рыбалке. Кто ваш клиент?? Очевидно, что основные ваши клиенты это рыбаки, охотники и туристы.

Если вы понимаете кто ваш клиент, то вы понимаете направление подбора товара и на витрине можете положить интересующие его продукты.

Если бы вы были продавцом в оффлайн магазине, и видите что к вам зашел рыбак с удочкой и укомплектованный для «похода», то понимая что человек зашел, например, купить червей, вы бы могли ему предложить еще супер эффективную инновационную прикормку для рыбы, и еще до кучи всяких полезностей.

Но здесь есть ВАЖНЫЙ нюанс. Когда к вам находит клиент, то зачастую может быть такое, что клиент может быть отнесен к разным категориям покупателей. Давайте приведем примеры:

- Рыбак + охотник. Например, поехали друзья на озеро порыбачить и пострелять уток.

- Рыбак + турист. Также как и выше, но только поехали отдохнуть и покидать удочку.

- Рыбак + турист + охотник.

- Иное.

И так далее.

Здесь вытекает ВАЖНЫЙ нюанс технической реализации.

Если выделить какие-то группы клиентов вы можете с применением кластеризации, то отношение пользователя к какой-то группе является отдельным признаком и нельзя к данной задаче применять задачу классификации.

То есть, ваша нейронная сеть, алгоритм или математическая функция НЕ МОЖЕТ определить что это, например, рыбак. Или это, например, охотник.

У вас формируется перечень классов, где в КАЖДОМ КЛАССЕ своя нейронная сеть определяет интерес вашего клиента к какой-то области.

В указанном выше примере, это может быть например, и охотник и рыбак одновременно.

Давайте рассмотрим другой пример.

Допустим, вы владелец магазина одежды. Рассмотрим клиента.

Ваш клиент в разные моменты времени может быть привержен РАЗНЫМ СТИЛЯМ.

Например, есть люди, которые всю жизнь ходят в классике.

Но есть люди, которые носят классику только на работе, а на прогулке, например, Гаучо. А есть миллиарды других людей, которым нравятся совершенно разные стили одежды.

При этом, вы опять же понимаете, что у вас есть потенциальные группы клиентов, которых, например, можно разделить по стилям. В этой статье, к примеру, приведены 30 стилей. Но вы понимаете, что человек может иметь ОДНОВРЕМЕННЫЙ интерес к нескольким стилям.

В итоге, вы имеете некий ансамбль алгоритмов, который вам что-то говорит о принадлежности к той или иной группе.

Понимание отношения клиента к той или иной группе даёт вам настроить рациональным образом алгоритмы, которые показывают клиенту то, что клиент хочет.

Например, человек приверженец 3 стилей: классический, винтажный, гаучо.

Вы можете показать на витрине или в рекламе, например 25% времени классический стиль, 25% винтажный, 25% гаучо, 25% оставить на дальнейшее исследование клиента.

То есть, вы же понимаете, что вы не знаете клиента до конца + изменение вкусов, вы не можете брать как СберМегаМаркет и месяцами показывать одно и тоже.

Тоже самое применительно к ЛЮБОЙ сфере: производство, финансы, здравоохранение и так далее.

Теперь, перейдём к другому важном вопросу. Что показать клиенту??

В данном случае есть несколько направлений для работы по идентификации клиента. Во-первых, более узкая сегментация требуемых товаров и услуг. Во-вторых, это всевозможное разнообразие потребительских предпочтений.

В данном случае может быть цвет, размер, иные признаки.

Вот другой пример ошибки в работе маркетологов, которые не ориентируются на клиента в контексте данной ситуации. Взгляните ниже.

Вот перед вами витрина продажи авто Ягуар (извините производители и продавцы авто, я просто кликнул на первую рекламу). Далее, я выбираю то, что мне понравилось. Мне понравилась КРАСНАЯ МАШИНА.

Понимаете?? Человек, который выбирает продукт, делает это из набора предпочтений, которые ВЫ должны детектировать.

Я нажал на красную машину, и что я вижу?? Взгляните на рис. 11. Вы видите красную машину?? Я вот не вижу. Я вижу какие-то серые и унылые автомобили, которые мне СОВЕРШЕННО не нравятся.

Аналогичным образом вы формируете поле признаков, которые вам нужно детектировать.

Подбор цвета можно также решат по разному. Это может быть как решение задачи классификации, когда вы показываете клиенту ОДИН предпочтительный цвет. Или когда клиент не может определиться, и вы показываете клиенту ЛИНЕЙКУ товара с РАЗЛИЧНОЙ цветовой гаммой, КОТОРАЯ ИНТЕРЕСНА КЛИЕНТУ.

При этом, вы должны понимать, что ваша система аналитики/рекомендательная система должна иметь возможность принятия решений ДАЖЕ по одном клику.

Само собой, что чем больше данных оставляет пользователь, тем выше будет точность системы (рис. 12).

Однако, ваша система должна детектировать хотя бы ПЕРВОЕ ПРИБЛИЖЕНИЕ даже при ОДНОМ КЛИКЕ, чтобы не было так, как это в онлайн магазине продажи ягуаров.

Это самая лёгкая часть задачи. Она решается как задача классификации. Основа логики – достаток клиента. Очевидно, что если у человека низкий достаток, то нет смысла показывать ему кофе из говна мангуста по 50 тысяч за банку.

Вы можете выделить ряд классов. Не просто дорого, дёшево, средне. Вы делить десяток классов.

В рамках решения вашей задачи вы показываете клиенту продукты разных ценовых сегментов, и ваша нейронная сеть на основании предпочтений относит клиента к тому или иному классу.

Как вы понимаете, ваш перечень вопросов может быть совершенно иным в разных смыслах этого слова, для того, чтобы вы эффективно принимали решения в рамках вашего бизнеса.

Основа работы системы это исследования клиента во всём его многообразии, не только в рамках примеров, которые я привёл выше.

Вы можете проводить исследования везде, где вы касаетесь клиента. Везде где клиент получает от вас информацию и совершает действие. Это могут быть как витрины, так и реклама. То есть, вы должны понимать, что ваша система аналитки/рекомендательная система является важнейшей и неотъемлемой частью вашего бизнеса, онлайн магазина и маркетинговой системы.

Приведем пример (рис. 13).

То есть, вы можете показывать в части рекламы (или вашей витрины) полезные клиенту продукты, а в другой части анализировать вашего пользователя.

Другой важный момент. Вы понимаете, что когда пользователь совершил ОДИН клик, то ваша аналитическая и рекомендательная система делает первое приближение. И для того, чтобы работать максимально эффективно, системе нужно время.

Поэтом, важно УДЕРЖИВАТЬ клиента хотя бы в первое время. И очевидно, что ваши бизнес-модели должны быть настроены с учётом именно этого удержания.

Теперь другой момент, связанный с технической реализацией всего написанного выше.

С точки зрения DataScience само по себе обучение нейронных сетей и их использование весьма не сложно. В упрощённом виде берутся данные, на основании которых обучается нейронная сеть и принимает решение.

Самая главная проблема это НЕОБХОДИМОЕ И ДОСТАТОЧНОЕ КОЛИЧЕСТВО ДАННЫХ. И в данном случае, я не говорю о километрах данных, я говорю о достаточном количестве факторов, для адекватного детектирования того или иного признака.

Давайте рассмотрим пример.

Человек зашел на сайт рыболовного магазина. Покликал по разным товарам, которые вы показали из совершенно разных категорий. Но при этом вы должны понимать, что часть товара клиенту не интересна в принципе, он посмотрел чисто из праздного интереса. По части товара его не устроила цена. И так далее.

То есть, для детектирования, интереса к какой-либо группе товара вы должны подключать анализ поведенческих метрик.

Например, сколько времени он потратил на просмотр товара: он окинул взглядом или попытался вникнуть в продукт?? Дошел ли он до просмотра цены?? На сколько быстро он отказался от покупки при просмотре цены?? И так далее.

На основании полученных данных о клиенте, ваши маркетологи исходя из своих собственных соображений выстраивают коммуникацию с клиентом. То есть, с одной стороны у вас должна быть система аналитики, которая позволяет собирать и детектировать те или иные признаки клиента, а с другой стороны система, которая позволяет настроить алгоритмы принятия решений.

Например, в целях удержания первого клиента ваша система может сделать ему скидку на покупку товара. Это одна логика, логика продиктованная повышению LTVи будущей эффективности работы с данным клиентом. Наработали сколько то времени взаимодействия с клиентом?? Другая логика. У вас многолетний клиент?? Третья логика и так далее.

Здесь я позволю себе завершить статью. Тем кому глубоко интересна техническая сторона вопроса, то множество примеров решения задач классификации, кластеризации, логистической регрессии и др. есть в интернете. В данной статье я описал верхнеуровный подход, который позволит с точки зрения понимания управления и принятия решений вам выстроить свою собственную систему в вашей компании.

Традиционно скажу следующее, DataScience это не равно питонизм или взять выпускника мехмата МГУ. В первую очередь это верхнеуровневое понимание процессов и задач, это понимание области работы, это понимание бизнеса в разных его смыслах. Остальное - инструменты в достижении результата.

Также хочу сказать два слова о себе. В настоящее время я развиваюсь в направлении аналитики, принятия решений, торговли и инвестирования на базе нейронных сетей. Если кому-то интересно, то статьи по данным тематикам, вы можете найти здесь: https://vc.ru/u/253850-apollon-stepanov

Контакты:

Telegram: https://t.me/step_a_v

VK: https://vk.com/mauriy

FB: https://www.facebook.com/apollo.stepanov

Всех благ, побед и

успехов на фондовых

рынках!